EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC-SA 4.0

Optimalisasi Sistem Monitoring Dan Prediksi Konsumsi Energi Berbasis IoT Dan Deep Learning Untuk Smart Building Di Kota Palembang

Fadli, Tata Subari

JTekEL: Jurnal Teknik Elektro · 03.02.2026 · 2 (2) · 117-124

DOI: 10.35508/jtekel.v2i2.285 ↗

Kurz gefasst

Fachartikel in der Zeitschrift JTekEL: Jurnal Teknik Elektro, online erschienen am 03.02.2026. Verfasst von Fadli und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

The increase in urbanization and commercial infrastructure development in Palembang City drives a surge in electrical energy demand. Energy efficiency is crucial, yet conventional reactive building management systems often fail to anticipate waste. This research proposes an integrated Smart Building system combining Internet of Things (IoT) based on Node-RED for real-time monitoring and Deep Learning using Long Short-Term Memory (LSTM) algorithm to predict energy consumption. Simulation dataset was collected for 90 days at 5-minute intervals, covering electrical and environmental parameters. Experimental results show that the proposed LSTM model can predict electricity load 1 hour ahead with high accuracy, achieving Mean Absolute Error (MAE) of 0.78 kW and Root Mean Square Error (RMSE) of 1.05 kW, outperforming ARIMA baseline statistical method. Prediction-based control strategy simulation shows potential energy savings of 8-12% through peak shaving techniques on air conditioning and lighting systems. Abstrak Peningkatan urbanisasi dan pembangunan infrastruktur komersial di Kota Palembang mendorong lonjakan permintaan energi listrik. Efisiensi energi menjadi krusial, namun sistem manajemen gedung konvensional yang bersifat reaktif seringkali gagal mengantisipasi pemborosan. Penelitian ini mengusulkan sistem Smart Building terintegrasi yang menggabungkan Internet of Things (IoT) berbasis Node-RED untuk monitoring real-time dan Deep Learning menggunakan algoritma Long Short-Term Memory (LSTM) untuk memprediksi konsumsi energi. Dataset simulasi dikumpulkan selama 90 hari dengan interval 5 menit, mencakup parameter kelistrikan dan lingkungan. Hasil eksperimen menunjukkan bahwa model LSTM yang diusulkan mampu memprediksi beban listrik 1 jam ke depan dengan akurasi tinggi, menghasilkan Mean Absolute Error (MAE) sebesar 0.78 kW dan Root Mean Square Error (RMSE) sebesar 1.05 kW, mengungguli metode statistik baseline ARIMA. Simulasi strategi kontrol berbasis prediksi menunjukkan potensi penghematan energi sebesar 8-12% melalui teknik peak shaving pada sistem tata udara dan pencahayaan.

Zitieren

APA

Fadli, & Subari, T. (2026). Optimalisasi Sistem Monitoring Dan Prediksi Konsumsi Energi Berbasis IoT Dan Deep Learning Untuk Smart Building Di Kota Palembang. JTekEL: Jurnal Teknik Elektro, 2(2), 117-124. https://doi.org/10.35508/jtekel.v2i2.285

Vancouver

Fadli, Subari T. Optimalisasi Sistem Monitoring Dan Prediksi Konsumsi Energi Berbasis IoT Dan Deep Learning Untuk Smart Building Di Kota Palembang. JTekEL: Jurnal Teknik Elektro. 2026;2(2):117-124. doi:10.35508/jtekel.v2i2.285

BibTeX
@article{Fadli2026,
  author = {Fadli and Subari, Tata},
  title = {Optimalisasi Sistem Monitoring Dan Prediksi Konsumsi Energi Berbasis IoT Dan Deep Learning Untuk Smart Building Di Kota Palembang},
  journal = {JTekEL: Jurnal Teknik Elektro},
  year = {2026},
  volume = {2},
  number = {2},
  pages = {117--124},
  doi = {10.35508/jtekel.v2i2.285}
}
Kostenlos starten →