Perancangan alat ini yaitu berupa sebuah sistem monitoring dan prediksi penggunaan energy listrik rumah tangga berbasis system tertanam menggunakan metode naïve bayes. Sistem kerja alat ini menggunakan sensor PZEM004T untuk membaca tegangan dan arus dan NodeMCU ESP8266 bekerja seperti mikrokontroler yang sudah dilengkapi WiFi esp8266. Setiap parameter yang diukur dapa menjelaskan aliran masukan hingga keluaran yang nantinya dikirim ke Arduino Uno untuk dikonversi menjadi nilai digital. Hasil akhir proses pengolahan yaitu berupa keluaran pada display LCD dan smartphone. Selanjunya esp8266 akan mengirim data ke internet melalui hotspot internet. Dengan demikian proses monitorting dan prediksi penggunaan energy listrik menjadi lebih praktis dan efisien karena semua parameter dapat dipantau secara jarak jauh menggunakan display di smartphone dengan aplikasi Blynk. Proses prediksi dilakukan menggunakan metode naïve bayes dengan data yang digunakan yaitu total daya dari uji coba beberapa alat rumah tangga, output prediksi diperoleh 3 label atau kelas yaitu penggunaan listrik rendah, sedang dan tinggi yang akan tampil pada aplikasi Blynk.

The design of this tool is in the form of a system for monitoring and predicting the use of household electrical energy based on embedded system using the nave Bayes method. The working system of this tool uses the PZEM004T sensor to read voltage and current and the NodeMCU ESP8266 works like a microcontroller equipped with WiFi esp8266. Each parameter measured describes the flow of input to output which is then sent to the Arduino Uno to be converted into a digital value. The final result of the processing is in the form of output on the LCD screen and smartphone. Next esp8266 will send data to the internet via internet hotspot. Thus the process of monitoring and predicting the use of electrical energy becomes more practical and efficient because all parameters can be monitored remotely using the display on a smartphone with the Blynk application. The prediction process is carried out using the Nave Bayes method with the data used, namely the total power from trials of several household appliances, the output obtained from 3 labels or classes, namely low, medium and high electricity usage which will be displayed on the Blynk application.