Sistem Prediksi Pemakaian dan Estimasi Biaya Listrik Rumah Tangga Berbasis Machine Learning
Demo & Pengujian Sistem: Sistem Prediksi Pemakaian dan Estimasi Biaya Listrik Rumah Tangga Berbasis Machine Learning
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:
- 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.
- 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.
- 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.
- 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):
- 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).
- 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.
- 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).
- 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.
- 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
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
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.
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.
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.
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.
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`.
Struktur Berkas & Repositori
Hierarki folder dan berkas yang disertakan dalam paket proyek ini:
sistem-prediksi-pemakaian-listrik-machine-learning.zip
Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.
Dokumentasi Teknis
Tersedia dokumentasi teknis komprehensif untuk project ini:
Kebutuhan Sistem & Spesifikasi
Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:
Cross-platform compatible
Lingkungan kerja teruji
Optimal untuk running service
Untuk berkas & dependensi
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.
Belum ada ulasan untuk project ini.
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