Ultra Power Forecast
Beranda Identitas Latar Belakang Tujuan Alur Prediksi Mulai
Random Forest + Residual Modeling | Prediksi 7 Hari dan 30 Hari

Machine Learning untuk Prediksi Konsumsi Listrik

Model ini memproyeksikan total kWh dan estimasi biaya listrik dengan pipeline yang menjaga kualitas data, sehingga hasil lebih stabil untuk perencanaan 1 sampai 4 minggu ke depan.

Mulai Prediksi Lihat Alur Prediksi
Identitas

Identitas Proyek

Informasi resmi mengenai proyek, tim, dan pembimbing.
  • ULTRA POWER FORECAST
  • Prediksi kWh & Biaya Listrik 7 Hari dan 30 Hari (Random Forest)
  • Machine Learning for IoT - TA 2025/2026
  • Kelompok: Ferly Ardiansyah, Fazan Najmal, Rizky Pandai Nasution
  • Dosen/PLP: Memen Akbar S.Si., M.T.; Prengki Ardiansyah, S.Tr.Kom.
Latar Belakang

Masalah dan kebutuhan di balik proyek

Gambaran singkat mengenai alasan dan urgensi prediksi konsumsi listrik.

Latar Belakang

  • Konsumsi listrik rumah/kos berubah-ubah karena kebiasaan penghuni dan perangkat elektronik.
  • Tagihan sulit diprediksi, sehingga perencanaan anggaran kurang terkontrol dan berpotensi boros.
  • Keputusan penghematan sering dilakukan setelah tagihan keluar (terlambat).

Rumusan Masalah

  • Bagaimana menerapkan Random Forest Regression pada data historis konsumsi listrik?
  • Bagaimana memprediksi total kWh untuk horizon 7 hari dan 30 hari ke depan?
  • Bagaimana mengonversi prediksi kWh menjadi estimasi biaya (Rp/kWh)?
  • Bagaimana menyajikannya dalam sistem berbasis web (input dan visualisasi)?
Tujuan

Target yang ingin dicapai

Tujuan utama pengembangan model dan aplikasi prediksi.

Tujuan

  • Membangun model ML untuk memprediksi konsumsi energi listrik rumah tangga (kWh).
  • Menghasilkan prediksi total kWh untuk 7 hari dan 30 hari ke depan.
  • Menghitung estimasi biaya listrik berdasarkan tarif (Rp/kWh).
  • Menyediakan aplikasi web untuk input data dan visualisasi hasil prediksi.

Manfaat

  • Monitoring konsumsi listrik lebih proaktif (berbasis data, bukan reaktif).
  • Perencanaan anggaran listrik lebih terukur (proyeksi biaya).
  • Mendukung keputusan penghematan: jadwal perangkat berdaya tinggi, deteksi tren kenaikan.
  • Referensi akademik penerapan RF dan feature engineering time-series.
Dataset

Ringkasan dataset dan kolom yang digunakan

Penjelasan sumber data, kolom mentah, kolom terpakai, dan hasil preprocessing.
Proposal Projek IoT

Dataset apa?

Proyek ini memakai dataset "Household Power Consumption" (Kaggle) yang berisi pengukuran konsumsi listrik rumah tangga dengan sampling per menit, lalu diproses menjadi agregasi harian (kWh).

Proposal Projek IoT

Kolom dataset (raw)

  • Date
  • Time
  • Global_active_power
  • Global_reactive_power
  • Voltage
  • Global_intensity
  • Sub_metering_1
  • Sub_metering_2
  • Sub_metering_3

Di tahap ETL, kolom Date + Time digabung menjadi datetime.

Preview Dataset
Ilustrasi ringkasan dataset
Ilustrasi ringkasan dataset (raw) sebelum preprocessing.
Proposal Projek IoT

Apakah semua kolom dipakai?

Tidak. Sesuai batasan proyek, variabel utama untuk prediksi adalah Global_active_power yang diolah menjadi kWh, sementara kolom lain bersifat opsional atau pendukung.

