PREDIKSI PEMAKAIAN DAYA LISTRIK

MENGGUNAKAN METODE SUPPORT VECTOR

REGRESSION (SVR)

(Studi Kasus: PT. PLN (Persero) Rayon Seririt)

Tugas Akhir

Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1

Teknik Informatika Universitas Muhammadiyah Malang

Disusun oleh :

Rima Mediana Mashita

201310370311303

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK

UNIVERSITAS MUHAMMADIYAH MALANG

2017

ii

iii

iv

v

LEMBAR PERSEMBAHAN

Penulis mengucapakan terima kasih yang setinggi-tingginya kepada pihak-

pihak yang telah secara langsung maupun tidak langsung membantu penulis

dalam penyusunan Tugas Akhir ini.

1. Allah SWT yang selalu memberikan pertolongan dan memberikan saya

kesabaran dalam mengerjakan tugas akhir ini.

2. Orang tua saya, H. Ir. F Tajuddin Massaud dan Hj. Susanna Hakim, S.H,

yang selalu memberikan semangat dan terima kasih atas do’a, dukungan

moril maupun materil selama ini.

3. Bapak Setio basuki dan ibu Nur Hayatin. Selaku dosen pembimbing yang

telah dengan sabar memberikan arahan dalam membimbing saya untuk

menyelesaikan tugas akhir ini.

4. Bapak Sofyan Arifiyanto dan Yufis Azhar. Selaku dosen penguji.

5. Bapak Ketua Jurusan Teknik Informatika, beserta seluruh dosen Universitas

Muhammadiyah Malang.

6. Kakak dan adik saya yang selalu memotivasi dan menyemangati dalam

menyelesaikan tugas akhir ini.

7. Kepada bapak Luky Hadiyanto PH Manager di PT. PLN (Persero) Rayon

Seririt yang telah memberikan ijin dalam melakukan penelitian dan

mengambil data penelitian di PT. PLN (Persero) Rayon Seririt.

8. Teman seperjuangan dalam mengerjakan skripsi, Qoriatun Nisak.

9. Pranan prasetya, vida mufida, dika, yang selalu memberi doa dan semangat

tanpa henti-henti.

10. Semua pihak yang telah membantu kelancaran dalam penyusunan tugas akhir

ini yang tidak dapat penyusun sebutkan satu – persatu.

vi

KATA PENGANTAR

Puji syukur kehadirat Allah SWT atas segali limpahan rahmat dan

hidayah-Nya, serta shalawat dan salam kepada Rasulullah SAW sehingga penulis

dapat menyelesaikan tugas akhir yang berjudul:

“PREDIKSI PEMAKAIAN DAYA LISTRIK MENGGUNAKAN

METODE SUPPORT VECTOR REGRESSION (SVR)

(Studi Kasus: PT. PLN (Persero) Rayon Seririt)”

Penulisan tugas akhir ini diuraikan pokok-pokok pembahasan yang meliputi

regresi, fungsi kernel, nilai akurasi, dan juga penerapan algoritma pembelajaran

Support Vector Regression (SVR) untuk memprediksikan pemakaian daya listrik.

Penulisan tugas akhir ini dimaksudkan sebagai salah satu syarat kelulusan

dari pembelajaran jenjang S1 pada Program Studi Teknik Informatika di

Universitas Muhammadiyah Malang.

Penulis menyadari bahwa penulisan Tugas Akhir ini masih banyak

kekurangan. Oleh karena itu penulis mengharapkan saran yang membangun agar

tulisan ini dapat bermanfaat bagi nusa dan bangsa.

Malang, 19 Oktober 2017

Penulis

vii

ABSTRAKSI

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 daya listik, apabila

pemakaian daya 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 daya listrik untuk mengetahui besarnya pemakaian daya listrik yang

akan datang. Berdasarkan hasil pengujian yang dilakukan, hasil nilai akurasi

terbaik MAE sebesar 84466,8, RMSE sebesar 122015,2, dan Koefisien Korelasi

sebesar 57,3 % pada kernel polynomial. Sehingga algoritma Support Vector

Regression dan fungsi kernel polynomial cocok digunakan dalam memprediksi

pemakaian daya listrik.

Kata Kunci: PT. PLN (Persero) Rayon Seririt, Pemakain Daya Listrik, Support

Vector Regression (SVR), Fungsi Kernel, Mean Absolute Error (MAE), Root

Mean Squared Error (RMSE), dan Koefisien Korelasi

viii

ABSTRACT

The role of electricity is really significant for societies' live and it brings

the huge impacts on the needs of electricity. This circumstance makes PT. PLN

(Persero) Rayon Seririt as the provider of electricity must be able to predict the

amount of household electricit usage steadily. This also causes the greater use of

energy electricity, if the use of energy electricity is not treated properly, it will

cause the burden of electrical energy is unstoppable. Through the problems that

have been elaborated, this study implements the Support Vector Regression

algorithm in the prediction of energy electricity usage to know the amount of

energy electricity usage that will come. Based on the results of tests that have

been conducted, the result of best accuracy value Mean Absolute Error (MAE)

equal to 84466,8, Root Mean Squared Error (RMSE) equal to 122015,2, and

Correlation Coefficient equal to 57,3 % at Polynomial kernel. It means, the

Support Vector Regression algorithm and Polynomial are suitable to predict the

use of energy electricity.

