Baru Jelajahi project AI & Machine Learning siap pakai lengkap dengan full source code dan tutorial instalasi!
Beranda Katalog Project Tentang Kami Kontak Kami
Silakan masuk ke akun Anda terlebih dahulu untuk membaca dokumentasi project ini.
Sistem Prediksi Pemakaian dan Estimasi Biaya Listrik Rumah Tangga Berbasis Machine Learning
Sistem Prediksi Pemakaian dan Estimasi Biaya Listrik Rumah Tangga Berbasis Machine Learning
Machine Learning Tingkat: Intermediate Versi 1.0.0 37 Dilihat
5.0 (0 ulasan)

Sistem Prediksi Pemakaian dan Estimasi Biaya Listrik Rumah Tangga Berbasis Machine Learning

Teknologi: Python Flask HTML CSS JavaScript Tailwind CSS
Video Demonstrasi Project TikTok Demo

Demo & Pengujian Sistem: Sistem Prediksi Pemakaian dan Estimasi Biaya Listrik Rumah Tangga Berbasis Machine Learning

Tonton di TikTok

Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Sistem Prediksi Pemakaian dan Estimasi Biaya Listrik Rumah Tangga Berbasis Machine Learning via TikTok.

Overview & Cara Kerja

VoltPredict merupakan platform analitik dan kecerdasan buatan (Artificial Intelligence) berbasis Supervised Machine Learning, rekayasa fitur deret waktu (time-series feature engineering), dan pemodelan fisika kelistrikan yang dirancang untuk memprediksi tingkat beban konsumsi listrik real-time (per jam) serta meramalkan konsumsi energi harian (kWh) dan estimasi tagihan listrik bulanan (Rupiah) berdasarkan dataset telemetri rumah tangga beresolusi tinggi (UCI Machine Learning Repository).

🎯 Latar Belakang Masalah Energi listrik merupakan kebutuhan vital dalam kehidupan modern. Namun, mayoritas pelanggan rumah tangga kerap menghadapi fenomena lonjakan tagihan listrik mendadak di akhir bulan (bill shock) tanpa mengetahui peralatan mana yang menyerap daya paling besar atau kapan konsumsi daya mencapai puncaknya.

Ketidakpastian ini berakar dari karakteristik konsumsi listrik yang sangat fluktuatif dan dipengaruhi oleh berbagai faktor teknis maupun perilaku penghuni:

  1. Fluktuasi Beban Jam-Jaman (Hourly Load Dynamic): Penggunaan listrik berubah drastis antara jam istirahat malam (beban dasar), aktivitas siang hari, dan jam beban puncak (peak hours) antara pukul 17:00 hingga 22:00 saat lampu, pendingin ruangan (AC), water heater, dan perangkat hiburan menyala secara bersamaan.
  2. Distorsi Daya Reaktif & Faktor Daya (Power Factor Distortion): Banyak beban rumah tangga bersifat induktif (seperti kompresor kulkas, motor AC, pompa air, dan kipas angin) yang menyerap daya reaktif (kVAR). Penurunan faktor daya (power factor < 0.85) mengakibatkan arus yang mengalir lebih besar untuk daya aktif yang sama, memicu panas berlebih pada kabel instalasi dan inefisiensi energi.
  3. Ketiadaan Sistem Peringatan Dini Real-Time: Smart meter konvensional umumnya hanya mencatat akumulasi angka meteran tanpa memberikan prediksi apakah konsumsi saat ini berisiko melebihi kapasitas kontrak daya (trip MCB) atau memicu pembengkakan biaya di akhir periode penagihan.
  4. Kebutuhan Perencanaan Anggaran & Integrasi Energi Terbarukan: Dalam era transisi energi, pemilik rumah memerlukan estimasi konsumsi energi harian (kWh) yang akurat untuk merencanakan kapasitas panel surya (PLTS atap) maupun sistem baterai penyimpanan energi.

💡 Solusi yang Dihadirkan VoltPredict menghadirkan solusi terpadu dengan membagi permasalahan ke dalam arsitektur pemodelan ganda (Dual-Paradigm Machine Learning):

