Fakultas Ilmu Komputer
Universitas Brawijaya
3043
Implementasi Algoritme
Extreme Learning Machine
(ELM) untuk Prediksi
Beban Pemanasan dan Pendinginan Bangunan
Alif Fachrony1, Imam Cholissodin2
, Edy Santoso3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1alifachrony@gmail.com, 2imamcs@ub.ac.id, 3edy144@ub.ac.id
Abstrak
Konservasi Energi merupakan hal yang sangat penting seiring pertumbuhan zaman dan teknologi. Membuat bangunan yang hemat energi perlu dilakukan dengan cara mengoptimalkan penggunaan alat untuk pendingin dan pemanas ruangan tanpa mempengaruhi kesehatan dan kenyamanan pengguna bangunan tersebut. Bangunan hemat energi dapat dicapai dengan memperhatikan beban pemanasan (HL) dan pendinginan (CL). HL dan CL adalah laju aliran kalor yang harus diambil atau ditambahkan dari suatu ruangan untuk mempertahankan temperatur dan kelembaban udara relatif ruangan pada kondisi yang diinginkan. Prediksi HL dan CL tersebut akan digunakan dalam perhitungan beban daya penggunaan alat pemanas atau pendingin ruangan. Saat ini perhitungan HL dan CL masih memiliki kendala antara lain perhitungan yang sangat rumit, membutuhkan waktu lama sebab banyak disiplin ilmu yang terlibat serta penggunaan parameter yang sangat bervariasi. Diperlukan learning machine
untuk memprediksi HL dan CL dengan mudah, dan cepat. Penulis menggunakan algoritma Extreme Machine Learning (ELM) untuk memprediksi HL dan CL. Dalam Analisa pengujian menggunakan algoritma ELM yang dilakukan dengan fungsi aktivasi sigmoid biner, 3 input, 1 hidden neuron, output target sebanyak 2 serta jumlah data 130 menghasilkan Mean Absolute Error Percentage (MAPE) terbaik yaitu 24,73% dengan waktu proses 0,0176 detik.
Kata kunci: Konservasi Energi, beban pemanasan, beban pendinginan, Jaringan Syaraf Tiruan, learning machine, ELM.
Abstract
Energy conservation is a very important thing as the growth of the times and technology. Making energy-efficient buildings needs to be done by optimizing the use of tools for cooling and heating the building without affecting the health and comfort of the user of the building. Energy-efficient buildings can be achieved by calculate heating (HL) and cooling (CL) loads. HL and CL are the heat flow rates to be taken or added from the building to maintain relative air temperature and humidity of the building under desired conditions. The prediction of HL and CL will be used in calculating the power loads of heater or air conditioner. Currently HL and CL calculations still have constraints such as very complex calculations, time consuming because many disciplines are involved and it use very varied parameters. It needs learning machine to predict HL and CL easily, and quickly. The author uses the algorithm Extreme Machine Learning (ELM) to predict HL and CL. In the test analysis using ELM algorithm performed using binary sigmoid activation function, 3 input, 1 hidden neurons, 2 output targets and 130 dataset, the best Mean Absolute Error Percentage (MAPE) is 24.73% and it takes 0.0176 seconds to complete the process.
Keywords: Energy conservation, heating load, cooling load, Artificial Neural Network, learning machine, ELM.
1. PENDAHULUAN
Secara umum terdapat tiga sektor ekonomi yang menggunakan energi dalam jumlah yang besar yaitu sektor industri, transportasi dan bangunan, hal ini menunjukan bahwa konservasi
2014). Sedangkan di Indonesia konsumsi energi listrik meningkat rata-rata 6,8% per tahun (BPPT, 2016). Konsumsi energi listrik ini naik disebabkan oleh bertambahnya penggunaan peralatan listrik pendingin ruangan. Menurut data Kementrian Energi dan Sumberdaya Mineral, penggunaan energi listrik bangunan terbesar ialah pendingin ruangan (Air Conditioner) yang menggunakan sekitar 60% dari energi listrik bangunan.
Berdasarkan data-data yang dipaparkan diatas menunjukkan bahwa membuat bangunan yang hemat energi perlu dilakukan. Prinsip dasar dari bangunan yang hemat energi adalah mengurangi penggunaan energi yang biasa digunakan untuk pemanas, pendingin dan pencahayaan tanpa mempengaruhi kesehatan dan kenyamanan dari pengguna bangunan tersebut (Duarte & Grasiele, 2017). Meningkatkan efisiensi energi suatu bangunan akan membawa dampak positif bagi lingkungan dan ekonomi yaitu mengurangi emisi gas rumah kaca serta menghemat biaya.