Proposal Projek IoT

Kolom yang dipakai (inti)

  • Global_active_power -> dipakai untuk menghitung energi (kWh) dan menjadi sumber fitur utama.
  • Voltage, Global_intensity -> dipakai sebagai statistik pendukung pada level harian (misalnya rata-rata tegangan dan intensitas).
Proposal Projek IoT

Kolom yang tidak wajib / tidak dipakai penuh pada fitur akhir

  • Global_reactive_power, Sub_metering_1/2/3 -> kolom opsional atau pendukung (bukan inti).
Proposal Projek IoT

Kolom turunan: Hasil agregasi harian

  • datetime (gabungan Date + Time).
  • energy_kwh_minute = Global_active_power/60.
  • daily_kwh (total kWh harian).
  • Statistik harian: cnt_minutes, rata-rata/maks daya, rata-rata tegangan, rata-rata intensitas.
  • coverage = cnt_minutes/1440 (kelengkapan data harian).
  • daily_kwh_adj (kWh harian yang disesuaikan coverage + winsorize/outlier clip).
Proposal Projek IoT

Kolom turunan: Target (label) training

  • y_7d_kwh = total daily_kwh_adj untuk 7 hari ke depan.
  • y_30d_kwh = total daily_kwh_adj untuk 30 hari ke depan.
Proposal Projek IoT

Kolom turunan: Fitur time-series (tabular)

  • Fitur kalender: dayofweek, month, day, weekofyear, is_weekend.
  • Sin/Cos musiman, tren (diff_1, pct_change_1), lag, rolling stats, dan EWMA.
  • Baseline naive: baseline_7d_kwh dan baseline_30d_kwh sebagai pembanding atau evaluasi.
Tahapan Machine Learning

Tahapan Machine Learning yang digunakan

Ringkasan proses dari ETL sampai pembagian data untuk training dan evaluasi.
Proposal Projek IoT

1) ETL - Load & Cleaning data mentah

  • Membaca dataset, mendeteksi nilai hilang, lalu menggabungkan Date + Time menjadi datetime.
  • Mengonversi kolom listrik menjadi numerik (invalid -> NaN) dan menghapus baris yang tidak memiliki datetime atau Global_active_power.
Proposal Projek IoT

2) EDA - Eksplorasi awal (raw)

  • Cek shape, duplikasi, missing-rate, statistik deskriptif, dan histogram Global_active_power (sampling) untuk melihat distribusi dan outlier.
Proposal Projek IoT

3) Agregasi harian + Coverage-aware Fix

  • Konversi ke energi per menit Global_active_power/60, lalu resample harian untuk dapat daily_kwh dan statistik pendukung.
  • Hitung coverage = cnt_minutes/1440, drop hari yang coverage rendah, dan scaling daily_kwh_adj agar hari yang datanya belum penuh tidak bias.
  • Outlier dikendalikan dengan clip/winsorize pada daily_kwh_adj.
Proposal Projek IoT

4) EDA - Level harian

  • Membandingkan grafik daily_kwh vs daily_kwh_adj, histogram coverage, dan statistik deskriptif untuk memastikan koreksi coverage tidak merusak pola.
Proposal Projek IoT

5) Target Engineering (label 7 hari & 30 hari)

  • Menghitung target total konsumsi masa depan dengan future_sum() dan menyimpannya sebagai y_7d_kwh dan y_30d_kwh.
Proposal Projek IoT

6) Feature Engineering (fitur tabular untuk RF)

  • Membuat fitur kalender + sin/cos musiman + tren + lag + rolling stats + EWMA.
  • Menyusun baseline naive baseline_7d_kwh & baseline_30d_kwh untuk pembanding.
Proposal Projek IoT

7) Split data (Train / Validation / Test)

