Klasterisasi Pada Data Penggunaan Listrik Di Gedung Telkom University Menggunakan Algoritma Density-Based Spatial Clustering Of Application With Noise (DBSCAN)
DOI:
https://doi.org/10.34818/eoe.v8i6.16997Abstract
Proses pengubahan energi listrik tentunya membutuhkan biaya yang sesuai dengan jumlah pemakaiannya terutama pada tempat-tempat yang membutuhkan energi listrik dalam jumlah besar. Dengan jumlah konsumsi listrik yang besar, biaya yang dikeluarkan juga akan besar. Namun karena sulitnya memonitoring pemakaian listrik secara manual, ditambah tagihan listrik yang tidak menampilkan detail pemakaiannya, maka dengan menggunakan metode clustering dan menganalisa jumlah pemakaian listrik akan memudahkan dalam monitoring pemakaian listrik sehingga dapat dikelola dengan baik. Hasil dari penelitian ini menggunakan algoritma DBSCAN menghasilkan nilai Silhouette Coefficient untuk data pengujian per bulan menggunakan data real dan data perangkat virtual sebesar 1,0, data pengujian per hari sebesar 1,0 untuk data nyata dan 0,86 untuk data perangkat virtual dan data pengujian per gedung 0,86. Kata kunci : Penggunaan Listrik, Monitoring, DBSCAN, ClusteringReferences
[1] A. Saleh, "Implementasi Metode Klasifikasi Naive Bayes Dalam Memprediksi Besarnya
Penggunaan Listrik Rumah Tangga," Citec Journal, vol. 2, p. 207, 2015.
[2] M. A. H. M.Isa, M. F. Abdul Latip, N. Zaini and Y. F. Alias, "Android-based Application for
real Time Energy Monitoring of Domestic Electricity," IEEE, p. 134, 2015.
[3] Chupong, C., & Plangklang, B. (2017). Electricity bill forecasting application by home energy
monitoring system. 2017 International Electrical Engineering Congress (iEECON).
[4] Aryani. Ressi “Pembangunan Purwarupa Sistem Pemantauan dan Pengelompokan Data
Menggunakan K-Means Clustering Pada Sistem Pemetaan KWH Meter Berbasis IOT,”
Bandung, Telkom University, 2019.
[5] Vijayalakshmi, S., & Punithavalli, M. (2010). Improved varied density based spatial clustering
algorithm with noise. 2010 IEEE International Conference on Computational Intelligence and
Computing Research
[6] Nazari, Z., Kang, D., Asharif, M. R., Sung, Y., & Ogawa, S. (2015). A new hierarchical
clustering algorithm. 2015 International Conference on Intelligent Informatics and Biomedical
Sciences (ICIIBMS).
[7] D. M Ester, A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases
with Noise, 2nd International Conference on Knowledge Discovery and Data Mining, 1996.
[8] A. O. Quintana, “Clustering: Density-based Clustering”, Universidad San Pablo, p. 4, July,
2014 [Online].
[9] M. Belal Al- Zoubi dan M. al Rawi, “An Efficient Approach for Computing Silhouette
Coefficients,” J. Comput. Sci., vol. 4, no. 3, hal. 252–255, 2008.
[10] P.J. Rousseeuw, “Silhouettes: a graphical aid to the interpretation and validation of cluster
analysis,” Journal of computational and applied mathematics, vol. 20, pp. 53-65, 1987.
