prediksi pemakaian daya listrik ... -...
TRANSCRIPT
PREDIKSI PEMAKAIAN DAYA LISTRIK
MENGGUNAKAN METODE SUPPORT VECTOR
REGRESSION (SVR)
(Studi Kasus: PT. PLN (Persero) Rayon Seririt)
Tugas Akhir
Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1
Teknik Informatika Universitas Muhammadiyah Malang
Disusun oleh :
Rima Mediana Mashita
201310370311303
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG
2017
v
LEMBAR PERSEMBAHAN
Penulis mengucapakan terima kasih yang setinggi-tingginya kepada pihak-
pihak yang telah secara langsung maupun tidak langsung membantu penulis
dalam penyusunan Tugas Akhir ini.
1. Allah SWT yang selalu memberikan pertolongan dan memberikan saya
kesabaran dalam mengerjakan tugas akhir ini.
2. Orang tua saya, H. Ir. F Tajuddin Massaud dan Hj. Susanna Hakim, S.H,
yang selalu memberikan semangat dan terima kasih atas do’a, dukungan
moril maupun materil selama ini.
3. Bapak Setio basuki dan ibu Nur Hayatin. Selaku dosen pembimbing yang
telah dengan sabar memberikan arahan dalam membimbing saya untuk
menyelesaikan tugas akhir ini.
4. Bapak Sofyan Arifiyanto dan Yufis Azhar. Selaku dosen penguji.
5. Bapak Ketua Jurusan Teknik Informatika, beserta seluruh dosen Universitas
Muhammadiyah Malang.
6. Kakak dan adik saya yang selalu memotivasi dan menyemangati dalam
menyelesaikan tugas akhir ini.
7. Kepada bapak Luky Hadiyanto PH Manager di PT. PLN (Persero) Rayon
Seririt yang telah memberikan ijin dalam melakukan penelitian dan
mengambil data penelitian di PT. PLN (Persero) Rayon Seririt.
8. Teman seperjuangan dalam mengerjakan skripsi, Qoriatun Nisak.
9. Pranan prasetya, vida mufida, dika, yang selalu memberi doa dan semangat
tanpa henti-henti.
10. Semua pihak yang telah membantu kelancaran dalam penyusunan tugas akhir
ini yang tidak dapat penyusun sebutkan satu – persatu.
vi
KATA PENGANTAR
Puji syukur kehadirat Allah SWT atas segali limpahan rahmat dan
hidayah-Nya, serta shalawat dan salam kepada Rasulullah SAW sehingga penulis
dapat menyelesaikan tugas akhir yang berjudul:
“PREDIKSI PEMAKAIAN DAYA LISTRIK MENGGUNAKAN
METODE SUPPORT VECTOR REGRESSION (SVR)
(Studi Kasus: PT. PLN (Persero) Rayon Seririt)”
Penulisan tugas akhir ini diuraikan pokok-pokok pembahasan yang meliputi
regresi, fungsi kernel, nilai akurasi, dan juga penerapan algoritma pembelajaran
Support Vector Regression (SVR) untuk memprediksikan pemakaian daya listrik.
Penulisan tugas akhir ini dimaksudkan sebagai salah satu syarat kelulusan
dari pembelajaran jenjang S1 pada Program Studi Teknik Informatika di
Universitas Muhammadiyah Malang.
Penulis menyadari bahwa penulisan Tugas Akhir ini masih banyak
kekurangan. Oleh karena itu penulis mengharapkan saran yang membangun agar
tulisan ini dapat bermanfaat bagi nusa dan bangsa.
