| Beroperasinya Pembangkit Listrik Tenaga Surya (PLTS) dengan kapasitas 192 MWp pada sistem Jawa, Madura dan Bali menjadi momentum untuk dapat lebih memahami karakteristik dan pola dari pembebanan produksi dari pembangkit PLTS. Pada penelitian ini data yang digunakan memanfaatkan data historis pembebanan PLTS, data suhu, dan data radiasi matahari dari bulan Januari hingga Oktober 2024 untuk membangun model prediksi. Evaluasi dilakukan menggunakan Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE) untuk menilai akurasi model. Hasil penelitian menunjukkan bahwa metode Random Forest menghasilkan kinerja prediksi yang lebih baik dibandingkan LSTM, dengan nilai RMSE sebesar 8,10 dan MAE sebesar 2,78, lebih rendah dibandingkan nilai LSTM yang masing-masing sebesar 13,07 dan 6,56. Random Forest terbukti lebih efektif dalam menangkap pola beban listrik PLTS yang fluktuatif. Sementara itu, metode LSTM menghadapi kendala dalam hal efisiensi waktu pemrosesan dan kurang mampu menangkap pola non-linear yang kompleks pada data beban. Kesimpulan penelitian ini menegaskan bahwa metode Random Forest lebih sesuai untuk prediksi beban intraday PLTS Cirata, khususnya dalam mendukung operasional sistem kelistrikan di sistem Jawa, Madura dan Bali. Untuk penelitian selanjutnya, disarankan penggunaan data radiasi matahari menggunakan data hasil pengukuran langsung di lokasi terpasangnya PLTS untuk meningkatkan tingkat akurasi prediksi. Selain itu, pengembangan model gabungan yang dapat menangani data dari beberapa lokasi PLTS diharapkan dapat mendukung pertumbuhan energi terbarukan di masa depan. |