Prediction Of Use Of Electric Kwh Using Support Vector Regression (SVR) Method (Case Study: Pt Pln (Persero) Rayon Seririt)
Article Sidebar
Main Article Content
Abstract
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 kwh listik, apabila pemakaian kwh 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 KWH Listrik untuk mengetahui besarnya pemakaian kwh listrik yang akan datang. Berdasarkan hasil pengujian yang dilakukan hasil nilai akurasi terbaik Mean Absolute Error (MAE) sebesar 133560,1, Root Mean Squared Error (RMSE) sebesar 167664,1, dan Koefisien Korelasi sebesar 84,0 pada kernel polynomial. Sehingga algoritma Support Vector Regression dan fungsi kernel Radial Basis Function (RBF) cocok digunakan dalam memprediksi pemakaian kwh listrik.
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
Sari, Diana Puspita, 2009, Analisis Performansi Support Vector Regression Dalam Memprediksi Bonus Tahunan Karyawan, Jurnal Teknik Industri Vol.IV, No.1, Universitas Diponegoro: Semarang.
Permatasari, AI & Mahmudy, WF 2015, Pemodelan Regresi Linear Dalam Konsumsi Kwh Listrik Di Kota Batu Menggunakan Algoritma Genetika,DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol. 5, no. 14 .
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.
Kusrini&Luthfi,E.T. 2009. Algoritma Data Mining. Yogyakarta : Andi Publishing.
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, Bogor, 2012.
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.
Sudijono, Anas. 2008. Pengantar Statistik Pendidikan. Raja Grafindo Persada.Jakarta
Abe, S. 2005. Support Vector Machine for Pattern Classification. Springer - Verlag.London Limited.
Desriza, Ferdi. 2014. Peramalan Pemakaian Beban transformator Daya Dengan Metode Autoregressive Integrated Moving Avarage (ARIMA) Di GI Pauh Limo. Other thesis, Universitas Andalas.
F. A. Hermawati. 2013. Data Mining, 1st ed. Yogyakarta: CV ANDI OFFSET.
Gorunescu, Florin. 2011. Data Mining: Concepts, Models, and Techniques. Verlag Berlin Heidelberg : Springer.
Han, J.,&Kamber, M. 2006.Data Mining Concept and Tehniques.San Fransisco : Morgan Kauffman.
Hidayat, R. 2013. Sistem Prediksi Status Gizi Balita Dengan Menggunakan Support Vector Regression. Skripsi. Tidak Dipublikasikan. Institut Pertanian Bogor: Bogor.
Kantardzic, M., 2003, Data Mining: Concepts, Models, Methods, and Algorithms,John Wiley & Sons.
Larose , Daniel T, 2005, Discovering Knowledge in Data: An Introduction to Data Mining, John Willey & Sons. Inc.
Maimon, Rockah. 2005. Data Mining and Knowledge Discovery Handbook. Springer.
Munawar. Pemodelan Visual dengan UML, GrahaIlmu : Yogyakarta, 2005.
PT. PLN (Persero) Rayon Seririt, Profil PT.PLN (Persero) Rayon Rayon Seririt, Rayon Seririt : PT.PLN (Persero) Rayon Seririt.
PT. PLN (Persero), Profil Perusahaan, PT. PLN (Persero): PT. PLN (Persero)