Penelitian ini bertujuan untuk memprediksi penggunaan daya listrik pada smart home dengan menggunakan metode XGBoost. Data yang digunakan diambil dari UCI Machine Learning Repository, dengan total 19.735 data yang dibagi menjadi data latih, validasi, dan uji. Model XGBoost menunjukkan kinerja dengan Root Mean Squared Error (RMSE) sebesar 85,25 kWh dan Mean Absolute Percentage Error (MAPE) sebesar 42,23%. Meskipun model mampu mengikuti pola konsumsi daya secara umum, terdapat deviasi yang signifikan, terutama saat terjadi lonjakan daya yang tidak terduga. Hasil penelitian ini menunjukkan bahwa model XGBoost dalam bentuknya saat ini belum optimal untuk aplikasi pengelolaan energi di smart home, dan diperlukan perbaikan lebih lanjut dalam aspek rekayasa fitur dan tuning hyperparameter.

This research aims to predict power usage in smart homes using the XGBoost method. The data was sourced from the UCI Machine Learning Repository, totaling 19,735 entries, which were divided into training, validation, and testing datasets. The XGBoost model demonstrated performance with a Root Mean Squared Error (RMSE) of 85.25 kWh and a Mean Absolute Percentage Error (MAPE) of 42.23%. Although the model could generally follow power consumption patterns, significant deviations occurred, particularly during unexpected power spikes. The findings indicate that the XGBoost model in its current form is not yet optimal for energy management applications in smart homes, and further improvements are needed in feature engineering and hyperparameter tuning.