Keywords: PT. PLN (Persero) Rayon Seririt, Electrical Energy Usage, Support

Vector Regression (SVR), Kernel Function, Mean Absolute Error (MAE), Root

Mean Squared Error (RMSE), and Correlation Coefficient

ix

DAFTAR ISI

LEMBAR PERSETUJUAN.............................................................................ii

LEMBAR PENGESAHAN.............................................................................iii

LEMBAR PERNYATAAN.............................................................................iv

LEMBAR PERSEMBAHAN...........................................................................v

KATA PENGANTAR.....................................................................................vi

ABSTRAKSI..................................................................................................vii

ABSTRACT..................................................................................................viii

DAFTAR ISI...................................................................................................ix

DAFTAR GAMBAR......................................................................................xii

DAFTAR TABEL.........................................................................................xiii

BAB I PENDAHULUAN.................................................................................1

1.1 Latar Belakang ......................................................................................1

1.2 Rumusan Masalah .................................................................................3

1.3 Tujuan Penelitian ...................................................................................3

1.4 Batasan Masalah ...................................................................................3

1.5 Metode Penelitian .................................................................................4

1.5.1 Studi Pustaka ..............................................................................4

1.5.2 Definisi dan Analisa Kebutuhan Sistem......................................4

1.5.3 Perancangan Arsitektur ..............................................................4

1.5.4 Pengujian ....................................................................................5

1.6 Sistematika Penulisan ...........................................................................5

BAB II LANDASAN TEORI............................................................................7

2.1 Sejarah Singkat Perusahaan ....................................................................7

2.1.1 Sejarah Umum PT PLN (Persero) ................................................7

2.2.1 Visi, Misi, dan Motto PT PLN (Persero) .........................................8

x

2.2 Daya dan KWH Listrik .......................................................................9

2.3 Data Mining ........................................................................................9

2.4 Algoritma Support Vector Regression (SVR) ....................................10

2.5 Kernel ................................................................................................10

2.6 Ukuran Error ......................................................................................10

BAB III DATA DAN PERANCANGAN SISTEM.......................................13

3.1 Dataset......................................... ...................................................13

3.2 Perancangan Alur Kerja Sistem.......................................................14

3.2.1 Data Pemakaian Daya Listrik......................................................15

3.2.2 Pemilihan Data ............................................................................15

3.2.3 Pengolahan Data .........................................................................16

3.2.4 Pembagian Data ..........................................................................17

3.2.5 Perancangan Pelatihan Regresi Support Vector Regression

(SVR)...........................................................................................18

3.2.6 Hasil Prediksi Pemakaian Daya Listrik .......................................20

3.2.7 Evaluasi dan Analisa ...................................................................20

3.3 Grafik Data Penelitian .....................................................................20

3.4 Perancangan Pengujian .......................................................................21

3.4.1 Perancangan Pengujian Regresi Support Vector Regression

(SVR) ...........................................................................................21

BAB IV IMPLEMENTASI DAN PENGUJIAN ...........................................24

4.1 Implementasi Perangkat Lunak ..........................................................24

4.1.1 Persiapan Penelitian .....................................................................24

4.2 Metode Pengujian ..............................................................................25

4.2.1 Implementasi Pengujian Regresi Menggunakan Metode Support

xi

Vector Regression (SVR)..............................................................25

4.3 Hasil Akurasi ....................................................................................26

4.4 Hasil Perbandingan Hasil Fungsi Kernel Linier, Polynomial, dan Radial

Basis Function (RBF) ..........................................................................31

4.5 Perbedaan Sebelum dan Sesudah Prediksi .........................................32

4.6 Hasil Prediksi Pemakaian Daya Listrik ...............................................33

4.7 Grafik Prediksi Pemakaian Daya Listrik .............................................34

4.8 Evaluasi dan Analisa Hasil ..................................................................36

BAB V PENUTUP .........................................................................................38

5.1 Kesimpulan ........................................................................................38

5.2 Saran ...................................................................................................38

DAFTAR PUSTAKA .....................................................................................40

LAMPIRAN - LAMPIRAN ...........................................................................42

xii

DAFTAR GAMBAR

Gambar 3.1 Diagran Alur Kerja Sistem Prediksi Pemakaian Daya Listrik ..........14

Gambar 3.2 Tahapan Perancangan Regresi Support Vector Regression (SVR) ...19

Gambar 3.3 Grafik Data Pemakaian Daya Listrik Bulan Januari 2016 ................21

Gambar 4.1 Source Code Pengujian Regresi Menggunakan Metode Support Vector

Regression (SVR) ..............................................................................25

