Household Electricity Consumption Forecasting Using the Autoregressive Intergrated Moving Average (ARIMA) Model

Abstract

Listrik telah menjadi salah satu sumber daya paling vital dalam masyarakat modern, dan sektor perumahan mencakup porsi yang signifikan dari permintaan listrik global. Peningkatan penggunaan *smart meter* (meteran pintar) memungkinkan pengumpulan data konsumsi listrik rumah tangga dalam skala besar, sehingga menciptakan peluang baru untuk mengembangkan model prakiraan akurat yang mendukung manajemen energi, respons permintaan (*demand response*), dan operasi jaringan listrik pintar (*smart grid*). Prakiraan konsumsi listrik jangka pendek yang akurat membantu penyedia layanan utilitas dan pembuat kebijakan dalam meningkatkan perencanaan energi, menekan biaya operasional, serta meningkatkan efisiensi energi. Namun, pemilihan model prakiraan yang tepat tetap menjadi tantangan besar karena karakteristik temporal dan variabilitas konsumsi listrik rumah tangga. Penelitian ini bertujuan untuk mengembangkan model prakiraan konsumsi listrik rumah tangga menggunakan metode *AutoRegressive Integrated Moving Average* (ARIMA). Penelitian ini menggunakan *Dataset* Konsumsi Daya Listrik Rumah Tangga Individu yang diperoleh dari *UCI Machine Learning Repository*. Pra-pemrosesan data mencakup penanganan nilai yang hilang (*missing values*), *resampling*, analisis data eksploratif, uji stasioneritas menggunakan uji *Augmented Dickey–Fuller* (ADF), *differencing*, serta identifikasi parameter model melalui analisis *Autocorrelation Function* (ACF) dan *Partial Autocorrelation Function* (PACF). Kinerja prakiraan dievaluasi menggunakan *Mean Absolute Error* (MAE), *Root Mean Square Error* (RMSE), dan *Mean Absolute Percentage Error* (MAPE). Hasil yang diharapkan menunjukkan bahwa model ARIMA mampu menangkap pola temporal linear dalam konsumsi listrik rumah tangga secara efektif, sekaligus menyediakan pendekatan prakiraan yang dapat diinterpretasikan dan efisien secara komputasi. Temuan ini diharapkan dapat menjadi acuan praktis bagi prakiraan energi perumahan dan menetapkan tolok ukur statistik untuk perbandingan di masa mendatang dengan model *machine learning* dan *deep learning* yang lebih canggih. Electricity has become one of the most essential resources in modern society, and the residential sector represents a substantial portion of global electricity demand. The increasing deployment of smart meters has enabled the collection of large-scale household electricity consumption data, creating new opportunities for developing accurate forecasting models that support energy management, demand response, and smart grid operations. Accurate short-term electricity consumption forecasting assists utility providers and policymakers in improving energy planning, reducing operational costs, and enhancing energy efficiency. However, selecting an appropriate forecasting model remains a significant challenge due to the temporal characteristics and variability of household electricity consumption. This study aims to develop a household electricity consumption forecasting model using the AutoRegressive Integrated Moving Average (ARIMA) method. The research employs the Individual Household Electric Power Consumption Dataset obtained from the UCI Machine Learning Repository. Data preprocessing includes missing value handling, resampling, exploratory data analysis, stationarity testing using the Augmented Dickey–Fuller (ADF) test, differencing, and model parameter identification through Autocorrelation Function (ACF) and Partial Autocorrelation Function (PACF) analysis. The forecasting performance is evaluated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE). The expected results demonstrate that the ARIMA model can effectively capture linear temporal patterns in household electricity consumption while providing an interpretable and computationally efficient forecasting approach. The findings are expected to serve as a practical reference for residential energy forecasting and establish a statistical baseline for future comparisons with more advanced machine learning and deep learning models.