Malang, 19 Oktober 2017
Penulis
vii
ABSTRAKSI
Peranan listrik sangat penting bagi kehidupan masyarakat, begitu
pentingnya peranan listrik tentu saja berdampak pada kebutuhan listrik yang
begitu besar, maka PT. PLN (Persero) Rayon Seririt sebagai penyedia tenaga
listrik harus bisa memprediksi besarnya peggunaan listrik rumah tangga setiap
harinya. Selain itu menyebabkan semakin besar pula pemakian daya listik, apabila
pemakaian daya listrik tidak diolah dengan baik akan menimbulkan beban energi
listrik yang tidak terbendung. Dengan permasalahan yang telah diuraikan,
penelitian ini menerapkan algoritma Support Vector Regression dalam prediksi
pemakain daya listrik untuk mengetahui besarnya pemakaian daya listrik yang
akan datang. Berdasarkan hasil pengujian yang dilakukan, hasil nilai akurasi
terbaik MAE sebesar 84466,8, RMSE sebesar 122015,2, dan Koefisien Korelasi
sebesar 57,3 % pada kernel polynomial. Sehingga algoritma Support Vector
Regression dan fungsi kernel polynomial cocok digunakan dalam memprediksi
pemakaian daya listrik.
Kata Kunci: PT. PLN (Persero) Rayon Seririt, Pemakain Daya Listrik, Support
Vector Regression (SVR), Fungsi Kernel, Mean Absolute Error (MAE), Root
Mean Squared Error (RMSE), dan Koefisien Korelasi
viii
ABSTRACT
The role of electricity is really significant for societies' live and it brings
the huge impacts on the needs of electricity. This circumstance makes PT. PLN
(Persero) Rayon Seririt as the provider of electricity must be able to predict the
amount of household electricit usage steadily. This also causes the greater use of
energy electricity, if the use of energy electricity is not treated properly, it will
cause the burden of electrical energy is unstoppable. Through the problems that
have been elaborated, this study implements the Support Vector Regression
algorithm in the prediction of energy electricity usage to know the amount of
energy electricity usage that will come. Based on the results of tests that have
been conducted, the result of best accuracy value Mean Absolute Error (MAE)
equal to 84466,8, Root Mean Squared Error (RMSE) equal to 122015,2, and
Correlation Coefficient equal to 57,3 % at Polynomial kernel. It means, the
Support Vector Regression algorithm and Polynomial are suitable to predict the
use of energy electricity.
Keywords: PT. PLN (Persero) Rayon Seririt, Electrical Energy Usage, Support
Vector Regression (SVR), Kernel Function, Mean Absolute Error (MAE), Root
Mean Squared Error (RMSE), and Correlation Coefficient
ix
DAFTAR ISI
LEMBAR PERSETUJUAN.............................................................................ii
LEMBAR PENGESAHAN.............................................................................iii
LEMBAR PERNYATAAN.............................................................................iv
LEMBAR PERSEMBAHAN...........................................................................v
KATA PENGANTAR.....................................................................................vi
ABSTRAKSI..................................................................................................vii
ABSTRACT..................................................................................................viii
DAFTAR ISI...................................................................................................ix
DAFTAR GAMBAR......................................................................................xii
DAFTAR TABEL.........................................................................................xiii
BAB I PENDAHULUAN.................................................................................1
1.1 Latar Belakang ......................................................................................1
1.2 Rumusan Masalah .................................................................................3
1.3 Tujuan Penelitian ...................................................................................3
1.4 Batasan Masalah ...................................................................................3
1.5 Metode Penelitian .................................................................................4
1.5.1 Studi Pustaka ..............................................................................4
1.5.2 Definisi dan Analisa Kebutuhan Sistem......................................4
1.5.3 Perancangan Arsitektur ..............................................................4
1.5.4 Pengujian ....................................................................................5
1.6 Sistematika Penulisan ...........................................................................5
BAB II LANDASAN TEORI............................................................................7
2.1 Sejarah Singkat Perusahaan ....................................................................7
2.1.1 Sejarah Umum PT PLN (Persero) ................................................7
2.2.1 Visi, Misi, dan Motto PT PLN (Persero) .........................................8
x
2.2 Daya dan KWH Listrik .......................................................................9
2.3 Data Mining ........................................................................................9
2.4 Algoritma Support Vector Regression (SVR) ....................................10
2.5 Kernel ................................................................................................10
2.6 Ukuran Error ......................................................................................10
BAB III DATA DAN PERANCANGAN SISTEM.......................................13
3.1 Dataset......................................... ...................................................13