Bangunan yang hemat energi dapat dicapai dengan desain bangunan yang memperhatikan beban pemanasan (HL) dan beban pendinginan (CL). HL dan CL merupakan ukuran energi yang harus ditambahkan atau ditiadakan dari suatu ruangan untuk memberikan tingkat suhu yang nyaman dalam suatu ruangan (Chou & Bui, 2014). Oleh karena itu prediksi CL dan HL pada saat awal perancangan bangunan dapat membantu arsitek merancang bangunan yang hemat energi. Saat ini terdapat beberapa peralatan yang digunakan untuk mengukur konsumsi energi bangunan. Namun peralatan tersebut sangat rumit, membutuhkan waktu lama sebab banyak disiplin ilmu yang terlibat serta penggunaan parameter setelan yang bervariasi (Chou & Bui, 2014). Menurut Tsanas dan Xifara dalam penelitiannya mereka menggunakan
learning machine untuk mengetahui pengaruh delapan variabel masukan untuk memprediksi HL dan CL suatu desain bangunan. Mereka berpendapat bahwa menggunakan learning machine akan lebih mudah dan cepat apabila basis data dari beberapa variabel tersebut tersedia (Tsanas & Xifara, 2012).
Penelitian mengenai metode Extreme Learning Machine pernah dilakukan oleh Agarwal et al untuk prediksi penyakit Parkinson
dengan sinyal suara menggunakan ELM. Dalam penelitian ini dilakukan perbandingan antara ELM, Neural Network dan SVM. Hasilnya adalah bahwa akurasi Neural Network 72,61%,
SVM 82,14% dan ELM 81,55%. Dari hasil pengujian tersebut disimpulkan bahwa ELM lebih baik daripada Neural Network dan mempunyai akurasi yang tidak berbeda jauh dengan metode SVM (Agarwal et al, 2016). Penelitian selanjutnya dilakukan oleh Handika et al untuk membandingkan metode ELM dengan metode Particle Swarm Optimization-ELM (PSO-ELM) dalam memprediksi jumlah penjualan barang. Penelitian menghasilkan nilai MSE sekitar 0,01121 sampai 0,01161 untuk PSO-ELM. Sedangkan untuk metode ELM menghasilkan MSE sekitar 0,01315 sampai 0,01419, nilai ini lebih besar dari PSO-ELM namun ELM membutuhkan waktu proses yang lebih cepat jika dibandingkan PSO-ELM (Handika et al, 2016).
Pada penelitian ini diusulkan algoritma Extreme Learning Machine untuk memprediksi beban pemanasan dan pendinginan bangunan berdasarkan pada paper sebelumnya oleh Agarwal dan Handika. Alasan utama menggunakan algoritma ELM agar hasil prediksi memiliki MAPE baik dan waktu proses yang cepat.
2. DASAR TEORI
2.1 Beban Pemanasan dan Pendinginan
Bangunan yang hemat energi dapat dicapai dengan desain bangunan yang memperhatikan beban pemanasan (HL) dan beban pendinginan (CL). HL dan CL merupakan ukuran energi yang harus ditambahkan atau ditiadakan dari suatu ruangan untuk memberikan tingkat suhu yang nyaman dalam suatu ruangan (Chou & Bui, 2014). HL dan CL adalah laju aliran kalor yang harus ditambahkan atau diambil dari suatu ruangan untuk mempertahankan temperatur dan kelembaban udara relatif ruangan pada kondisi yang diinginkan.
Gambar 1. Relative Compactness
Pada penelitian ini akan difokuskan pada faktor desain bangunan yakni Relative Compactness, Surface Area dan Wall Area. Pada Gambar 1 merupakan contoh relative compactness dari sebuah bentuk bangunan.
Relative Compactness dari bentuk bangunan diperoleh dari perbandingan volume suatu bangunan dengan rasio permukaan area pada bentuk bangunan yang memiliki kepadatan tertinggi (Pessenlehner & Mahdevi, 2003).
2.2 Extreme Learning Machine
Extreme learning machine merupakan jaringan syaraf tiruan feedforward dengan satu hidden layer atau lebih dikenal dengan istilah
single hidden layer feedforward neural network
(Sun, Choi, Au, & Yu, 2008).
Pada Gambar 2 dapat dilihat arsitektur algoritme ELM yang terdiri dari tiga layer yaitu
input layer, hidden layer dan output layer. Dalam arsitektur ELM tersebut terdapat hanya satu hidden layer yang merupakan ciri khas dari algoritme ELM.
Gambar 2. Arsitektur ELM
Pada layer input layer terdapat masukan dari fitur ke 1 sampai fitur ke k. Sebelum masuk
hidden layer, bobot input Wjk menjadi masukan untuk perhitungan h di hidden neuron
menggunakan fungsi aktivasi. Setelah perhitungan h, hidden layer akan menghasilkan
𝛽̂i sebagai masukan output layer untuk
menghitung keluaran 𝑌̂i.
