Sistem Prediksi Biaya Bulanan Peralatan Elektronik di Rumah Berdasarkan Kebiasaan Pengguna Menggunakan Algoritma Lstm

Konsumsi energi listrik rumah tangga yang tinggi tanpa pemantauan yang tepat dapat menyebabkan pemborosan energi dan lonjakan biaya tagihan. Penelitian ini dilakukan untuk mengembangkan sistem prediksi biaya listrik bulanan berbasis algoritma Long Short-Term Memory (LSTM) dengan memanfaatkan data real-time dari perangkat elektronik rumah tangga. Sistem dirancang menggunakan smartplug untuk merekam konsumsi daya tiap menit, dan platform Node-RED digunakan sebagai antarmuka pengguna dan pengelola data. Proses prediksi melibatkan tahapan pre-processing, pembentukan data deret waktu (time-series), pelatihan model LSTM, dan evaluasi menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil menunjukkan bahwa model LSTM mencapai akurasi sebesar 94,5% pada 40 epoch, dengan nilai RMSE sebesar 19.537,10 dan MAE sebesar 18.690,79. Sistem juga berhasil diintegrasikan ke dalam dashboard berbasis Node-RED yang mendukung visualisasi histori dan fitur prediksi otomatis. Penelitian ini menunjukkan bahwa pendekatan prediksi berbasis LSTM efektif dalam membantu pengguna mengelola konsumsi energi.