Prediksi Konsumsi Energi Listrik Gedung Kampus Menggunakan Long Short-Term Memory (LSTM) Berbasis Data IoT pada Sistem Smart Building

Abstract

Gedung kampus merupakan salah satu fasilitas dengan tingkat konsumsi energi listrik yang tinggi dan bersifat dinamis mengikuti pola aktivitas akademik. Pengelolaan energi yang belum optimal dapat menyebabkan pemborosan energi dan peningkatan biaya operasional. Penelitian ini bertujuan untuk membangun model prediksi konsumsi energi listrik gedung kampus menggunakan metode Long Short-Term Memory (LSTM) berbasis data Internet of Things (IoT) dalam kerangka sistem Smart Building. Data konsumsi energi diperoleh dari sistem monitoring IoT dengan interval pencatatan setiap 5 menit dan berjumlah sekitar 10.000 record. Tahapan penelitian meliputi pra-pemrosesan data, normalisasi menggunakan Min-Max Normalization, pembagian dataset menjadi data pelatihan (70%), validasi (15%), dan pengujian (15%), serta perancangan dan pelatihan model LSTM. Evaluasi performa model dilakukan menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model LSTM mampu memprediksi konsumsi energi listrik dengan tingkat kesalahan yang rendah, yaitu MAE sebesar 0,018, MSE sebesar 0,00052, dan RMSE sebesar 0,0228. Model yang diusulkan mampu mengikuti pola konsumsi energi listrik yang fluktuatif dan nonlinier dengan baik. Integrasi IoT dan LSTM dalam penelitian ini memberikan kontribusi dalam mendukung manajemen energi berbasis data pada sistem Smart Building yang lebih efisien dan berkelanjutan.