  1. Model Klasifikasi Beban Jam-Jaman Real-Time (Operational Level):
    • Mengkategorikan tingkat konsumsi listrik setiap jam ke dalam 3 level berbasis persentil seimbang (tertiles): Rendah (≤ 0.40 kW / beban dasar malam), Sedang (0.40 - 1.37 kW / aktivitas harian normal), dan Tinggi (> 1.37 kW / beban puncak simultan).
    • Berfungsi sebagai sistem deteksi dini operasional untuk mendeteksi anomali lonjakan daya dan memberikan rekomendasi penurunan beban saat jam sibuk (load shedding recommendation).
  2. Model Regresi Konsumsi Energi Harian & Tagihan Bulanan (Strategic Level):
    • Meramalkan akumulasi energi harian dalam satuan kilowatt-jam (kWh) dan memproyeksikan total energi 7 hari serta 30 hari ke depan.
    • Mengintegrasikan kalkulator tarif listrik PLN per kWh (default Rp 1.444,70 / kWh golongan nonsubsidi R-1) sehingga pengguna memperoleh proyeksi tagihan bulanan secara transparan.
  3. Rekayasa Fitur Fisika Kelistrikan & Deret Waktu Mutakhir:
    • Mengekstrak 32 fitur prediktif mencakup riwayat beban (time-lag 1h, 2h, 3h, 24h untuk per jam; 1d, 2d, 7d, 14d, 30d untuk harian).
    • Menghitung statistik bergerak (rolling mean, rolling std, rolling min/max) untuk menangkap tren dan volatilitas konsumsi.
    • Menerapkan encoding siklikal sinus-cosinus pada variabel waktu (jam, hari dalam minggu, bulan) untuk memelihara kontinuitas siklus waktu.
    • Merumuskan indikator fisika kelistrikan: daya semu (apparent power kVA), faktor daya (power factor), rasio daya reaktif (reactive ratio), deviasi tegangan dari 230V, serta dekomposisi sub-metering dapur (Sub 1), laundry (Sub 2), dan pendingin/pemanas air (Sub 3).
  4. Benchmark Komparatif 16 Model Machine Learning:
    • Membandingkan 8 algoritma klasifikasi: Gradient Boosting, XGBoost, Random Forest, Decision Tree, Logistic Regression, SVM RBF, Gaussian Naive Bayes, dan KNN.
    • Membandingkan 8 algoritma regresi: XGBoost Regressor, Gradient Boosting Regressor, Random Forest Regressor, Bayesian Ridge, Ridge L2, Support Vector Regressor (SVR), Decision Tree Regressor, dan KNN Regressor.
  5. Aplikasi Web Interaktif & RESTful API Modern:
    • Dibangun dengan Flask 3.0 dan Tailwind CSS bertema Precision Emerald & Slate, dilengkapi tab mode ganda (Klasifikasi Jam & Regresi Harian), tombol preset skenario instan, kartu diagnosis visual, dan REST API berformat JSON.

⭐ Fitur Utama Produk

  • Jupyter Notebook Riset Lengkap (28 Sel Terstruktur): Alur kerja data science menyeluruh dari audit dataset UCI 2.075.259 baris, resampling temporal, rekayasa fitur fisika, benchmark 16 model, visualisasi kurva aktual vs prediksi deret waktu, hingga persistensi model .joblib.
  • Akurasi Model Tertinggi di Kelasnya:
    • Model Klasifikasi (Gradient Boosting): Test Accuracy 98.28%, Weighted F1 98.28%, dan Macro F1 98.32%, bersaing ketat dengan XGBoost (98.25%) dan Random Forest (98.13%).
    • Model Regresi (XGBoost Regressor): Koefisien determinasi R² = 0.9085, MAE 1.92 kWh, RMSE 2.51 kWh, dan WAPE 8.33%, mengungguli 7 algoritma regresi lainnya.
  • Proyeksi Tagihan Listrik Bulanan Sangat Presisi: Akumulasi prediksi harian selama periode uji 10 bulan menghasilkan deviasi proyeksi bulanan dengan margin error sangat rendah (rata-rata 1 - 4%).
  • UI Dashboard Modern Bebas Emoji: Antarmuka bersih profesional menggunakan tipografi Google Fonts Plus Jakarta Sans, palet warna elegan Emerald-Slate (#10B981, #047857, #0F172A), slider interaktif, tab switching mulus, dan kartu hasil diagnostik pintar.
  • Dua Endpoint RESTful API Siap Integrasi:
    • POST /predict: Inferensi beban jam-jaman real-time + probabilitas + diagnostik kelistrikan.
    • POST /predict_daily: Estimasi kWh harian, proyeksi 7 hari & 30 hari, estimasi tagihan PLN (Rp), dan breakdown sub-metering AC/pemanas.
    • GET /api/metrics: Data benchmark lengkap performa 16 model untuk visualisasi dashboard.

Fitur Utama Project

Source Code Lengkap & Terstruktur (Clean Architecture)
Dokumentasi Teknis & Pembahasan Lengkap
Backend Service & RESTful API Siap Pakai
Antarmuka Web Modern, Responsif, & Interaktif
Training Notebook Pipeline & Dependency Setup
Pretrained Model Weights & Paket Berkas ZIP Lengkap

Arsitektur & Pipeline Sistem

Alur data interaktif dari input request hingga hasil pemrosesan sistem:

5 Tahap Pipeline
1 DATA INGESTION & RESAMPLING

2.075.259 Measurement Ingestion & Temporal Resampling

Ingesti dataset telemetri 47 bulan dari UCI ML Repository (2.075.259 baris pengukuran listrik per menit), audit integritas data, imputasi missing values via interpolasi temporal, dan agregasi data ke resolusi per jam (1h) untuk klasifikasi dan per hari (1D) untuk regresi.

