Pengembangan Model Prediksi Konsumsi Energi Listrik pada Smart Greenhouse Melon Menggunakan Multivariate Long Short-Term Memory
DOI:
https://doi.org/10.30865/jurikom.v13i4.10027Keywords:
- Forecasting, Hyperparameter Optimization, smart greenhouse, Multivariate LSTM, Konsumsi EnergiAbstract
Efisiensi energi listrik merupakan salah satu faktor penting dalam smart greenhouse. Pemakaian perangkat listrik berpengaruh pada biaya operasional greenhouse. Pada smart greenhouse hidroponik melon menggunakan berbagai perangkat otomatisasi seperti exhaust fan, humidifier dan sistem IoT. Perangkat tersebut beroperasi sesuai kebutuhan tanaman dan kondisi mikroklimat ruangan. Penggunaan sensor IoT menyebabkan pola konsumsi listrik yang bersifat dinamis dan berubah mengikuti kondisi lingkungan. Penelitian ini bertujuan mengembangkan model prediksi konsumsi energi listrik pada smart greenhouse hidroponik Melon berbasis Internet of Things menggunakan algoritma Multivariate Long Short-Term Memory (LSTM). Parameter iklim mikro yang digunakan berupa temperatur dan kelembapan sebagai variabel prediktor. Data konsumsi energi listrik beserta parameter iklim mikro direkam setiap satu jam selama periode Agustus hingga Oktober 2025 sehingga diperoleh sebanyak 1.560 data deret waktu (time-series). Tahapan penelitian meliputi akuisisi data, praproses, optimasi hyperparameter LSTM menggunakan beberapa skenario konfigurasi (lookback window, rasio data latih-uji, jumlah layer, dan jumlah neuron), serta evaluasi model menggunakan RMSE dan koefisien determinasi (R2). Hasil penelitian menunjukkan bahwa Konfigurasi terbaik diperoleh pada model stacked Multivariate LSTM dengan lookback window 24 jam, rasio data latih 80%, dua lapisan LSTM, dan 32 neuron mampu memprediksi pola konsumsi energi listrik dengan tingkat kesalahan yang rendah. Model terbaik ini menghasilkan nilai MSE sebesar 0,00033 dan RMSE sebesar 0,0182 kWh dengan koefisien determinasi sebesar 91,68%. Hasil tersebut menunjukkan bahwa model yang dikembangkan memiliki potensi untuk mendukung perencanaan kebutuhan energi dan pengambilan keputusan dalam pengelolaan energi pada smart greenhouse berbasis IoT.
References
[1] Raodatul Putri, “Pemanfaatan Teknologi Pertanian Presisi untuk Meningkatkan Produktivitas Padi dan Efisiensi Penggunaan Air di Lahan Irigasi Kabupaten Dompu,” ARMADA J. Penelit. Multidisiplin, vol. 2, no. 6, pp. 389–394, 2024.
[2] L. Hovi, Kaseva, and T. J., & Hyypiä, “Controlled environment agriculture for sustainable tomato production—A Review,” Agronomy, vol. 10, no. 6, p. 841, 2020.
[3] R. Dwityaningsih, S. S. Ningrum, H. Widianto, and N. L. Kumara, “Penerapan Smart Greenhouse pada Sistem Hidroponik " Melon Gadis " Kampung KB GADIS Tegalreja Cilacap Selatan,” E-DIMAS J. Pengabdi. Kpd. Masy., vol. 17, no. 1, pp. 78–84, 2026, doi: https://doi.org/10.26877/e-dimas.v17i1.25020.
[4] M. S. Farooq, Z. Atal, R. Javid, and S. Riaz, “IoT Based Smart Greenhouse Framework and Control Strategies for Sustainable Agriculture,” IEEE Access, vol. 10, no. August, pp. 99394–99420, 2022, doi: 10.1109/ACCESS.2022.3204066.
[5] K. Muhammad, W. Hidayat, M. Ghozi, and A. Faris, “IoT - Based Electrical Power Consumption Monitoring System in Households Using ESP32 and PZEM - 004T,” Brill. Res. Artif. Intell., vol. 5, no. 2, pp. 1077–1081, 2025, doi: https://doi.org/10.47709/brilliance.v5i2.6368 IoT-Based.
[6] H. J. F. Fukuyo et al., “Solar-Powered, Internet-of-Things-based Smart Greenhouse with Adaptive Environment Control for Sustainable Agriculture Nursery,” in 2024 IEEE 52nd Photovoltaic Specialist Conference (PVSC), 2024, pp. 526–532, doi: 10.1109/PVSC57443.2024.10749686.
