Penelitian ini bertujuan untuk membangun model prediksi konsumsi energi yang akurat pada jaringan blockchain Bitcoin yang menggunakan algoritma konsensus Proof of Work (PoW). Permasalahan utama yang diangkat adalah tingginya konsumsi energi PoW yang bersifat dinamis dan non-linier, sehingga sulit diprediksi menggunakan metode linier sederhana. Untuk mengatasi hal ini, penelitian ini menerapkan metode deep learning menggunakan Multilayer Perceptron (MLP) untuk memprediksi selisih konsumsi energi (gap_twh). Kinerja model MLP kemudian dievaluasi dan dibandingkan dengan model Regresi Linier yang digunakan sebagai baseline. Data historis dari Digiconomist (2017–2025) digunakan setelah melalui tahap preprocessing dan feature engineering. Hasil evaluasi menunjukkan bahwa model MLP memiliki kinerja yang jauh lebih unggul, dengan nilai MAE 3.4620, MSE 46.9281, dan R² 0.9390, dibandingkan dengan Regresi Linier. Temuan ini membuktikan bahwa MLP sangat efektif dalam memodelkan kompleksitas konsumsi energi PoW dan dapat menjadi acuan bagi para pemangku kepentingan untuk mengoptimalkan efisiensi energi dalam aktivitas penambangan kripto.

Kata kunci: Proof of Work, Bitcoin, Konsumsi Energi, Regresi Linier, Multilayer Perceptron