Perpustakaan Digital ITB

Sektor residental memberikan kontribusi signifikan terhadap peningkatan konsumsi listrik, sehingga pemantauan beban menjadi sangat penting untuk efisiensi energi. Non-Intrusive Load Monitoring (NILM) memungkinkan estimasi konsumsi setiap peralatan dari satu sinyal agregat tanpa sub-meter. Namun, penerapannya dalam kondisi dunia nyata menghadapi tantangan karena heterogenitas karakteristik beban (Tipe I–IV), tumpang tindih operasi multi-beban, dan generalisasi yang terbatas di berbagai rumah. Sementara itu, sebagian besar studi hanya mempertimbangkan beberapa jenis beban dan mengevaluasi model hanya pada dataset publik, tanpa validasi pada data aktual. Studi ini mengusulkan arsitektur Multiscale CNN–GRU Hybrid (MCGH), yang menggabungkan ekstraksi fitur konvolusional multi-skala, pemodelan ketergantungan temporal dua arah dengan Gated Recurrent Units (GRU), dan mekanisme attention temporal. Pendekatan ini mampu merepresentasikan perilaku beban transien, steady-state, dan multi-state secara simultan. Model dievaluasi pada skenario intra-house dan cross-house menggunakan dataset REDD publik serta pada data actual residental. Dengan hasil disajikan sebagai rata-rata ± standar deviasi dari lima pengujian independen. Hasil penelitian menunjukkan bahwa MCGH mengungguli metode benchmark NILM, dengan pengurangan MAE hingga 30% dan RMSE 25–50% pada dataset publik, serta MAE 20–90% dan RMSE 15–80% pada data aktual residental. Peningkatan paling signifikan terlihat pada beban daya rendah dan transien seperti lampu dan kipas angin, sementara kinerja tetap stabil untuk beban daya tinggi dan multi-state seperti pemanas air dan stopkontak listrik. Skor F1 model mendekati 1 dan signifikansi statistiknya dikonfirmasi melalui uji t berpasangan (p < 0,05). Hasil ini menegaskan potensi kuat MCGH untuk diterapkan pada sistem NILM perumahan nyata dengan kondisi beban yang kompleks dan bervariasi.