PENGEMBANGAN DAN EVALUASI ARSITEKTUR SISTEM MANAJEMEN ENERGI TERINTEGRASI BERBASIS IOT, DEEP LEARNING (LSTM), DAN LARGE LANGUAGE MODELS

Prasetya, Dian (2025) PENGEMBANGAN DAN EVALUASI ARSITEKTUR SISTEM MANAJEMEN ENERGI TERINTEGRASI BERBASIS IOT, DEEP LEARNING (LSTM), DAN LARGE LANGUAGE MODELS. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (2MB)
	Text (BAB I) BAB I.pdf Download (222kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (447kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (478kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (131kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (708kB)
	Archive (SOURCE CODE) Sourcecode - 21.83.0712.zip Restricted to Repository staff only Download (1MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi arsitektur sistem manajemen energi cerdas yang mengintegrasikan teknologi Internet of Things (IoT), Deep Learning berbasis Long Short-Term Memory (LSTM), dan Large Language Models (LLM) menggunakan GPT-4 Turbo. Meningkatnya konsumsi energi di sektor rumah tangga dan minimnya sistem pemantauan terintegrasi yang adaptif menjadi latar belakang utama. Metode penelitian menggunakan pendekatan Research and Development (R&D) yang mencakup perancangan arsitektur, pengembangan komponen sistem (sensor IoT dengan ESP32-C3, server backend FastAPI, basis data InfluxDB, antarmuka Vue.js), integrasi model LSTM untuk prediksi konsumsi energi, dan implementasi LLM untuk interpretasi data serta pemberian rekomendasi. Dataset REFIT Electrical Load Measurements: Cleaned (House_1) digunakan untuk pelatihan model LSTM dengan pra-pemrosesan MinMax Scaler dan metrik evaluasi Mean Absolute Error (MAE). Kinerja komunikasi data real-time dievaluasi menggunakan protokol WebSocket dengan pengukuran latensi. Efektivitas LLM dalam memberikan insight diukur menggunakan Cosine Similarity antara keluaran LLM dan expected output. Hasil penelitian menunjukkan bahwa arsitektur yang diusulkan berhasil mengintegrasikan seluruh komponen secara fungsional. Komunikasi WebSocket menunjukkan kinerja yang responsif dengan latensi rata-rata 66,9 ms. Model LSTM mampu memprediksi konsumsi energi dengan MAE pada skala asli sebesar 15,90 Watt, dan MAE pada data IoT aktual sebesar 22,21 Watt. Integrasi LLM menunjukkan kemampuan yang baik dalam memberikan interpretasi data dengan skor Cosine Similarity rata-rata antara 0,6562 hingga 0,9690. Sistem ini diharapkan dapat memberikan kontribusi dalam pengembangan solusi manajemen energi yang lebih cerdas, adaptif, dan mudah dipahami oleh pengguna.

Actions (login required)

View Item