<![CDATA[Penelitian ini menyajikan pendekatan unsupervised untuk mendeteksi pemborosan energi listrik rumah tangga dari fitur jendela waktu berbasis IoT menggunakan Autoencoder (AE). Pipeline meliputi imputasi median, normalisasi RobustScaler, pemisahan berbasis waktu (70/15/15), pelatihan AE dengan AdamW dan early stopping, serta ambang adaptif per-rumah dari persentil 99,5% error rekonstruksi. Evaluasi dilakukan pada dataset energi listrik (23.028 window; dua rumah, dua kanal) dengan fitur statistik tegangan, arus, daya, faktor daya (rata-rata/deviasi standar/p95), slope, dan transien. Grid search memilih AE dangkal (depth=1, width=128, bottleneck=16, dropout=0, ReLU, lr=1e-4, wd=1e-5). Pada test set (n=3.455), rerata error rekonstruksi sebesar 3,17×10?³. Dengan treshold per-rumah (homeA=0,0634, homeB=0,0859), sistem menandai ~0,52% window sebagai pemborosan/anomali, dengan insidensi lebih tinggi pada homeA (0,81%) dibanding homeB (0,23%). Atribusi error per-fitur menonjolkan metrik faktor daya serta slope/variabilitas tegangan, arus, dan daya, pola yang konsisten dengan beban tidak efisien atau switching mendadak. Metode ini siap dioperasikan pada ekosistem IoT dan memberikan indikator yang dapat ditafsirkan untuk tindakan penghematan tanpa memerlukan label.]]>
Copyrights © 2026
