ANALISIS TIME SERIES UNTUK PREDIKSI PERMINTAAN STASIUN PENGISIAN KENDARAAN LISTRIK

Adopsi kendaraan listrik (EV) menjadi bagian penting dalam mendukung Agenda 2030 untuk Sustainable Development Goals (SDGs), terutama pada tujuan energi bersih, perubahan iklim, dan kota berkelanjutan. Namun, perkembangan infrastruktur Stasiun Pengisian Kendaraan Listrik Umum (SPKLU) di Indonesia masih jauh dari target pemerintah, dengan kebutuhan mencapai 30.418 SPKLU pada 2030. Penelitian ini bertujuan untuk mengoptimalkan permintaan SPKLU melalui prediksi total durasi dan jumlah sesi pengisian menggunakan model Prophet dan model Random Forest. Dataset EVChargingStationUsage.CSV dari California digunakan untuk mengatasi keterbatasan data lokal. Analisis dilakukan dengan framework OSEMN yaitu Obtain, Scrubing, Exploratory, Modeling, dan iNterpret menggunakan bahasa pemrograman R dan RStudio. Hasil penelitian menunjukkan bahwa model Prophet memiliki akurasi tinggi dalam memprediksi pola musiman pengisian EV. Sementara itu, model Random Forest efektif dalam memprediksi rata-rata permintaan pengisian dengan tingkat kesalahan yang rendah (MAE 0.302; MAPE 0.20%). Penelitian ini memberikan dasar strategis bagi perencanaan infrastruktur SPKLU yang efisien, mempercepat adopsi kendaraan listrik, dan mendukung pengurangan emisi karbon di Indonesia. Implementasi hyperparameter tuning dan analisis tambahan pada data dapat lebih meningkatkan kualitas hasil penelitian di masa depan.