KLASIFIKASI KONSUMSI ENERGI INDUSTRI BAJA MENGGUNAKAN TEKNIK DATA MINING

Sri Rahayu, Jajang Jaya Purnama

Abstract


Kebutuhan manusia dalam memenuhi sandang, pangan dan papan pada kehidupannya saat ini tidak terlepas dari terlibatnya energi listrik. Pada beberapa sektor kehidupan, yaitu sektor rumah tangga, industri, bisnis, sosial, gedung kantor pemerintah, dan penerangan jalan umum membutuhkan energi listrik. Sektor industri konsumsi energi relatif lebih tinggi dibandingkan sektor lainnya, sehingga perlu adanya pengendalian konsumsi energi terutama di sektor industri. Akibatnya, untuk suatu Bangsa atau wilayah, prakiraan penggunaan energi listrik menjadi mendesak dan krusial. Penelitian mengenai hal ini muncul dari berbagai negara misalnya penelitian asal Korea tentang model prediksi konsumsi energi untuk smart factory menggunakan algoritma data mining yang memperkenalkan dan mengeksplorasi model prediksi konsumsi energi industri baja dengan menghasilkan model  terbaik yaitu Random Forest dengan nilai RMSE 7,33 pada set pengujian. Selain itu, penelitian lain mengangkat judul model prediksi konsumsi energi yang efisien untuk suatu data analitik bangunan industri di kota pintar dengan menyajikan dan mengeksplorasi model konsumsi energi prediktif berdasarkan teknik penambangan data untuk industri baja skala kecil yang cerdas di Korea Selatan menggunakan variabel seperti lagging dan arus utama daya reaktif, faktor daya lagging dan arus terdepan, emisi karbon dioksida, dan jenis beban. Penelitian asal Australia juga tidak ketinggalan, membahas mengenai prediksi konsumsi energi industri menggunakan teknik data mining yang menyajikan dan mengeksplorasi model prediksi konsumsi energi menggunakan pendekatan data mining untuk industri baja hingga menunjukkan bahwa model Random Forest dapat memprediksi konsumsi energi terbaik dan mengungguli algoritma konvensional lainnya dalam perbandingan. Penelitian ini menyajikan klasifikasi konsumsi energi pada industri baja, agar dapat diketahui pola penggunaan beban ringan, beban sedang, dan beban maksimum menggunakan teknik data mining pada data publik yang sudah tersedia mengenai hal tersebut, dengan tujuan para pengguna energi di industri baja lebih bijak dalam menggunakan energi karena telah mengetahui pola masing-masing beban. Dengan metode yang digunakan diantaranya Random Forest, Decision Tree, Naïve Bayes dan Artificial Neural Network menghasilkan akurasi berturut-turut yaitu 91,13%, 90,50%, 70,97% dan 75,56%, sehingga metode klasifikasi yang paling cocok digunakan dalam melakukan klasifikasi konsumsi energi industri pada dataset steel industry energy consumption adalah Random Forest.

Full Text:

PDF

References


L. Garci Reyes, “Analisis kebutuhan listrik dan penambahan pembangkit listrik,” J. Chem. Inf. Model., vol. 53, no. 9, pp. 1689–1699, 2013.

Z. X. Wang, Q. Li, and L. L. Pei, “A seasonal GM(1,1) model for forecasting the electricity consumption of the primary economic sectors,” Energy, vol. 154, pp. 522–534, 2018, doi: 10.1016/j.energy.2018.04.155.

C. Shin, J. Park, and Y. Cho, “An Energy Consumption Prediction Model for Smart Factory Using Data Mining Algorithms,” KIPS Trans. Softw. Data Eng., vol. 9, no. 5, pp. 153–160, 2020.

S. V E, C. Shin, and Y. Cho, “Efficient energy consumption prediction model for a data analytic-enabled industry building in a smart city,” Build. Res. Inf., vol. 49, no. 1, pp. 127–143, 2021, doi: 10.1080/09613218.2020.1809983.

S. V E, J. Lim, M. Lee, K. Cho, J. Park, and C. Shin, “Industry Energy Consumption Prediction Using Data Mining Techniques,” Int. J. Energy, Inf. Commun., vol. 11, no. 1, pp. 7–14, 2020, doi: 10.21742/ijeic.2020.11.1.02.

V. Bolón-Canedo, N. Sánchez-Maroño, and A. Alonso-Betanzos, “Feature selection and classification in multiple class datasets: An application to KDD Cup 99 dataset,” Expert Syst. Appl., vol. 38, no. 5, pp. 5947–5957, 2011, doi: 10.1016/j.eswa.2010.11.028.

I. N. T. Wirawan and I. Eksistyanto, “Penerapan Naive Bayes Pada Intrusion Detection System Dengan Diskritisasi Variabel,” JUTI J. Ilm. Teknol. Inf., vol. 13, no. 2, p. 182, 2015, doi: 10.12962/j24068535.v13i2.a487.

D. Pramadhana, “Klasifikasi Penyakit Diabetes Menggunakan Metode CFS dan ROS dengan Algoritma J48 Berbasis Adaboost,” Edumatic J. Pendidik. Inform., vol. 5, no. 1, pp. 89–98, 2021, doi: 10.29408/edumatic.v5i1.3336.

D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Comput. Eng. Sci. Syst. J., vol. 4, no. 1, p. 78, 2019, doi: 10.24114/cess.v4i1.11458.

