Implementasi Kalman Filter Untuk Prediksi Pemakaian Listrik Pada Kamar Kost Dengan Smart Energy Meter
DOI:
https://doi.org/10.34818/eoe.v8i5.15808Abstract
Listrik merupakan salah satu kebutuhan penting bagi manusia dalam menjalankan kehidupan sehari-hari. Penggunaan energi listrik berlebihan adalah salah satu permasalahan yang terdapat pada konsumen, karena tidak mengetahui berapa banyak daya yang terpakai pada beban listrik yang digunakan. Atas dasar pemikiran tersebut maka dibuat rancangan alat yang mampu memonitoring setiap beban listrik dan mampu mengestimasi pemakaian listrik dengan menggunakan Algoritma Kalman Filter. Kalman Fillter memiliki kemampuan untuk memprediksi suatu kondisi di masa yang akan datang dengan data terbatas. Sistem ini dirancang dengan memanfaatkan sensor PZEM-004T untuk pengambilan data besaran listrik dari beban seperti tegangan, arus, daya aktif, dan energi. Data yang diambil dari penelitian ini adalah beban elektronika pada pemakaian listrik kamar kost, beban listrik tersebut diambil per-15 menit selama 60 hari. Data tersebut dibagi menjadi dua yaitu 80% adalah data latih dan 20% adalah data uji. Dari setiap pengujian tersebut dievaluasi menggunakan persamaan RMSE, MSE, dan MAPE. Salah satu pengujian yaitu pada beban Kipas Angin dengan menggunakan RMSE mendapatkan persentase error sebesar 0.077% pada data latih dan 0.076% pada data uji. Selanjutnya menggunakan persamaan MSE, didapatkan 0.006% pada data latih dan 0.005% pada data uji. Pada pengujian menggunakan MAPE, pada data latih didapatkan sebesar 0.789% dan pada data uji sebesar 0.202%. Dari hasil tersebut dapat disimpulkan bahwa hasil pengujian menggunakan metode prediksi Kalman Filter sangat baik dalam memprediksi pemakaian beban listrik. Kata kunci : Energi Listrik, Prediksi, Kalman Filter, PZEM-004TDownloads
References
[1] U. S. Hilda, “PENGARUH TAYANGAN IKLAN EARTH HOUR TENTANG
PENGGUNAAN ENERGI DI TELEVISI TERHADAP PENGETAHUAN DAN SIKAP
SISWA/I SMPN10 SAMARINDA,” vol. 3, 2015, [Online]. Available:
https://www.portal.fisip-unmul.ac.id/site/?p=3474.
[2] B. A. Tengger and R. Ropiudin, “Pemanfaatan Metode Kalman Filter Diskrit untuk
Menduga Suhu Udara,” Sq. J. Math. Math. Educ., vol. 1, no. 2, p. 127, 2019, doi:
10.21580/square.2019.1.2.4202.
[3] D. A. Regina et al., “PENGGUNAAN BEBAN LISTRIK RUMAH BERDASARKAN
POLA PENGGUNAAN BEBAN LISTRIK.”
[4] F. satya Purnomo, “Penggunaan metode ARIMA untuk perkiraan konsumsi listrik jangka
pendek,” J. Tek., p. 136, 2015.
[5] S. E. Rumagit and A. SN, “Prediksi Pemakaian Listrik Kelompok Tarif Menggunakan
Jaringan Syaraf Tiruan dan ARIMA,” IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 7,
no. 2, p. 189, 2013, doi: 10.22146/ijccs.3359.
[6] K. Panklib, C. Prakasvudhisarn, and D. Khummongkol, “Electricity Consumption
Forecasting in Thailand Using an Artificial Neural Network and Multiple Linear
Regression,” Energy Sources, Part B Econ. Plan. Policy, vol. 10, no. 4, pp. 427–434,
2015, doi: 10.1080/15567249.2011.559520.
[7] M. Rahman, “Prediksi Pembayaran Tagihan Listrik Menggunakan Model Artificial Neural
Network,” JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol. 4, no. 1, p. 7, 2019, doi:
10.32528/justindo.v4i1.2417.
[8] Y. C. Hu, “Electricity consumption prediction using a neural-network-based grey
forecasting approach,” J. Oper. Res. Soc., vol. 68, no. 10, pp. 1259–1264, 2017, doi:
10.1057/s41274-016-0150-y.
[9] K. Li, C. Hu, G. Liu, and W. Xue, “Building’s electricity consumption prediction using
optimized artificial neural networks and principal component analysis,” Energy Build., vol.
108, pp. 106–113, 2015, doi: 10.1016/j.enbuild.2015.09.002.
[10] G. Cao and L. Wu, “Support vector regression with fruit fly optimization algorithm for
seasonal electricity consumption forecasting,” Energy, vol. 115, pp. 734–745, 2016, doi:
10.1016/j.energy.2016.09.065.
[11] A. González-Briones, G. Hernandez, J. M. Corchado, S. Omatu, and M. S. Mohamad,
“Machine Learning Models for Electricity Consumption Forecasting: A Review,” 2nd Int.
Conf. Comput. Appl. Inf. Secur. ICCAIS 2019, 2019, doi: 10.1109/CAIS.2019.8769508.
[12] E. K. Korir, J. Aduda, and T. Mageto, “Forecasting Electricity Prices Using Ensemble
Kalman Filter,” vol. 9, no. 1, pp. 27–45, 2020.
[13] P. Ozoh, S. Abd-Rahman, and J. Labadin, “Predicting electricity consumption: A
comparative analysis of the accuracy of various computational techniques,” 2015 9th Int.
Conf. IT Asia Transform. Big Data into Knowledge, CITA 2015 - Proc., no. August, 2015,
doi: 10.1109/CITA.2015.7349819.
[14] W. R. Danu, “MODEL ESTIMASI DAYA LISTRIK GEDUNG UNIVERSITAS
PEMBANGUNAN NASIONAL ‘VETERAN’ JAKARTA MENGGUNAKAN METODE
KALMAN FILTER,” Universitas Pembangunan Nasioal Veteran Jakarta, 2015.
[15] Z. Zheng, H. Chen, and X. Luo, “A Kalman filter-based bottom-up approach for
household short-term load forecast,” Appl. Energy, vol. 250, no. May, pp. 882–894, 2019,
doi: 10.1016/j.apenergy.2019.05.102.
[16] M. Kafil, “Penerapan Metode K-Nearest Neighbors Untuk Prediksi Penjualan Berbasis
Web Pada Boutiq Dealove Bondowoso,” JATI (Jurnal Mhs. Tek. Inform., vol. 3, no. 2, pp.
59–66, 2019, doi: 10.36040/jati.v3i2.860.
[17] X. Lai, T. Yang, Z. Wang, and P. Chen, “IoT implementation of Kalman Filter to improve
accuracy of air quality monitoring and prediction,” Appl. Sci., vol. 9, no. 9, 2019, doi:
10.3390/app9091831.
[18] L. Wang, S. X. Lv, and Y. R. Zeng, “Effective sparse adaboost method with ESN and
FOA for industrial electricity consumption forecasting in China,” Energy, vol. 155, pp.
1013–1031, 2018, doi: 10.1016/j.energy.2018.04.175.
[19] A. Becker, “Kalman Filter,” 2018. https://www.kalmanfilter.net/default.aspx.
[20] Oseiskar, “simdKalman,” 2019.
