Akurasi peramalan beban listrik memiliki implikasi ekonomis yang signifikan bagi operator sistem kelistrikan, namun penerapan model machine learning seperti XGBoost pada data deret waktu memerlukan rekayasa fitur temporal yang memadai karena model tersebut tidak memiliki mekanisme intrinsik untuk merepresentasikan struktur waktu. Penelitian ini bertujuan mengevaluasi kinerja model XGBoost rekursif multi-step pada berbagai skenario kombinasi variabel input serta menginterpretasikan kontribusi masing-masing variabel menggunakan Shapley Additive Explanations (SHAP). Data yang digunakan merupakan data beban listrik dan temperatur per jam dari Johor, Malaysia, periode Januari 2009 hingga Januari 2011 (17.519 observasi). Skenario pemodelan disusun dalam dua tahap, yaitu skenario kumulatif (M0–M9) yang menambahkan kelompok fitur secara bertahap, dan skenario kandidat (C1–C8) yang menguji kombinasi fitur secara lebih selektif berdasarkan model M2 sebagai basis. Evaluasi dilakukan menggunakan sliding window cross-validation delapan fold, dengan metrik RMSE, MAE, dan MAPE. Hasil penelitian menunjukkan bahwa model kumulatif terbaik, M9, menghasilkan RMSE sebesar 4.191,63, sedangkan model kandidat terbaik, C3 — kombinasi fitur kalender, lag beban jangka pendek, lag beban musiman, seluruh lag temperatur, dan indikator hari libur — menghasilkan performa terbaik secara keseluruhan dengan RMSE sebesar 3.897,51, MAE sebesar 2.346,62, dan MAPE sebesar 5,31%, meningkatkan kinerja RMSE masing-masing sebesar 13,52% dan 7,02% dibandingkan M2 dan M9. Temuan ini menunjukkan bahwa penambahan fitur secara kumulatif tidak selalu meningkatkan akurasi, sehingga pendekatan seleksi fitur selektif terbukti lebih efektif. Interpretasi SHAP terhadap model C3 mengonfirmasi bahwa lag beban satu jam sebelumnya (load_lag1) merupakan variabel paling berpengaruh (kontribusi relatif 54,92%), diikuti oleh lag beban satu minggu (load_lag168) dan satu hari sebelumnya (load_lag24), sementara lag temperatur dan indikator hari libur berperan sebagai fitur pendukung yang tetap berkontribusi terhadap peningkatan akurasi model.