Perpustakaan Digital ITB

Konsumsi energi listrik bangunan yang tinggi dan proyeksi peningkatan kebutuhan energi global mendorong pentingnya pengembangan sistem prediksi konsumsi yang akurat dan adaptif. Penelitian ini dilakukan sebagai upaya untuk menjawab tantangan tersebut dengan merancang dan mengevaluasi model prediksi spatio-temporal konsumsi energi listrik di kawasan ITB Ganesha, menggunakan data per jam dari Sistem Informasi Energi Listrik dan Air (ELISA) ITB yang berbasis Internet of Things (IoT). Keunggulan utama pendekatan ini terletak pada rekayasa fitur spasial yang secara kuantitatif menangkap pengaruh konsumsi energi dari bangunan-bangunan sekitar, kemudian diintegrasikan ke dalam algoritma Light Gradient Boosting Machine (LightGBM). Kinerja model spatio-temporal dibandingkan secara langsung dengan model baseline yang hanya mempertimbangkan dimensi temporal, pada berbagai horizon prediksi. Hasil evaluasi menunjukkan bahwa model spatio-temporal secara konsisten memberikan performa prediktif yang lebih unggul, dengan nilai koefisien determinasi R² mencapai 0,957. Peningkatan akurasi paling signifikan tercatat pada horizon prediksi jangka panjang (720 jam), di mana model spatio-temporal berhasil menurunkan nilai Mean Absolute Error (MAE) sebesar 2,3% dibandingkan model temporal. Analisis kontribusi fitur juga menunjukkan bahwa variabel konsumsi energi dari bangunan tetangga merupakan salah satu prediktor paling berpengaruh. Lebih lanjut, analisis per bangunan menunjukkan bahwa mayoritas gedung (22 dari 40) mengalami peningkatan akurasi prediksi, delapan gedung menunjukkan hasil netral, dan hanya empat gedung mengalami penurunan. Temuan ini menegaskan bahwa pendekatan spatio-temporal merupakan metode yang efektif untuk prediksi konsumsi energi, khususnya pada horizon jangka panjang, serta pentingnya mempertimbangkan karakteristik unik setiap bangunan dalam merancang strategi manajemen energi yang kontekstual, proaktif, dan efisien.