Penelitian ini bertujuan untuk meningkatkan pemantauan dan membaca pola konsumsi energi listrik di industri dengan menggunakan teknologi Internet of Things (IoT) untuk memantau data secara real-time. Masalah utama yang diidentifikasi adalah ketidakmampuan metode tradisional dalam menyediakan data yang akurat dan real-time. Untuk mengatasi masalah ini, system pemantau ini dengan alat menggunakan PLC gateway dan Modul Sentron PAC3200 dengan protokol MQTT dapat memantau tegangan 3 fase, daya 3 fase, arus 3 fase, frekuensi, faktor daya, dan konsumsi energi secara real time. Data yang terkumpul disimpan ke dalam database SQL dan diekspor ke format Excel untuk analisis lebih lanjut. Penelitian ini juga melibatkan prediksi konsumsi energi menggunakan model Long Short-Term Memory (LSTM) setelah data direkam selama 10 hari di sebuah pabrik. Hasil pengujian menunjukkan bahwa sistem yang dirancang dapat memantau dan merekam data dengan efektif, dan hasil Mean Squared Error (MSE) yang tinggi 154.30 dan test MSE 96137.36 pada prediksi model LSTM menunjukkan performa yang sangat baik dan cocok untuk data pelatihan.

This research aims to enhance the monitoring and pattern recognition of electricity consumption in industries by utilizing Internet of Things (IoT) technology for real-time data monitoring. The primary issue identified is the inability of traditional methods to provide accurate and real-time data. To address this issue, the monitoring system employs a PLC gateway and Sentron PAC3200 module with MQTT protocol to monitor three phase voltage, three-phase power, three-phase current, frequency, power factor, and energy consumption in real-time. The collected data is stored in a SQL database and exported to Excel format for further analysis. The research also involves predicting energy consumption using the Long Short-Term Memory (LSTM) model after recording data for 10 days in a factory. Test results indicate that the designed system effectively monitors and records data, and the high Mean Squared Error (MSE) of 154.30 and a test MSE of 96137.36 the LSTM model predictions demonstrates excellent performance and suitability for the training data.