Implementasi Perbandingan Algoritma k-Means dan DB-Scan Pada Beban Listrik Rumah Tangga

Alief Nur Aisyi Maulidhia, Indri Ika Widyastuti, Friska Intan Sukarno, Rahmat Basya Sharys Tsany, Thomas Brian

Abstract

Konsumsi daya listrik rumah tangga merupakan aspek penting dalam manajemen energi, terutama dalam upaya meningkatkan efisiensi penggunaan listrik. Clustering merupakan salah satu metode yang dapat digunakan untuk mengelompokkan pola konsumsi daya listrik berdasarkan karakteristik tertentu. Penelitian ini bertujuan untuk membandingkan performa algoritma K-Means dan Density-Based Spatial Clustering of Applications with Noise (DBSCAN) dalam mengelompokkan beban listrik rumah tangga. Dataset yang digunakan berasal dari Household Electric Power Consumption yang tersedia di Kaggle, yang mencatat konsumsi daya listrik rumah tangga dalam satuan menit selama beberapa tahun. Data yang telah diproses melalui tahapan pembersihan, normalisasi, dan reduksi dimensi kemudian diklasterisasi menggunakan K-Means dan DBSCAN. Evaluasi performa dilakukan berdasarkan Silhouette Score dan Davies-Bouldin Index untuk mengukur kualitas klaster yang dihasilkan oleh kedua algoritma. Hasil penelitian menunjukkan bahwa K-Means lebih unggul dalam mengelompokkan data dengan pola konsumsi yang jelas dan terdistribusi secara linier, sementara DBSCAN lebih efektif dalam mendeteksi klaster dengan kepadatan yang bervariasi serta mengidentifikasi data pencilan (outliers). Dengan demikian, pemilihan algoritma klasterisasi sangat bergantung pada karakteristik data dan tujuan analisis yang ingin dicapai.

Full Text:

PDF

References

Hikmiyah, N. R., Siregar, R. R. A., Prayitno, B., Kusuma, D. T., & Novi, R. (2020). Pengelompokan Data Penggunaan Energi Listrik Menggunakan Algoritma Mini-Batch K-Means Clustering. e-Proceeding of Engineering, 7(5), 1234-1240.

Siregar, R. R. A., & Prayitno, B. (2021). Identifikasi Profil Konsumsi Energi Listrik untuk Meningkatkan Pendapatan dengan Klustering. Jurnal Teknik Elektro, 10(2), 45-52.

Batubara, I. F., & Lubis, F. Z. (2023). Clustering Data Pelanggan PLN Helvetia Menggunakan Metode K-Means Cluster. Kohesi: Jurnal Multidisiplin Saintek, 2(1), 71-80. Penelitian ini membahas penerapan metode K-Means untuk pengelompokan daya listrik pada pelanggan PLN di Kecamatan Helvetia. Data yang digunakan terdiri dari daya, tarif, dan jenis pelanggan. Hasilnya menunjukkan pembentukan tiga cluster: tingkat banyak, sedang, dan sedikit.

Wei, Z., & Wang, H. (2021). Characterizing Residential Load Patterns by Household Demographic and Socioeconomic Factors. arXiv preprint arXiv:2106.05858.

Prayitno, B., & Siregar, R. R. A. (2020). Penerapan Algoritma K-Means Clustering untuk Pengelompokan Data Pelanggan PLN Helvetia. Jurnal Sistem Informasi, 9(2), 78-85.

Michalakopoulos, V., Sarmas, E., Papias, I., Skaloumpakas, P., Marinakis, V., & Doukas, H. (2023). A Machine Learning-Based Framework for Clustering Residential Electricity Load Profiles to Enhance Demand Response Programs. Penelitian ini memperkenalkan kerangka kerja berbasis pembelajaran mesin untuk pengelompokan profil beban listrik rumah tangga guna meningkatkan program respons permintaan. Menggunakan data dari hampir 5000 rumah tangga di London, empat algoritma clustering diterapkan, termasuk K-Means. Analisis empiris dan berbagai metrik evaluasi digunakan untuk menilai algoritma tersebut.

Mustapa,S.I.,&Bekri,M.M.(2017). Analysis of Household Electricity Consumption Patterns: A Clustering Approach. Energy Procedia,105,2685-2690.(Penelitian ini menggunakan teknik clustering untuk menganalisis pola konsumsi listrik rumah tangga).

Rousseeuw,P.J.(1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65. (Artikel ini memperkenalkan Silhouette Score sebagai metrik evaluasi kualitas clustering).

Davies,D.L.,&Bouldin,D.W.(1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-1(2), 224-227. (Penelitian ini memperkenalkan Davies-Bouldin Index sebagai metrik evaluasi clustering).D

Han,J.,Kamber,M.,&Pei,J.(2012). Data Mining: Concepts and Techniques. 3rd Edition, Morgan Kaufmann. (Buku ini membahas konsep dasar data mining, termasuk algoritma clustering seperti K-Means).

Refbacks

  • There are currently no refbacks.