Implementasi Sistem Embedded Machine Learning Berbasis ESP32-S3 Untuk Prediksi Konsumsi Energi Listrik Rumah Tangga

Abstract

Prediksi konsumsi energi listrik rumah tangga menjadi salah satu upaya yang dapat mendukung pengelolaan penggunaan energi secara lebih efisien. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan model Multilayer Perceptron (MLP) dan Long Short-Term Memory (LSTM) dalam memprediksi konsumsi energi listrik rumah tangga serta menganalisis kelayakan implementasi kedua model pada mikrokontroler ESP32-S3. Data yang digunakan adalah data konsumsi energi listrik selama 60 hari dengan interval per jam, diproses menggunakan sliding window 24 timestep, lalu dilatih pada Google Colab. Model kemudian dikonversi ke TensorFlow Lite dan diimplementasikan pada ESP32-S3 yang terintegrasi dengan sensor PZEM-004T dan notifikasi Telegram. Hasil pengujian menunjukkan model MLP menghasilkan rata-rata eror 1,2% dengan koefisien variatif 57,94%, sedangkan LSTM menghasilkan rata-rata eror 27% % dengan koefisien variatif 87,60% %, yang berarti MLP lebih akurat sedangkan LSTM tidak memiliki keunggulan pada penelitian ini. Dari sisi sumber daya pada ESP32-S3, MLP lebih efisien dengan ukuran model 114 KB, RAM 81 KB, dibandingkan LSTM dengan ukuran model 491 KB, RAM 138 KB. Secara keseluruhan, model MLP terbukti lebih layak diimplementasikan pada perangkat embedded dengan keterbatasan sumber daya seperti ESP32-S3, sedangkan performa LSTM yang kurang optimal pada penelitian ini diduga dipengaruhi oleh keterbatasan jumlah dan variasi data pelatihan dalam menangkap pola konsumsi energi yang fluktuatif