Gambar 4.2 Hasil Akurasi Nilai Rata-rata MAE Unutuk Kernel Linier ...............27

Gambar 4.3 Hasil Akurasi Nilai Rata-rata MAE Unutuk Kernel Polynomial ......27

Gambar 4.4 Hasil Akurasi Nilai Rata-rata MAE Unutuk Kernel Radial Basis

Function .............................................................................................28

Gambar 4.5 Hasil Akurasi Nilai Rata-rata RMSE Unutuk Kernel Linier ............28

Gambar 4.6 Hasil Akurasi Nilai Rata-rata RMSE Unutuk Kernel Polynomial ....29

Gambar 4.7 Hasil Akurasi Nilai Rata-rata RMSE Unutuk Kernel Radial Basis

Function .............................................................................................29

Gambar 4.8 Hasil Akurasi Nilai Rata-rata Koefisien Korelasi Unutuk Kernel

Linier ................................................................................................30

Gambar 4.9 Hasil Akurasi Nilai Rata-rata Koefisien Korelasi Unutuk Kernel

Polynomial .......................................................................................30

Gambar 5.0 Hasil Akurasi Nilai Rata-rata Koefisien Korelasi Unutuk Kernel

Radial

Basis Function .................................................................................31

Gambar 5.1 Grafik Prediksi Pemakaian Daya Listrik .........................................35

xiii

DAFTAR TABEL

Tabel 3.1 Hasil Pemilihan Data Pemakaian Daya Listrik Bulan Januari 2014 ....15

Tabel 3.2 Proses Data Cleaning ...........................................................................16

Tabel 3.3 Hasil Pengolahan Data Pemakaian Daya Listrik Tahun 2014 .............17

Tabel 3.4 Sample Data Latih Pemakaian Daya Listrik ........................................18

Tabel 3.5 Sample Data Uji Pemakaian Daya Listrik ...........................................18

Tabel 4.1 Hasil Perbandingan Kernel Linier ......................................................32

Tabel 4.2 Hasil Perbandingan Kernel Polynomial .............................................32

Tabel 4.3 Hasil Perbandingan Kernel Radial Basis Function ............................32

Tabel 4.3 Hasil Prediksi Pemakaian Daya Listrik .............................................34

40

DAFTAR PUSTAKA

[1] Sari, Diana Puspita, Analisis Performansi Support Vector Regression

Dalam Memprediksi Bonus Tahunan Karyawan, Jurnal Teknik Industri

Vol.IV, No.1, Universitas Diponegoro: Semarang, 2009.

[2] Permatasari, AI & Mahmudy, WF, Pemodelan Regresi Linear Dalam

Konsumsi Kwh Listrik Di Kota Batu Menggunakan Algoritma Genetika,

DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya, vol.

5, no. 14, 2015 .

[3] 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.

[4] Kusrini&Luthfi,E.T, Algoritma Data Mining, Yogyakarta : Andi

Publishing, 2009.

[5] 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, 2012.

[6] 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.

[7] Sudijono, Anas, Pengantar Statistik Pendidikan, Raja Grafindo Persada:

Jakarta, 2008.

[8] Abe, S, Support Vector Machine for Pattern Classification. Springer -

Verlag.London Limited, 2005.

[9] Desriza, Ferdi, Peramalan Pemakaian Beban transformator Daya

Dengan Metode Autoregressive Integrated Moving Avarage (ARIMA) Di

GI Pauh Limo, Other thesis, Universitas Andalas, 2014.

[10] F. A. Hermawati, Data Mining, 1st ed, Yogyakarta: CV ANDI

OFFSET, 2013.

41

[11] Gorunescu, Florin, Data Mining: Concepts, Models, and Techniques,

Verlag Berlin Heidelberg : Springer, 2011.

[12] Han, J.,&Kamber, M, Data Mining Concept and Tehniques, San

Fransisco : Morgan Kauffman, 2011.

[13] Hidayat, R, Sistem Prediksi Status Gizi Balita Dengan Menggunakan

Support Vector Regression, Skripsi, Tidak Dipublikasikan, Institut

Pertanian Bogor: Bogor, 2013.

[14] Kantardzic, M., Data Mining: Concepts, Models, Methods, and

Algorithms, John Wiley & Sons, 2003.

[15] Larose, Daniel T, Discovering Knowledge in Data: An Introduction

to Data Mining, John Willey & Sons. Inc, 2005.

[16] Maimon, Rockah, Data Mining and Knowledge Discovery Handbook,

Springer, 2005.

[17] Munawar, Pemodelan Visual dengan UML, GrahaIlmu : Yogyakarta,

2005.

[18] PT. PLN (Persero) Rayon Seririt, Profil PT.PLN (Persero) Rayon

Rayon Seririt, Rayon Seririt : PT.PLN (Persero) Rayon Seririt.

[19] PT. PLN (Persero), Profil Perusahaan, PT. PLN (Persero): PT. PLN

(Persero).