R. E. Putri, Suparti, and R. Rahmawati, “Perbandingan Metode Klasifikasi Naãve Bayes Dan K-Nearest Neighbor Pada Analisis Data Status Kerja Di Kabupaten Demak Tahun 2012,” J. Gaussian, vol. 3, no. 4, pp. 831–838, 2014.

B. A. Muktamar, N. A. Setiawan, and T. B. Adji, “Analisis Perbandingan Tingkat Akurasi Algoritma Naive Bayes Classifier dengan Correlated-Naive Bayes Classifier,” Semin. Nas. Teknol. Inf. dan Multimed. 2015, pp. 49–54, 2015.

Gde Agung Brahmana Suryanegara, Adiwijaya, and Mahendra Dwifebri Purbolaksono, “Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan Metode Normalisasi,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 114–122, 2021, doi: 10.29207/resti.v5i1.2880.

T. N. Nuklianggraita, A. Adiwijaya, and A. Aditsania, “On the Feature Selection of Microarray Data for Cancer Detection based on Random Forest Classifier,” J. Infotel, vol. 12, no. 3, pp. 89–96, 2020, doi: 10.20895/infotel.v12i3.485.

H. M. Nawawi, S. Rahayu, M. J. Shidiq, and J. J. Purnama, “Algoritma C4.5 Untuk Memprediksi Pengambilan Keputusan Memilih Deposito Berjangka,” J. Techno Nuasa Mandiri, vol. 16, no. 1, pp. 65–72, 2019.

J. J. Purnama, H. M. Nawawi, S. Rosyida, Ridwansyah, and Risandar, “Klasifikasi Mahasiswa Her Berbasis Algortima Svm Dan Decision Classification of Her Students Based on Svm Algorithm and,” J. Teknol. Inf. dan Ilmu Komput., vol. 7, no. 6, pp. 1253–1260, 2020, doi: 10.25126/jtiik.202073080.

S. Rahayu, J. Jaya Purnama, H. Mahmud Nawawi, F. Septia Nugraha, I. Komputer, and S. Nusa Mandiri Jakarta, “Algoritma Naïve Bayes Classifier Untuk Memprediksi Gejala Autism Spectrum Disorders Pada Anak-Anak,” Semin. Nas. Rekayasa dan Teknol., vol. 27, no. November, 2019.

I. Ali and L. Sularto, “Optimasi Parameter Artificial Neural Network Menggunakan Algoritma Genetika Untuk Prediksi Kelulusan Mahasiswa,” J. ICT Inf. Commun. Technol., vol. 18, no. 1, pp. 54–59, 2019, doi: 10.36054/jict-ikmi.v18i1.52.

J. J. Purnama, S. Rahayu, S. Nurdiani, T. Haryanti, and N. A. Mayangky, “Analisis Algoritma Klasifikasi Neural Network Untuk Diagnosis Penyakit Diabetes,” IJCIT (Indonesian J. Comput. Inf. Technol., vol. 5, no. 1, 2020, doi: 10.31294/ijcit.v5i1.6391.

D. Cahyanti, A. Rahmayani, and S. A. Husniar, “Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,” Indones. J. Data Sci., vol. 1, no. 2, pp. 39–43, 2020, doi: 10.33096/ijodas.v1i2.13.

M. J. Shidiq, S. Rahayu, and F. S. Nugraha, “Klasifikasi Diagnosis Melahirkan Dengan Metode Sesar Menggunakan Neural Network,” J. Pilar Nusa Mandiri, vol. 15, no. 2, pp. 157–162, 2019, doi: 10.33480/pilar.v15i2.602.

E. Emawati, W. Andriatna, and S. Syarofah, “Emma Emawati, Wendi Andriatna, Siti Syarofah 2017,” vol. IV, no. 2, pp. 14–19, 2017.

G. A. Buntoro, “Analisis Sentimen Calon Gubernur DKI Jakarta 2017 Di Twitter,” Integer J., vol. 2, no. 1, pp. 32–41, 2017, [Online]. Available: https://t.co/jrvaMsgBdH

L. A. Andika, P. A. N. Azizah, and R. Respatiwulan, “Analisis Sentimen Masyarakat terhadap Hasil Quick Count Pemilihan Presiden Indonesia 2019 pada Media Sosial Twitter Menggunakan Metode Naive Bayes Classifier,” Indones. J. Appl. Stat., vol. 2, no. 1, p. 34, 2019, doi: 10.13057/ijas.v2i1.29998.

A. Primajaya and B. N. Sari, “Random Forest Algorithm for Prediction of Precipitation,” Indones. J. Artif. Intell. Data Min., vol. 1, no. 1, pp. 27–31, 2018.

S. Dewi, “Komparasi 5 Metode Algoritma Klasifikasi Data Mining Pada Prediksi Keberhasilan Pemasaran Produk Layanan Perbankan,” Techno Nusa Mandiri, vol. 13, no. 1, pp. 60–66, 2016.




DOI: https://doi.org/10.33365/jti.v16i2.1984

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Sri Rahayu, Jajang Jaya Purnama

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.


JURNAL TEKNOINFO
Published by Universitas Teknokrat Indonesia
Organized by Prodi S1 Informatika FTIK Universitas Teknokrat Indonesia

W: http://ejurnal.teknokrat.ac.id/index.php/teknoinfo/index
E : teknoinfo@teknokrat.ac.id.
Jl. Zainal Abidin Pagaralam, No.9-11, Labuhan Ratu, Bandarlampung

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Jumlah Pengunjung : View Teknoinfo StatsCounter

Flag Counter