Implementasi Sistem Embedded Machine Learning Berbasis ESP32-S3 Untuk Prediksi Konsumsi Energi Listrik Rumah Tangga
Tahun 2026 · Penulis: Agrippin Parhabistma Khairada
Faculty of Engineering, Universitas Jember
Tautan: https://repository.unej.ac.id/handle/123456789/13571
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Prediksi konsumsi energi listrik rumah tangga menjadi salah satu upaya yang dapat mendukung pengelolaan penggunaan energi secara lebih efisien. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan model Multilayer Perceptron (MLP) dan Long Short-Term Memory (LSTM) dalam memprediksi konsumsi energi listrik rumah tangga serta menganalisis kelayakan implementasi kedua model pada mikrokontroler ESP32-S3. Data yang digunakan adalah data konsumsi energi listrik selama 60 hari dengan interval per jam, diproses menggunakan sliding window 24 timestep, lalu dilatih pada Google Colab. Model kemudian dikonversi ke TensorFlow Lite dan diimplementasikan pada ESP32-S3 yang terintegrasi dengan sensor PZEM-004T dan notifikasi Telegram. Hasil pengujian menunjukkan model MLP menghasilkan rata-rata eror 1,2% dengan koefisien variatif 57,94%, sedangkan LSTM menghasilkan rata-rata eror 27% % dengan koefisien variatif 87,60% %, yang berarti MLP lebih akurat sedangkan LSTM tidak memiliki keunggulan pada penelitian ini. Dari sisi sumber daya pada ESP32-S3, MLP lebih efisien dengan ukuran model 114 KB, RAM 81 KB, dibandingkan LSTM dengan ukuran model 491 KB, RAM 138 KB. Secara keseluruhan, model MLP terbukti lebih layak diimplementasikan pada perangkat embedded dengan keterbatasan sumber daya seperti ESP32-S3, sedangkan performa LSTM yang kurang optimal pada penelitian ini diduga dipengaruhi oleh keterbatasan jumlah dan variasi data pelatihan dalam menangkap pola konsumsi energi yang fluktuatif
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,846
Tahun 2026 · Penulis: Alejandra Rehagel
Optimasi Model Machine Learning Klasik Menggunakan Post-Training Quantization untuk Intrusion Detection System pada Mikrokontroler ESP32 (ESP-EYE) dengan Dataset RT-IoT2022
Perkembangan Internet of Things (IoT) meningkatkan kebutuhan terhadap sistem deteksi intrusi yang mampu bekerja secara efisien pada perangkat dengan sumber daya terbatas, seperti mikrokontroler ESP32. Penelitian ini bertujuan untuk menganalisis pengaruh Post-T
- Cosine 0,777
Tahun 2026 · Penulis: Kharisma Kurnia Wulandari
Hybrid Particle Swarm Optimization dan Multi-Layer Perceptron dalam Klasifikasi Biner
Perkembangan pembelajaran mesin telah mendorong penggunaan metode klasifikasi yang mampu menghasilkan prediksi akurat pada pola data yang kompleks. Multi-Layer Perceptron (MLP) adalah salah satu model yang digunakan secara luas karena kemampuannya untuk memper
- Cosine 0,772
Tahun 2025 · Penulis: Marcel Sintia Bela
Prediksi Cacat Perangkat Lunak Menggunakan Bi-LSTM dengan Teknik Oversampling SMOTE dan Representasi AST
Cacat perangkat lunak merupakan salah satu permasalahan utama dalam pengembangan sistem yang andal dan berkualitas tinggi. Ketidakseimbangan data, yakni jumlah modul tidak cacat yang jauh lebih banyak dibandingkan modul cacat, menjadi tantangan signifikan dala