Energi listrik merupakan kebutuhan fundamental di era modern, khususnya di sektor pendidikan dan industri. Data Badan Pusat Statistik (BPS) menunjukkan tren peningkatan konsumsi energi listrik per kapita, dari 650 kWh pada tahun 2009 menjadi 1200 kWh pada tahun 2022, dengan rata-rata peningkatan tahunan sebesar 6,51%. Ketergantungan ini menuntut adanya sistem pemantauan konsumsi energi yang akurat dan efisien. Di laboratorium industri Politeknik Elektronika Negeri Surabaya, penggunaan alat-alat tiga fase belum didukung oleh sistem monitoring yang memadai, sehingga menghambat pengelolaan konsumsi energi secara optimal. Penelitian ini bertujuan untuk mengembangkan sistem logger dan aplikasi berbasis web yang memantau konsumsi energi listrik secara real-time melalui integrasi dengan meteran KWh digital dan teknologi IoT. Model prediksi LSTM yang diusulkan berbasis deep learning diuji menggunakan data konsumsi listrik per jam, dan dibandingkan dengan model ARIMA, SARIMA, dan XGBoost. Hasil evaluasi menunjukkan bahwa model ini memiliki performa terbaik, dengan nilai MSE sebesar 181673 dan MAPE sebesar 0.095. Sebagai perbandingan, ARIMA mencatatkan MSE sebesar 372788 dan MAPE sebesar 0.135, SARIMA sebesar 248295 dan 0.105, serta XGBOOST sebesar 1046530 dan 0.204. Dengan demikian, model yang diusulkan menunjukkan peningkatan akurasi prediksi dibandingkan metode lainnya. Selain itu, mekanisme deteksi anomali berbasis MAE berhasil mengidentifikasi fluktuasi tidak normal, seperti pemadaman dan lonjakan beban dengan presisi (100%), recall (80%), dan F1-score (80%). Sistem yang diusulkan mampu menyediakan monitoring akurat, prediksi beban harian, serta peringatan dini atas kondisi abnormal, sehingga mendukung efisiensi manajemen energi listrik.