PT PLN (Persero) Unit Pelaksana Pengatur Beban (UP2B) memiliki tugas penting dalam mengoperasikan sistem tenaga listrik di wilayahnya. Untuk memastikan perencanaan dan pengoperasian yang efisien, prakiraan beban listrik jangka pendek yang akurat dan handal sangat dibutuhkan. Penelitian ini bertujuan mengembangkan model prakiraan beban jangka pendek berbasis machine learning yang akurat dan relevan, dengan fokus pada sistem tenaga listrik wilayah Sulawesi Utara dan Gorontalo. Metodologi yang digunakan adalah CRISP-DM (Cross-Industry Standard Process for Data Mining) yang terdiri dari enam tahap yaitu pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan kesimpulan. Beberapa model machine learning hasil studi literatur sistematis seperti Full Wavelet Neural network (FWNN), Backpropagation Neural network (BPNN), Long Short-Term Memory (LSTM), dan Support Vector Regression-Neural network (SVR-NN) dievaluasi untuk menentukan performa terbaik. Hasil menunjukkan bahwa model SVR-NN dengan time lookback t-3 memberikan performa terbaik dengan MAPE 1,93% dan standar deviasi 2,52%, lebih rendah daripada model baseline Rencana Operasi Harian (ROH). Hal ini menunjukkan prakiraan beban yang lebih akurat dan konsisten tanpa memerlukan revisi manual ROH. Hyperparameter tuning lebih lanjut pada model SVR-NN menunjukkan bahwa konfigurasi dengan 4 hidden layer dan unit menurun secara bertahap (128, 64, 32, 16) menghasilkan performa optimal. Model SVR-NN menggunakan data dinamis beban, cuaca, dan tipe hari untuk memprediksi beban secara lebih akurat dan dapat dihandalkan. Model ini mampu mengurangi penyimpangan positif dan negatif secara signifikan, yang berpotensi mengurangi biaya operasional pembangkit hingga 4,32 miliar Rupiah per bulan tanpa revisi menggunakan ROH Intraday, atau 1,86 miliar Rupiah per bulan jika ROH Intraday diterbitkan. Model SVR-NN yang diusulkan tidak hanya meningkatkan akurasi prakiraan beban tetapi juga memberikan manfaat finansial yang signifikan. Dengan menggunakan metodologi CRISP-DM, penelitian ini berhasil mencapai tujuan serta memberikan rekomendasi implementasi model machine learning untuk meningkatkan keandalan dan efisiensi sistem tenaga listrik di Sulawesi Utara dan Gorontalo, sekaligus menyediakan acuan perencanaan dan pengoperasian sistem tenaga listrik yang terstandar.