Perancangan Sistem Rekomendasi Waktu Pengisian Daya Baterai Kendaraan Listrik di Electric Vehicle Charging Station (EVCS) Berbasis Sinyal Tindakan Menggunakan Algoritma Long Short-Term Memory (LSTM), Studi Kasus EVCS Area Solo Raya (Surakarta, Sukoharjo,
Keywords:
Deep Learning,, EVCS,, LSTM,, Prediksi Beban,, Sinyal Tindakan,, Smart City,, Smart Grid.Abstract
Abstrak. Sebagai kawasan percontohan Smart City, Area Solo Raya (Surakarta, Sukoharjo, Karanganyar,
Sragen) terintegrasi dengan 11 Stasiun pengisian kendaraan listrik (EV Charging Station - EVCS) yang
merupakan infrastruktur vital pendukung transisi energi hijau di tingkat perkotaan. Fluktuasi beban grid
listrik harian dan skema tarif dinamis Time-of-Use (ToU) seringkali membuat pengguna EV kesulitan
menentukan waktu pengisian daya yang optimal guna meminimalkan pengeluaran biaya energi
operasional harian. Penelitian ini bertujuan untuk merancang sistem rekomendasi waktu pengisian daya
baterai kendaraan listrik berbasis sinyal tindakan menggunakan algoritma Long Short-Term Memory
(LSTM). Data latih menggunakan data historis penggunaan daya harian di 11 stasiun EVCS periode 01
Januari 2021 hingga 01 Januari 2026. Hasil keluaran sistem berupa prediksi beban daya H+1 yang
diproses secara cerdas menggunakan algoritma logika threshold untuk menghasilkan sinyal 'CHARGE
NOW' (rekomendasi pengisian), 'WAIT' (tunda sementara), atau 'SKIP' (hindari pengisian karena beban
puncak). Pengujian menunjukkan akurasi performa model sangat tinggi, ditunjukkan oleh nilai RMSE
0,5026 kW, MAPE (Mean Absolute Percentage Error) 2,34% (kategori peramalan sangat akurat), serta
koefisien determinasi R-Squared 0,9852. Simulasi backtesting membuktikan bahwa implementasi sistem
rekomendasi ini menghemat biaya energi operasional total sebesar Rp 14.400.000,- dengan rasio
efisiensi pengeluaran biaya energi total pengguna mencapai 134,5% dibandingkan metode pengisian
acak konvensional.
