Setiap rumah hanya memiliki satu angka konsumsi listrik pada meter, tetapi di balik angka itu terdapat banyak perangkat yang bekerja bersamaan: kulkas, mesin cuci, televisi, pendingin ruangan, hingga microwave. Pertanyaannya, mungkinkah kita mengetahui perangkat mana yang sedang aktif tanpa memasang sensor pada setiap alat?
Di sinilah Non-Intrusive Load Monitoring atau NILM berperan. Teknologi ini mencoba memisahkan konsumsi listrik total menjadi konsumsi masing-masing peralatan hanya dari pengukuran agregat. Jika berhasil, NILM dapat membantu pemantauan energi, identifikasi pola pemakaian, serta pengelolaan listrik yang lebih efisien tanpa instalasi sensor yang rumit.
Sebuah penelitian berjudul “Convolutional neural networks for non-intrusive load monitoring: a critical analysis and future directions” menelaah 165 studi CNN untuk NILM yang diterbitkan sepanjang 2018–2025. Kajian ini tidak sekadar membandingkan akurasi, tetapi juga memetakan jenis arsitektur, dataset, kecepatan sampling, kebutuhan komputasi, serta tantangan penerapannya di dunia nyata.
Mengapa NILM penting?
Pengelolaan energi tidak hanya bergantung pada berapa besar listrik yang digunakan, tetapi juga pada kapan dan oleh perangkat apa listrik tersebut dikonsumsi. Meter konvensional hanya menunjukkan total energi. NILM berusaha membaca “sidik jari” listrik setiap peralatan dari satu titik pengukuran sehingga informasi yang lebih rinci dapat diperoleh tanpa memasang sub-meter di setiap perangkat.
Konsep ini relevan untuk rumah tinggal, gedung komersial, fasilitas publik, hingga sistem industri. Informasi tingkat-peralatan dapat digunakan untuk menemukan pemborosan, memahami beban dominan, mengevaluasi kebiasaan operasi, dan mendukung keputusan efisiensi energi.
CNN: belajar dari bentuk sinyal listrik
Convolutional Neural Network atau CNN dikenal luas pada pengolahan citra, tetapi prinsip konvolusinya juga efektif untuk membaca pola lokal pada sinyal listrik. Dalam NILM, CNN dapat mempelajari perubahan daya, transien saat alat dinyalakan atau dimatikan, pola berulang, serta ciri khas bentuk gelombang tanpa harus seluruh fiturnya dirancang secara manual.
Kajian ini membagi perkembangan CNN-NILM ke dalam empat kelompok. Pure CNN-Based Models atau P-CNN bekerja langsung pada sinyal satu dimensi dan menjadi fondasi awal deep learning untuk NILM. Image-Based and Signal-Transformation CNN atau IBST-CNN mengubah sinyal menjadi representasi dua atau tiga dimensi, misalnya lintasan tegangan-arus dan spektrogram. Hybrid CNN atau H-CNN menggabungkan CNN dengan LSTM, GRU, attention, atau Transformer untuk menangkap hubungan waktu yang lebih panjang. Sementara itu, Advanced or Optimized CNN atau AO-CNN menekankan efisiensi, adaptasi domain, privasi, dan kesiapan implementasi.
Apa yang ditemukan dari 165 penelitian?
Dari 165 studi yang dianalisis, H-CNN merupakan kelompok terbesar, yaitu 62 studi atau sekitar 37,6%. IBST-CNN mencakup 39 studi, P-CNN 33 studi, dan AO-CNN 31 studi. Dominasi model hybrid menunjukkan bahwa pola konsumsi listrik tidak selalu cukup dibaca dari perubahan singkat. Banyak peralatan memiliki siklus panjang dan multi-state, sehingga informasi temporal menjadi penting.
Dari sisi dataset, UK-DALE digunakan pada sekitar 37,8% studi dan REDD pada 31,4%. Hampir separuh eksperimen yang dilaporkan menggunakan sampling 10–100 kHz (49,2%). Sampling tinggi membantu menangkap transien dan detail switching, tetapi kondisi ini belum tentu sama dengan smart meter di lapangan yang sering bekerja pada frekuensi jauh lebih rendah.
Secara umum, model hybrid memberikan hasil disaggregasi paling kuat pada berbagai kategori. Dengan menggabungkan ekstraksi fitur lokal CNN dan pemodelan urutan waktu, H-CNN dapat meningkatkan F1-score sekitar 20–30 poin persentase pada peralatan berdaya rendah dan multi-state dengan pola yang saling tumpang tindih dalam studi-studi representatif.
