PEMODELAN BASELINE KONSUMSI LISTRIK PELANGGAN UNTUK ESTIMASI DAMPAK ENERGI PLTS ATAP BERBASIS MACHINE LEARNING: STUDI KASUS DKI JAKARTA
Merlin Julius Hutagalung, Prof. Ir. Nazrul Effendy, ST, MT, Ph.D., IPM., ASEAN Eng. ; Dr. Eng. Ir. Dwi Joko Suroso, S.T., M.Eng., IPP
2026 | Tesis | MAGISTER TEKNIK FISIKA
Penetrasi PLTS Atap mengubah pola konsumsi listrik pelanggan
karena sebagian kebutuhan energi dapat dipenuhi langsung oleh pembangkitan di
sisi pelanggan atau behind-the-meter. Akibatnya, energi yang tercatat pada kWh
meter PLN tidak sepenuhnya merepresentasikan konsumsi aktual pelanggan.
Penelitian ini membangun model konsumsi baseline berbasis machine learning
untuk mengestimasi dampak energi dan pendapatan PLN akibat PLTS Atap di DKI
Jakarta.
Penelitian menggunakan data load profile interval 15 menit
periode Mei 2024–April 2025, yang terdiri atas data AMI pelanggan non-PLTS Atap
dan data AMR pelanggan PLTS Atap. Data pelanggan non-PLTS Atap digunakan untuk
melatih model konsumsi baseline, sedangkan data pelanggan PLTS Atap digunakan
sebagai objek penerapan model. Konsumsi malam digunakan sebagai prediktor utama
karena relatif tidak dipengaruhi oleh produksi PLTS Atap, sedangkan konsumsi
siang diestimasi sebagai target baseline. Model XGBoost dipilih sebagai model
utama karena sesuai untuk data tabular berskala besar dan memiliki kinerja
prediksi yang baik.
Hasil penelitian menunjukkan bahwa konsumsi malam memiliki
hubungan positif yang kuat terhadap konsumsi siang, terutama pada pelanggan
daya ?33 kVA. Model XGBoost menghasilkan R² agregat sebesar 0,9764, SMAPE
agregat 2,29%, dan R² row-level sebesar 0,7396. Pada periode Mei 2024–April
2025, PLTS Atap diperkirakan menurunkan penjualan listrik PLN di Jakarta sebesar
28.656.777 kWh atau setara Rp35.574.949.883. Pada tahun 2028, dampaknya
diproyeksikan meningkat menjadi 97.139.910 kWh atau Rp120.279.961.248, setara
sekitar 19,55?ri proyeksi penjualan energi pelanggan PLTS Atap. Hasil ini
menunjukkan bahwa pertumbuhan PLTS Atap perlu dikelola tidak hanya sebagai
bagian dari transisi energi, tetapi juga sebagai risiko strategis terhadap
pendapatan PLN.
The penetration of rooftop photovoltaic (PV) systems
changes customers’ electricity consumption patterns because part of the demand
is supplied directly by behind-the-meter generation. As a result, the energy
recorded by PLN’s kWh meter does not fully represent the customer’s actual
electricity consumption. This study develops a machine learning-based baseline
consumption model to estimate the energy and revenue impact of rooftop PV in
Jakarta.
This study uses 15-minute interval load profile data from
May 2024 to April 2025, consisting of AMI data from non-rooftop PV customers
and AMR data from rooftop PV customers. Non-rooftop PV customer data are used
to train the baseline consumption model, while rooftop PV customer data are
used for model application. Nighttime consumption is used as the main predictor
because it is relatively unaffected by rooftop PV generation, while daytime
consumption is estimated as the baseline target. XGBoost is selected as the
main model due to its suitability for large-scale tabular data and its strong
predictive performance.
The results show that nighttime consumption has a strong
positive relationship with daytime consumption, particularly for customers with
connected power of ?33 kVA. The XGBoost model achieves an aggregate R² of
0.9764, aggregate SMAPE of 2.29%, and row-level R² of 0.7396. During May
2024–April 2025, rooftop PV is estimated to reduce PLN’s electricity sales in
Jakarta by 28,656,777 kWh, equivalent to IDR 35,574,949,883. By 2028, the
impact is projected to increase to 97,139,910 kWh or IDR 120,279,961,248,
equivalent to approximately 19.55% of projected electricity sales to rooftop PV
customers. These findings indicate that rooftop PV growth should be managed not
only as part of the energy transition, but also as a strategic revenue risk for
PLN.
Kata Kunci : PLTS Atap, machine learning, konsumsi baseline, behind-the-meter, XGBoost, penurunan pendapatan PLN, Jakarta.