Prediksi Penggunaan Energi Listrik Mengunakan Metode Support Vector Regression
DOI:
https://doi.org/10.34818/eoe.v8i6.17075Abstract
Peranan listrik sangat penting bagi kehidupan sehari-hari. Begitu pentingnya peranan energi listrik dalam kehidupan sehari-hari, maka dari itu dilakukannya prediksi penggunaan energi listrik setiap harinya. Selain itu pemakaian energi listrik yang semakin besar menyebabkan pemakaian energi listrik yang tidak terkontrol, sehingga menyebabkan biaya yang tidak terbendung. Dalam Tugas Akhir ini, akan dibangun sebuah sistem berbasis web untuk melakukan prediksi penggunaan energi listrik dengan algoritme Support Vector Regression (SVR). Support Vector Regression (SVR) merupakan pengembangan dari metode Support Vector Machine untuk kasus regresi. Metode ini mampu mengatasi overfitting, dalam pemilihan parameter SVR menggunakan algoritma Grid Search. Data yang digunakan pada Tugas Akhir ini menggunakan data history penggunaan kWh Gedung Fakultas Teknik Elektro. Rata-rata dari hasil pengujian SVR menggunakan kernel RBF menghasilkan nilai performansi MSE (Mean Square Error) sebesar 0.24420, MAE (Mean Abosolute Error) sebesar 0.35790, dan MAPE (Mean Absolute Percentage Error) sebesar 0,00114. Kata Kunci: Algorima Grid Search, Energi Listrik, Prediksi, Support Vector RegressionReferences
[1] [1] E. Yulian, L. Mufkhlikhah, C. Dewi Yulian Ekananta, “Penerapan Metode Average Based Fuzzy Time Series untuk
Prediksi Komsumsi Energi Listrik Indonesia”, Jurnal
[2] A. Nugroho, “Prediksi Kebutuhan Energi Listrik UPJ Boja, “Teknik Elektro UNDIP, Semarang ,2005.
[3] Syaffrudin, L. Hakim, D. Despa, “Metode Regresi Linear untuk Prediksi Kebutuhan Energi Listrik Jangka Panjang,
“Teknik Elektro UNILA, 2014.
[4] V. S. R. R. Kavitha S, “A comparative analysis of linear regression and Support of Vector Regression,” International
Conferance, p. 2, 2016.
[5] Z. C. H. L. W. Y. Y. B. Zhong Yi, "Support Vector Regression for Prediction of Housing Values," International
Conference on Computatuional Intelligence and Security, vol. 7, pp. 61-65, 2009.
[6] Yigit, M. E., Gunel, T., & Gunel, G. O. “PSO Based Approach to the Synthesis of a Cylindrical-Rectangular Ring
Microstrip Conformal Antenna Using SVR Models with RBF and Wavelet Kernels”. 2018 18th Mediterranean
Microwave Symposium (MMS). doi:10.1109/mms.2018.8612069. 2018.
[7] R. A. d. S. A. Divya Tomar, “Prediction of Profitability of Industries using Weighted SVR,” International Journal on
Computer Science and Engineering (IJCSE), vol. 3, p. 5, 2011.
[8] S. Shataee, S. Kalbi, A. Fallah, and D. Pelz, “Forest attribute imputation using machinelearning methods and ASTER
data: Comparison of k-NN, SVR and random forest regression algorithms,” Int. J. Remote Sens., vol. 33, no. 19, pp.
6254–6280, 2012.
[9] S. Rutgers, “Support Vector Machine – Regression (SVR)”, 2019. [Online]. Available:
https://www.saedsayad.com/support_vector_machine_reg.htm. [Diakses 20 Juli 2021]
[10] T Sutoyo, E Mulyanto, V Suhartono, OD Nurhayati, “Kecerdasan Buatan,” ANDI, 2011.