UCI Power Dataset & Pandas Resample
2 FEATURE ENGINEERING

Electrical Physics & Time-Series Lags Formulation

Formulasi 32 fitur prediktif: time-lag historis (1h, 2h, 3h, 24h / 1d, 2d, 7d, 14d, 30d), statistik bergerak 6h-30d, encoding siklikal sinus-cosinus jam/hari/bulan, serta besaran fisika daya semu (kVA), faktor daya, rasio daya reaktif, deviasi tegangan 230V, dan rasio sub-metering.

Physics Formulation & Cyclical Encoding
3 TEMPORAL SPLITTING

Chronological Train-Test Split & StandardScaler

Pembagian data secara kronologis (80% train awal, 20% test akhir) tanpa pengacakan untuk mencegah lookahead data leakage deret waktu, serta penstandarisasian fitur menggunakan StandardScaler pada model yang sensitif skala.

Chronological Split & Data Integrity
4 DUAL-BENCHMARK

16-Algorithm Dual-Paradigm Benchmark & Selection

Pelatihan dan evaluasi komparatif 8 model klasifikasi per jam (Gradient Boosting unggul dengan akurasi 98.28% & Macro F1 98.32%) dan 8 model regresi energi harian (XGBoost Regressor unggul dengan R² 0.9085 & MAE 1.92 kWh), lalu memvalidasi kurva prediksi aktual vs estimasi.

Gradient Boosting & XGBoost Regressor
5 DEPLOYMENT

VoltPredict Web Dashboard & RESTful API Service

Deployment pipeline dual-model ke antarmuka web interaktif Flask 3.0 dan Tailwind CSS dengan mode ganda (Klasifikasi Jam & Regresi Energi Harian/Estimasi Tagihan PLN), tombol preset skenario, serta endpoint RESTful API `/predict` dan `/predict_daily`.

Flask 3.0 & Tailwind CSS SPA
Source Repository

Struktur Berkas & Repositori

Hierarki folder dan berkas yang disertakan dalam paket proyek ini:

10 Berkas Proyek 2 Folder Utama Paket ZIP 1.19 MB
smart_energy_hero.jpg 594.93 KB
index.html 90.1 KB
app.py 16.57 KB
best_daily_energy_regressor.joblib 120.29 KB
AI Model Pratinjau
best_household_power_model.joblib 658.76 KB
AI Model Pratinjau
link dataset.txt 87 B
Prediksi_Konsumsi_Listrik_Rumah_Tangga.ipynb 559.34 KB
Notebook Pratinjau
README.md 5.2 KB
markdown Pratinjau
requirements.txt 591 B

sistem-prediksi-pemakaian-listrik-machine-learning.zip

Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.

Beli untuk Unduh ZIP

Kebutuhan Sistem & Spesifikasi

Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:

Spesifikasi Rekomendasi
Sistem Operasi
Windows 10/11, macOS (Intel/Apple Silicon), Linux (Ubuntu 20.04+)

Cross-platform compatible

Runtime & Bahasa
Python 3.10 atau Python 3.11 (Direkomendasikan)

Lingkungan kerja teruji

Memori (RAM)
Min. 4 GB (Rekomendasi 8 GB untuk memproses dataset mentah 2 juta baris di notebook)

Optimal untuk running service

Penyimpanan
Min. 50 MB Free Storage untuk menjalankan web Flask dengan model .joblib; Min. 1 GB jika ingin menjalankan notebook dengan dataset mentah 132 MB

Untuk berkas & dependensi

Database & Layanan
Tidak memerlukan database SQL eksternal (Artefak model .joblib mandiri / self-contained)
Hardware / Catatan Khusus
Model .joblib sudah terlatih dan siap pakai sehingga server web Flask dapat langsung dijalankan tanpa perlu proses komputasi ulang dataset mentah. Latensi inferensi < 15 milidetik

Pertanyaan yang Sering Diajukan (FAQ)

Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:

Bagaimana cara mendapatkan source code setelah pembayaran?

Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.

Apakah ada panduan instalasi dan dokumentasi teknis?

Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.

Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?

Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.

Bagaimana jika saya mengalami kendala teknis saat instalasi?

Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.

Ulasan Pembeli

Ulasan terverifikasi dari pengguna yang telah membeli project ini.

5.0 (0)

Belum ada ulasan untuk project ini.

Harga Lisensi Source Code
Rp 350.000 / sekali bayar
Tayangan: 37 kali dilihat
Populer
Tonton Demo TikTok
Lihat
Beli Source Code Sekarang

Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.

Yang Anda Dapatkan:

  • Full Source Code Lengkap & Aset Project
  • Teknologi: Python, Flask, HTML, CSS
  • Panduan Instalasi & Konfigurasi Lingkungan
  • Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
  • Hak Lisensi Tugas Akhir, Skripsi & Komersial
  • Akses Unduhan Berkas ZIP & Code Explorer Langsung
Download link instan dan akses dokumentasi dikirim otomatis ke akun Anda.