Studi ini menyajikan pengembangan dan evaluasi model Long Short-Term Memory (LSTM) untuk menganalisis pola konsumsi listrik dalam kWh. Model yang dirancang menggunakan arsitektur sekuensial ini mencakup beberapa lapisan Bidirectional LSTM, BatchNormalization, dan Dropout untuk menangkap pola yang bergantung pada waktu secara efektif dan mencegah overfitting. Performa model dievaluasi menggunakan metrik seperti Loss dan Root Mean Squared Error (RMSE), yang menunjukkan tingkat kesalahan rendah pada data validasi, yang menunjukkan kemampuan model untuk digeneralisasi ke data baru. Analisis pola prediktif dari Januari 2023 hingga Juni 2024 menunjukkan bahwa model tersebut mengikuti tren penggunaan kWh aktual dengan sedikit penyimpangan. Meskipun terdapat penyimpangan ini, analisis pola model tetap kuat, menawarkan alat yang andal untuk memperkirakan konsumsi listrik di stasiun pengisian daya umum. Studi ini diakhiri dengan rekomendasi untuk pengoptimalan model lebih lanjut dan integrasi faktor eksternal tambahan untuk meningkatkan akurasi analisis pola.

This study presents the development and evaluation of a Long Short-Term Memory (LSTM) model for analyzing electricity consumption patterns in kWh. The designed model utilizes a sequential architecture that includes several Bidirectional LSTM layers, BatchNormalization, and Dropout to effectively capture time-dependent patterns and prevent overfitting. The model's performance is evaluated using metrics such as Loss and Root Mean Squared Error (RMSE), indicating low error rates on validation data and demonstrating the model's ability to generalize to new data. Predictive pattern analysis from January 2023 to June 2024 shows that the model closely follows actual kWh usage trends with minimal deviation. Despite some discrepancies, the model's pattern analysis remains robust, offering a reliable tool for forecasting electricity consumption at public electric vehicle charging stations. The study concludes with recommendations for further model optimization and the integration of additional external factors to enhance pattern analysis accuracy.