Pemodelan Ensemble Learning untuk Prediksi Konsumsi dan Estimasi Tagihan Energi Listrik Rumah Tangga Berdasarkan Karakteristik Penggunaan Perangkat dan Pola Temporal

Abstract

Konsumsi listrik rumah tangga di Indonesia menyumbang lebih dari 40% total konsumsi nasional, namun sebagian besar pengguna tidak dapat memperkirakan konsumsi dan tagihan sebelum periode penagihan berakhir. Proyek akhir ini membangun model prediksi konsumsi energi listrik harian sekaligus estimasi tagihan bulanan tanpa memerlukan perangkat IoT. Data yang digunakan adalah Individual Household Electric Power Consumption dari UCI Machine Learning Repository, berisi 2.075.259 catatan per menit yang diagregasi menjadi 1.390 hari setelah penyaringan kelengkapan. Dari data tersebut dibentuk 20 fitur yang mencakup sub-metering perangkat, cyclical encoding pola temporal, fitur lag, dan statistik rolling. Tiga algoritma dibandingkan, yaitu Linear Regression sebagai baseline, Random Forest, dan XGBoost, dengan validasi TimeSeriesSplit lima lipatan serta ablation study empat konfigurasi fitur. XGBoost dengan penyetelan hiperparameter memberikan performa terbaik pada data uji hold-out 20% terakhir, dengan RMSE 0,826 kWh, MAE 0,558 kWh, MAPE 2,69%, dan R² 0,9873. Analisis SHAP menempatkan beban puncak harian, rasio beban puncak terhadap rata-rata, dan sub-metering pendingin serta pemanas air sebagai kontributor dominan. Model diintegrasikan dengan modul tarif PLN delapan golongan daya berbasis aturan untuk mengonversi prediksi kWh menjadi estimasi tagihan, kemudian dibungkus dalam aplikasi web berbasis FastAPI dan React. Hasil ini menunjukkan model ensemble dapat memprediksi konsumsi energi harian secara akurat hanya dari input perangkat dan pola waktu. Akurasi tersebut diperoleh pada satu rumah tangga beriklim kontinental, sehingga belum dapat digeneralisasi ke rumah tangga Indonesia tanpa kalibrasi ulang menggunakan data lokal.