3.2 Perancangan Alur Kerja Sistem.......................................................14
3.2.1 Data Pemakaian Daya Listrik......................................................15
3.2.2 Pemilihan Data ............................................................................15
3.2.3 Pengolahan Data .........................................................................16
3.2.4 Pembagian Data ..........................................................................17
3.2.5 Perancangan Pelatihan Regresi Support Vector Regression
(SVR)...........................................................................................18
3.2.6 Hasil Prediksi Pemakaian Daya Listrik .......................................20
3.2.7 Evaluasi dan Analisa ...................................................................20
3.3 Grafik Data Penelitian .....................................................................20
3.4 Perancangan Pengujian .......................................................................21
3.4.1 Perancangan Pengujian Regresi Support Vector Regression
(SVR) ...........................................................................................21
BAB IV IMPLEMENTASI DAN PENGUJIAN ...........................................24
4.1 Implementasi Perangkat Lunak ..........................................................24
4.1.1 Persiapan Penelitian .....................................................................24
4.2 Metode Pengujian ..............................................................................25
4.2.1 Implementasi Pengujian Regresi Menggunakan Metode Support
xi
Vector Regression (SVR)..............................................................25
4.3 Hasil Akurasi ....................................................................................26
4.4 Hasil Perbandingan Hasil Fungsi Kernel Linier, Polynomial, dan Radial
Basis Function (RBF) ..........................................................................31
4.5 Perbedaan Sebelum dan Sesudah Prediksi .........................................32
4.6 Hasil Prediksi Pemakaian Daya Listrik ...............................................33
4.7 Grafik Prediksi Pemakaian Daya Listrik .............................................34
4.8 Evaluasi dan Analisa Hasil ..................................................................36
BAB V PENUTUP .........................................................................................38
5.1 Kesimpulan ........................................................................................38
5.2 Saran ...................................................................................................38
DAFTAR PUSTAKA .....................................................................................40
LAMPIRAN - LAMPIRAN ...........................................................................42
xii
DAFTAR GAMBAR
Gambar 3.1 Diagran Alur Kerja Sistem Prediksi Pemakaian Daya Listrik ..........14
Gambar 3.2 Tahapan Perancangan Regresi Support Vector Regression (SVR) ...19
Gambar 3.3 Grafik Data Pemakaian Daya Listrik Bulan Januari 2016 ................21
Gambar 4.1 Source Code Pengujian Regresi Menggunakan Metode Support Vector
Regression (SVR) ..............................................................................25
Gambar 4.2 Hasil Akurasi Nilai Rata-rata MAE Unutuk Kernel Linier ...............27
Gambar 4.3 Hasil Akurasi Nilai Rata-rata MAE Unutuk Kernel Polynomial ......27
Gambar 4.4 Hasil Akurasi Nilai Rata-rata MAE Unutuk Kernel Radial Basis
Function .............................................................................................28
Gambar 4.5 Hasil Akurasi Nilai Rata-rata RMSE Unutuk Kernel Linier ............28
Gambar 4.6 Hasil Akurasi Nilai Rata-rata RMSE Unutuk Kernel Polynomial ....29
Gambar 4.7 Hasil Akurasi Nilai Rata-rata RMSE Unutuk Kernel Radial Basis
Function .............................................................................................29
Gambar 4.8 Hasil Akurasi Nilai Rata-rata Koefisien Korelasi Unutuk Kernel
Linier ................................................................................................30
Gambar 4.9 Hasil Akurasi Nilai Rata-rata Koefisien Korelasi Unutuk Kernel
Polynomial .......................................................................................30
Gambar 5.0 Hasil Akurasi Nilai Rata-rata Koefisien Korelasi Unutuk Kernel
Radial
Basis Function .................................................................................31
Gambar 5.1 Grafik Prediksi Pemakaian Daya Listrik .........................................35
xiii
DAFTAR TABEL
Tabel 3.1 Hasil Pemilihan Data Pemakaian Daya Listrik Bulan Januari 2014 ....15
Tabel 3.2 Proses Data Cleaning ...........................................................................16
Tabel 3.3 Hasil Pengolahan Data Pemakaian Daya Listrik Tahun 2014 .............17
Tabel 3.4 Sample Data Latih Pemakaian Daya Listrik ........................................18
Tabel 3.5 Sample Data Uji Pemakaian Daya Listrik ...........................................18
Tabel 4.1 Hasil Perbandingan Kernel Linier ......................................................32
Tabel 4.2 Hasil Perbandingan Kernel Polynomial .............................................32
Tabel 4.3 Hasil Perbandingan Kernel Radial Basis Function ............................32
Tabel 4.3 Hasil Prediksi Pemakaian Daya Listrik .............................................34
40
DAFTAR PUSTAKA
[1] Sari, Diana Puspita, Analisis Performansi Support Vector Regression
Dalam Memprediksi Bonus Tahunan Karyawan, Jurnal Teknik Industri
Vol.IV, No.1, Universitas Diponegoro: Semarang, 2009.
