Konsumsi Daya listrik yang tidak terkontrol pada sektor domestik maupun
industri sering kali memicu pemborosan energi dan tidak terkendali. Pendekatan
kendali konvensional berbasis aturan tetap (rule-based) dinilai kurang adaptif
terhadap dinamika perubahan kondisi beban di lapangan. Penelitian ini bertujuan
untuk menganalisis kinerja serta mengevaluasi sistem kendali pemakaian daya
listrik otomatis berbasis algoritma Deep Q-Network. Parameter kelistrikan berupa
tegangan, arus, dan daya diakuisisi secara periodik menggunakan sensor PZEM
004T, dikelola dalam basis data lokal SQLite, dan diproses oleh Raspberry Pi
sebagai pusat kendali. Agent Deep Q-Network dilatih secara Offline menggunakan
data historis dengan skenario pemberian reward positif untuk aksi hemat benar dan
punishment negatif untuk aksi salah. Guna mengoptimalkan komputasi pada
perangkat keras dengan sumber daya terbatas, model utama berformat H5
dikonversi menjadi format TensorFlow Lite (TFLite). Hasil penelitian menunjukkan
bahwa proses konversi model tidak menurunkan performa prediksi, di mana kedua
model mempertahankan tingkat akurasi klasifikasi tindakan yang sangat tinggi
sebesar 99,92%. Namun, model TFLite terbukti jauh lebih efektif untuk
implementasi real-time karena berhasil memangkas ukuran file dari 232,25 KB
menjadi 70,33 KB serta mempercepat waktu inferensi dari 0,6944 detik menjadi
0,0391 detik. Pengujian secara langsung memperlihatkan bahwa sistem mampu
mengeksekusi aksi kendali melalui modul relay secara adaptif, responsif, dan
rasional dalam memutus atau mengalirkan arus sesuai dengan nilai Q-Value
tertinggi dari State lingkungan.

Kata Kunci : Deep Q-Network, Kendali Daya Listrik, Raspberry Pi, Sensor
PZEM-004T, TensorFlow Lite.