  • Data dibagi urut waktu (time-based split) agar tidak terjadi data leakage.
  • Dari notebook Anda (setelah preprocessing & drop NaN akibat fitur lag/rolling), jumlah data modeling = 665 baris (hari).
Proposal Projek IoT

Detail jumlah data modeling

  • Train = 465
  • Validation = 100
  • Test = 100
Model ML

Model ML yang digunakan + step-by-step + akurasi

Ringkasan model, alur training, dan hasil evaluasi pada test set.
Proposal Projek IoT

Ringkasan model

  • Algoritma utama: Random Forest Regression.
  • Prediksi dilakukan untuk horizon 7 hari dan 30 hari dalam bentuk total kWh.
Proposal Projek IoT

Metrik evaluasi yang digunakan

  • Evaluasi memakai metrik regresi: MAE, RMSE, MAPE, dan WAPE.
  • WAPE lebih stabil untuk target total akumulasi seperti 7 hari/30 hari.
Proposal Projek IoT

A) Model 30 Hari - Random Forest (Direct Forecasting)

  • Input X = kumpulan fitur harian (hasil feature engineering).
  • Target y = y_30d_kwh (total kWh 30 hari ke depan).
  • Latih RandomForestRegressor pada data train.
  • (Opsional) tuning hyperparameter dengan TimeSeriesSplit + RandomizedSearchCV.
  • Prediksi pada val dan test; nilai negatif di-clip menjadi 0 agar realistis.
Proposal Projek IoT

Akurasi / hasil evaluasi (Test set)

  • Baseline 30D: WAPE 28.251276% -> akurasi (100 - WAPE) 71.748724%.
  • Model RF direct 30D: WAPE 7.522477% -> akurasi 92.477523%.
Proposal Projek IoT

B) Model 7 Hari - Baseline + Random Forest Residual

  • Hitung baseline 7 hari (baseline_7d_kwh) dari data historis (rolling 7 hari).
  • Hitung residual: res7 = y7 - baseline_7d.
  • Latih RandomForestRegressor untuk memprediksi residual.
  • (Opsional) tuning residual model dengan TimeSeriesSplit + RandomizedSearchCV.
  • Cari alpha terbaik di validation untuk menggabungkan baseline + koreksi.
  • Prediksi final: pred_7d = baseline_7d + alpha x pred_residual.
  • Gunakan alpha terbaik untuk prediksi final di test.
Proposal Projek IoT

Alpha terbaik & akurasi (Test set)

  • Alpha terbaik dipilih dari validation untuk meminimalkan error.
  • Hasil run pada laporan: best_alpha = 0.65.
  • Baseline 7D: WAPE 19.468689% -> akurasi 80.531311%.
  • Model 7D (baseline + RF residual, alpha=0.65): WAPE 17.878423% -> akurasi 82.121577%.
Alur Prediksi

Dari CSV sampai estimasi biaya

Setiap langkah dibuat transparan agar kamu paham bagaimana angka prediksi dihasilkan.
Langkah 1

Parsing dan Validasi

  • CSV dibaca, nilai kosong dibersihkan, dan tipe data dikonversi.
  • Kolom wajib dicek untuk mencegah prediksi salah format.
  • Datetime digabung agar bisa agregasi harian.
Langkah 2

Agregasi Harian

  • Data per menit dijumlahkan menjadi kWh harian.
  • Coverage dihitung untuk mengukur kelengkapan data.
  • Hari yang terlalu bolong otomatis disaring.
Langkah 3

Feature Engineering

  • Musiman ditangkap lewat fitur kalender dan sin-cos.
  • Momentum dan tren dihitung dengan lag dan rolling window.
  • Fitur baseline digunakan sebagai jangkar prediksi 7 hari.
Langkah 4

Prediksi dan Insight

  • RF 30 hari memberi prediksi total konsumsi 1 bulan.
  • RF residual mengoreksi baseline 7 hari agar lebih adaptif.
  • Hasil dihitung ke biaya dan dibandingkan dengan data terbaru.