Pemilihan teknologi komunikasi yang optimal untuk Smart Meter menjadi tantangan signifikan seiring meningkatnya kebutuhan akan efisiensi energi. Penelitian ini bertujuan untuk mengimplementasikan dan membandingkan secara komprehensif dua arsitektur Learning to Rank, yaitu Ranknet dan LambdaRank, untuk menentukan model paling efektif dalam memeringkat performa teknologi komunikasi berdasarkan data operasional. Menggunakan metodologi CRISP-DM, data historis Smart Meter diproses melalui tahapan preprocessing intensif, termasuk imputasi data hilang dan rekayasa fitur temporal, sebelum dibagi secara stratified. Kedua model dilatih pada data pairwise dan dievaluasi kinerjanya menggunakan metrik Normalized Discounted Cumulative Gain (NDCG) untuk mengukur akurasi pemeringkatan. Hasil dari perbandingan kedua model ini, yang diimplementasikan dalam sebuah prototipe aplikasi web fungsional, memberikan panduan berbasis data yang berharga untuk pemilihan teknologi komunikasi yang lebih efektif dan efisien dalam sistem Smart Meter.

Selecting the optimal communication technology for Smart Meters presents a significant challenge amidst the growing need for energy efficiency. This study aims to comprehensively implement and compare two Learning to Rank architectures, RankNet and LambdaRank, to determine the most effective model for ranking the performance of communication technologies based on operational data. Using the CRISP-DM methodology, historical Smart Meter data was subjected to intensive preprocessing, including missing data imputation and temporal feature engineering, before being proportionally divided using a stratified split. Both models were trained on pairwise data and their performance was evaluated using the Normalized Discounted Cumulative Gain (NDCG) metric to measure ranking accuracy. The results of this comparison, implemented in a functional web application prototype, provide a valuable data-driven guide for selecting more effective and efficient communication technologies in Smart Meter systems.