Heating Ventilation and Air Conditioner (HVAC) menggunakan 50% energi gedung komersial dalam prosesnya. Maka dari itu, beberapa kajian berfokus pada simulasi dan optimasi konsumsi energi HVAC serta memprediksi konsumsi energi melalui kontruksi model yang  prediktif dan probabilistik sehingga sistem HVAC bisa beroperasi optimal. Perancangan model yang dilakukan dan akurasinya tergantung dari pemilihan variabel dan seberapa akurat model bisa diterapkan untuk pembacaan pola data. Data diperoleh dari IEEE Residental Building, yang berisikan 70.000 lebih data suhu dan suplai energi HVAC. Pada penelitian ini pemodelan dilakukan dengan algoritma Machine Learning yaitu K-Means Clustering-analisis regresi-Naive Bayes Classifier dan algoritma pembanding pada Deep Learning berbasis Recurrent Neural Network (RNN) pada variabel suhu dalam ruangan dan luar ruangan sebagai variabel independen terhadap variabel permintaan energi listrik sebagai variabel dependen. Hasilnya menunjukkan bahwa kombinasi aloritma Machine Learning konvensional masih tidak bisa membaca pola pada data yang begitu kompleks dan setelah dilakukan pendekatan regresi polinomial berbasis cross-validation didapatkan bahwa sistem stabil pada model yang mendekati orde ke-8. Model RNN diintegrasi dengan LSTM dan sistem Windowing didapatkan bahwa model dapat mengenali pola yang kompleks pada data sehingga dapat melakukan prediksi. Hasil yang didapat pada LSTM-Model (24 windowing) nilai MAE sebesar 0.1251, pada model-LSTM (48 window) nilai MAE 0.0994 dan pada model-LSTM (72 window) nilai MAE 0.0954 serta verifikasi model dengan nilai CV-RMSE 21.37% dan NMBE 1.73%.