[2] Permatasari, AI & Mahmudy, WF, Pemodelan Regresi Linear Dalam
Konsumsi Kwh Listrik Di Kota Batu Menggunakan Algoritma Genetika,
DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol.
5, no. 14, 2015 .
[3] PT. PLN (Persero) Distribusi Jawa Barat dan Banten, Sejarah Perusahaan
Sebelum dan Sesudah Kemerdekaan RI 1945, Distribusi Jawa Barat dan
Banten: PT. PLN (Persero) Distribusi Jawa Barat dan Banten.
[4] Kusrini&Luthfi,E.T, Algoritma Data Mining, Yogyakarta : Andi
Publishing, 2009.
[5] Gunawan, H., Seleksi Hyperspectral Band Menggunakan Recursive Feature
Elimination untuk Prediksi Produksi Padi dengan Support Vector
Regression, Tesis, Program Studi Ilmu Komputer, Institut Pertanian
Bogor, 2012.
[6] Buono, A., Agmalaro, M. A., Faqih, M.,Statistical Downscaling Model
Based-on Support Vector Regression to Predict Monthly Rainfall: A Case
Study in Indramayu District,Converence Asian Federation for
Information Technology in Agriculture, 2013.
[7] Sudijono, Anas, Pengantar Statistik Pendidikan, Raja Grafindo Persada:
Jakarta, 2008.
[8] Abe, S, Support Vector Machine for Pattern Classification. Springer -
Verlag.London Limited, 2005.
[9] Desriza, Ferdi, Peramalan Pemakaian Beban transformator Daya
Dengan Metode Autoregressive Integrated Moving Avarage (ARIMA) Di
GI Pauh Limo, Other thesis, Universitas Andalas, 2014.
[10] F. A. Hermawati, Data Mining, 1st ed, Yogyakarta: CV ANDI
OFFSET, 2013.
41
[11] Gorunescu, Florin, Data Mining: Concepts, Models, and Techniques,
Verlag Berlin Heidelberg : Springer, 2011.
[12] Han, J.,&Kamber, M, Data Mining Concept and Tehniques, San
Fransisco : Morgan Kauffman, 2011.
[13] Hidayat, R, Sistem Prediksi Status Gizi Balita Dengan Menggunakan
Support Vector Regression, Skripsi, Tidak Dipublikasikan, Institut
Pertanian Bogor: Bogor, 2013.
[14] Kantardzic, M., Data Mining: Concepts, Models, Methods, and
Algorithms, John Wiley & Sons, 2003.
[15] Larose, Daniel T, Discovering Knowledge in Data: An Introduction
to Data Mining, John Willey & Sons. Inc, 2005.
[16] Maimon, Rockah, Data Mining and Knowledge Discovery Handbook,
Springer, 2005.
[17] Munawar, Pemodelan Visual dengan UML, GrahaIlmu : Yogyakarta,
2005.
[18] PT. PLN (Persero) Rayon Seririt, Profil PT.PLN (Persero) Rayon
Rayon Seririt, Rayon Seririt : PT.PLN (Persero) Rayon Seririt.
[19] PT. PLN (Persero), Profil Perusahaan, PT. PLN (Persero): PT. PLN
(Persero).