Model terbaik bergantung pada kondisi lapangan
Kajian ini menekankan bahwa tidak ada satu arsitektur CNN yang selalu paling baik. Untuk smart meter rumah tangga dengan data berfrekuensi rendah dan perangkat keras terbatas, pure CNN ringan atau compact sequence-to-point lebih realistis. Untuk kulkas, dishwasher, dan mesin cuci yang memiliki siklus panjang, hybrid CNN seperti CNN-LSTM lebih sesuai.
Jika sistem menggunakan pengukuran frekuensi tinggi dan ingin mendeteksi kejadian switching, pure CNN atau image-based CNN dapat memanfaatkan bentuk transien dan spektrogram. Pada lingkungan industri dengan mesin yang kompleks dan beban yang saling tumpang tindih, CNN-BiLSTM, attention, atau CNN-Transformer lebih relevan karena mampu menggabungkan pola lokal dan konteks waktu.
Untuk perangkat edge seperti mikrokontroler atau smart gateway, ukuran model, memori, latensi, dan konsumsi energi menjadi faktor utama. Beberapa penelitian menunjukkan bahwa pruning dan neural architecture search dapat menghasilkan CNN sangat ringkas. Salah satu pendekatan menghasilkan model sekitar 140 KB, sedangkan studi lain memangkas hingga 95% bobot jaringan dengan penurunan akurasi yang minimal. Ini menunjukkan bahwa NILM real-time pada perangkat lokal bukan lagi sekadar konsep laboratorium.
Tantangan: akurasi tinggi belum berarti siap dipakai
Masalah pertama adalah generalisasi. Model yang sangat akurat pada satu rumah belum tentu bekerja sama baiknya di rumah lain karena perbedaan merek alat, pola pemakaian, noise, instalasi, dan karakter listrik. Ketergantungan pada dataset populer seperti UK-DALE dan REDD juga membuat keragaman kondisi pengujian masih terbatas.
Masalah kedua adalah kualitas dan kecepatan sampling data. CNN sangat kuat ketika detail transien tersedia, tetapi sensitivitas dapat turun tajam ketika data diperlambat. Pada kondisi tertentu, model machine learning klasik bahkan dapat mengungguli CNN jika fitur penting pada sinyal sudah hilang akibat sampling yang terlalu rendah.
Masalah berikutnya adalah beberapa peralatan yang berubah keadaan secara bersamaan. Sinyal perangkat berdaya kecil dapat “tenggelam” di antara beban yang lebih besar. Multi-label CNN dan attention membantu, tetapi pemisahan beban simultan masih menjadi masalah terbuka.
Selain itu, model yang semakin kompleks membawa konsekuensi komputasi. Penambahan LSTM, Transformer, multi-head attention, atau cabang konvolusi dapat meningkatkan akurasi, tetapi juga memperbesar jumlah parameter dan waktu inferensi. Karena itu, peningkatan kompleksitas harus selalu dibandingkan dengan manfaat nyata yang diperoleh.
Terakhir, interpretabilitas masih menjadi tantangan. CNN bekerja seperti “kotak hitam”: model dapat memberikan prediksi yang baik, tetapi tidak selalu mudah menjelaskan mengapa keputusan tertentu dibuat. Untuk aplikasi energi, kemampuan menjelaskan keputusan akan penting agar pengguna dan operator dapat mempercayai hasil NILM.
Penutup
Kajian ini menunjukkan bahwa CNN telah berkembang dari model konvolusi sederhana menjadi ekosistem metode yang mencakup representasi citra, arsitektur hybrid, model ringan, federated learning, hingga optimasi untuk perangkat edge. Pure CNN dan image-based CNN membangun fondasi, sedangkan hybrid dan optimized CNN membawa NILM semakin dekat ke kebutuhan implementasi nyata.
Masa depan NILM bukan hanya tentang mengejar akurasi tertinggi. Model juga harus mampu berpindah antar-rumah dan antar-perangkat, bekerja pada data smart meter yang realistis, memisahkan beban yang aktif bersamaan, hemat komputasi, serta dapat dijelaskan. Dengan arah tersebut, satu meter listrik di masa depan dapat memberikan informasi yang jauh lebih cerdas: bukan hanya berapa banyak energi yang digunakan, tetapi juga bagaimana energi itu digunakan.
Penulis: Aji Akbar Firdaus
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://doi.org/10.1016/j.apenergy.2026.128135
Imran, M. M. H., Daud, M. Z., Jamaludin, S., Meherullah, M., Ayob, A. F. M., Shareef, H., Afrizal, N. B., Yusop, Z. B. M., Nawir, M. B., & Firdaus, A. A. (2026). Convolutional neural networks for non-intrusive load monitoring: a critical analysis and future directions. Applied Energy, 420, 128135.