[7] D. Durand and J. Aguilar, “An Analysis of the Energy Consumption Forecasting Problem in Smart Buildings Using LSTM,” Sustainability, vol. 14, 2022, doi: https://doi.org/10.3390/su142013358.
[8] N. Selle, N. Yudistira, C. Dewi, and U. Brawijaya, “PERBANDINGAN PREDIKSI PENGGUNAAN LISTRIK DENGAN MENGGUNAKAN METODE LONG SHORT TERM MEMORY ( LSTM ) DAN RECURRENT NEURAL NETWORK ( RNN ) COMPARISON OF PREDICTING ELECTRICITY CONSUMPTION USING LONG SHORT TERM MEMORY ( LSTM ) AND RECURRENT NEURAL NETWORK ( R,” J. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 1, pp. 155–162, 2022, doi: 10.25126/jtiik.202295585.
[9] F. Dakheel and M. Çevik, “Electric Load Forecasting and Management in Smart Grids Using Optimized Long Short-Term Memory Network : A Real-World Evaluation,” pp. 371–383, 2025.
[10] F. Succetti, A. Rosato, R. Araneo, and M. Panella, “Deep Neural Networks for Multivariate Prediction of Photovoltaic Power Time Series,” IEEE Access, vol. 8, pp. 211490–211505, 2020, doi: 10.1109/ACCESS.2020.3039733.
[11] G. Airlangga, “Evaluation of Ensemble and Hybrid Models for Predicting Household Energy Consumption : A Comparative Study of Machine Learning Approaches,” vol. 8, no. 1, pp. 94–101, 2025.
[12] C. Maraveas, D. Loukatos, T. Bartzanas, K. G. Arvanitis, and J. F. Uijterwaal, “Smart and Solar Greenhouse Covers: Recent Developments and Future Perspectives,” Front. Energy Res., vol. 9, no. November, pp. 1–23, 2021, doi: 10.3389/fenrg.2021.783587.
[13] A. K. Chowdhury, “Smart Renewable Energy Integration for Precision Agriculture in Off-Grid Areas,” vol. 2025, pp. 0–5, 2025.
[14] K. Fadli and U. T. Kartini, “Peramalan Daya Listrik Jangka Sangat Pendek pada Pembangkit Fotovoltaik ( PV ) Menggunakan Metode Deep Learning-Long Short Term Memory ( LSTM ),” J. Tek. Elektro, vol. 12, no. 1, pp. 54–59, 2023.
[15] Suwarjono, A. Afriza, and Y. Safari, “Smart energy monitoring: sistem pemantauan listrik cerdas berbasis iot dan machine learning dengan personalized notification melalui arsitektur hybrid di lingkungan pendidikan,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 10, no. 3, pp. 2847–2856, 2025, doi: https://doi.org/10.29100/jipi.v10i3.9189.
[16] P. Nitnaware and M. N. Jagtap, “Enhancing Hydroponics Efficiency Using Iot-Based Automated Monitoring And Sustainable Crop Production System,” vol. 11, no. 17, pp. 1688–1700, 2025.
[17] A. Riansyah, M. Sagaf, and M. Ismail, “Penerapan Teknologi Smart Greenhouse Berbasis Photovoltaic dan IoT pada Budidaya Sayuran Hidroponik di Desa Pekalongan Jepara,” Abdimas Univers., vol. 5, no. 2, pp. 284–288, 2023, doi: 10.36277/abdimasuniversal.v5i2.342.
[18] T. Li, M. Hua, and X. U. Wu, “A Hybrid CNN-LSTM Model for Forecasting,” IEEE Access, pp. 26933–26940, 2020.
[19] Subairi, A. Puspita Sari, and E. Prakarsa Mandyartha, “Optimasi Hyperparameter Model GRU untuk Prediksi Harga Saham ANTM,” Ilk. J. Comput. Sci. Appl. Informatics E, vol. 7, no. 3, pp. 484–494, 2025, [Online]. Available: http://journal.unublitar.ac.id/ilkomnika.
[20] X. Ma, Z. Tao, Y. Wang, H. Yu, and Y. Wang, “Long short-term memory neural network for traffic speed prediction using remote microwave sensor data,” Transp. Res. Part C Emerg. Technol., vol. 54, pp. 187–197, 2015, doi: https://doi.org/10.1016/j.trc.2015.03.014.
