Penerapan Algoritma Machine Learning Untuk Prediksi dan Deteksi Anomali Komsumsi Listrik Pada Rumah Tangga

Peningkatan konsumsi listrik pada sektor rumah tangga menuntut adanya upaya efisiensi energi yang dapat dicapai melalui pemahaman pola pemakaian dan deteksi anomali menggunakan pendekatan unsupervised deep learning dengan arsitektur Hybrid CNN-LSTM Autoencoder berbasis residual error. Penelitian ini memanfaatkan data sekunder historis berbentuk deret waktu (time series) yang diproses melalui normalisasi StandardScaler dan transformasi sliding window sebesar 12 time steps, di mana kejadian tidak wajar dideteksi ketika deviasi Maximum Mean Absolute Error (MAE) melampaui ambang batas peringatan (threshold) pada persentil ke-98 dari distribusi validasi. Hasil pengujian menunjukkan bahwa model sangat presisi dalam merekonstruksi data operasional wajar dengan tingkat akurasi keseluruhan mencapai 96% serta metrik precision 1.00 pada kelas normal. Akan tetapi, pada pengenalan kelas anomali, model mengalami fenomena over-generalization yang mengakibatkan sensitivitas tidak proporsional, di mana model memicu 75 alarm palsu (False Positives) akibat fluktuasi beban harian wajar dan luput mendeteksi 3 kejadian anomali struktural aktual (recall anomali sebesar 0.00). Oleh karena itu, dapat disimpulkan bahwa meskipun algoritma ini sangat tangguh dalam memodelkan normalitas sistem kelistrikan, pendekatan ini masih memerlukan optimalisasi fungsi kerugian (loss function) lebih lanjut untuk meningkatkan sensitivitas deteksi pada kondisi anomali ekstrem yang merupakan kelas minoritas