Perancangan Dan Implementasi Sistem Prediksi Konsumsi Energi Menggunakan Metode CNN-LSTM Untuk Gedung 3 FT UNS

Oleh :
Fakhri Muhammad Azzam - I0721021 - Fak. Teknik

Pertumbuhan kebutuhan energi yang terus meningkat mendorong perlunya sistem prediksi konsumsi energi yang akurat dan adaptif. Penelitian ini bertujuan untuk mengembangkan model prediksi konsumsi energi listrik harian dengan menggunakan algoritma Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Data yang digunakan berasal dari catatan historis konsumsi energi gedung 3 Teknik Elektro Universitas Negeri Sebelas Maret dalam rentang waktu tiga bulan yakni bulan Januari 2025 hingga bulan Maret 2025, yang telah melalui tahap pre-processing berupa normalisasi dan pembentukan sekuens data. CNN digunakan untuk mengekstraksi fitur spasial dari pola konsumsi, sementara LSTM digunakan untuk mengenali dependensi temporal dalam data deret waktu. Model dikembangkan dan diuji menggunakan Python kemudian di dievaluasi menggunakan metrik MAE, RMSE, R², dan MAPE. Hasil evaluasi menunjukkan bahwa model CNN-LSTM mampu memberikan tingkat akurasi prediksi yang cukup tinggi, dengan nilai MAE sebesar 45.00, RMSE 54.86, R² sebesar 0.67, dan MAPE sekitar 31.27%. Model ini kemudian diintegrasikan dengan sistem API untuk ditampilkan dalam web berbasis Laravel dengan akurasi 74.56%, MAE 24.93, RMSE 72,85, dan MAPE 26.44%. Penelitian ini menunjukkan bahwa pendekatan hybrid CNN-LSTM efektif dalam memprediksi konsumsi energi dan dapat diimplementasikan dalam sistem monitoring energi secara real-time