Menurut Srimuang & Intarasothonchun (2015), terdapat beberapa jenis fungsi aktivasi antara lain:
1. Fungsi Sigmoid Biner
)
4. Fungsi Radial Basis ) 5. Fungsi Sigmoid Bipolar
)
Langkah-langkah yang dilakukan untuk training menggunakan metode ELM adalah sebagai berikut:
1. Tentukan bobot W dan bias secara random. 2. Hitung matriks keluaran pada hidden layer
menggunakan Persamaan (6) dan (7).
bias
sedangkan WT adalah transpose matriks bobot.
3. Hitung matriks Moore-Penrose Generalized Inverse menggunakan Persamaan (8).
T
𝐻+merupakan matriks Moore-Penrose
Generalized invers dari matriks 𝐻. Sedangkan matriks 𝐻 merupakan matriks yang tersusun dari output masing-masing
hidden layer. Sedangkan 𝑌 merupakan matriks target.
4. Hitung matriks bobot keluaran dari hidden layer menggunakan Persamaan (9).
𝛽̂ = 𝐻+ 𝑌 (9)
Dimana 𝛽̂ ialah matriks bobot keluaran, H+
Langkah-langkah yang dilakukan untuk testing menggunakan algoritma ELM adalah sebagai berikut:
1. Diketahui bobot W dan bias serta 𝛽̂ yang telah diperoleh dari proses training
sebelumnya.
2. Hitung matriks keluaran hidden layer
menggunakan Persamaan (10) dan (11).
bias
sedangkan WT adalah transpose matriks bobot.
3. Menghitung semua keluaran di unit output
dengan menggunakan Persamaan (12).
𝑌̂ = 𝐻. 𝛽̂ (12)
Dimana 𝑌̂ ialah matriks target hasil prediksi, H adalah matriks keluaran hidden layer dan
𝛽̂ adalah matriks bobot keluaran yang diperoleh dari proses training.
3. PEMBAHASAN
Pada penelitian ini permasalahan yang harus diselesaikan ialah memprediksi beban pemanasan dan beban pendinginan. Sampel data yang digunakan berjumlah 130 data bangunan. Pada Tabel 1 dapat dilihat bahwa prediksi beban pemanasan dan beban pendinginan ini menggunakan 3 fitur yaitu RC, SA dan WA, dengan RC adalah nilai Relative Compactness, SA adalah Surface Area, WA adalah Wall Area, HL adalah Heating Load, dan CL adalah
Cooling Load. Tiga fitur tersebut menjadi jumlah input layer yang nantinya menjadi salah satu parameter dalam proses ELM. Sedangkan HL dan CL menjadi jumlah target (output layer) yang juga merupakan parameter dalam proses ELM. Parameter yang akan digunakan pada proses ELM meliputi: jumlah hidden neuron, matriks bobot W, matriks bias, jumlah input layer, jumlah target, jumlah data training dan data testing.
Tabel 1 Sampel Data
No. RC SA WA HL CL
Penentuan nilai matriks bobot W dilakukan secara random dengan range antara -1 sampai 1. Matriks bobot W mempunyai ordo jumlah
hidden neuron x jumlah input layer. Untuk matriks bias mempunyai ordo 1 x jumlah hidden neuron dan mempunyai range nilai 0 sampai 1 secara random. Parameter-parameter tersebut digunakan untuk fase training, fase ini akan menghasilkan matriks bobot keluaran 𝛽̂ yang digunakan pada fase testing untuk menghitung matriks prediksi 𝑌̂. Setelah matriks 𝑌̂ dihasilkan, maka tahap selanjutnya ialah menghitung nilai evaluasi dengan menggunakan MAPE seperti pada Persamaan (13). algoritme ELM, dimulai dengan normalisasi data latih dan data uji kemudian data normalisasi tersebut digunakan untuk fase training. Fase training akan menghasilkan matriks bobot keluaran 𝛽̂ yang akan digunakan sebagai masukan pada fase testing. Pada fase testing
akan menghasilkan keluaran berupa nilai prediksi dan nilai MAPE.
Gambar 3. Diagram alir ELM
Pengujian akan dibagi menjadi 3 bagian. Pengujian pertama dilakukan untuk mengetahui pengaruh jumlah data latih dan data uji terhadap nilai MAPE, yang kedua untuk mengetahui pengaruh jumlah hidden neuron terhadap nilai MAPE dan waktu eksekusi serta yang ketiga untuk mengetahui pengaruh jenis fungsi aktivasi terhadap nilai MAPE. Setiap pengujian akan dilakukan sebanyak 10 kali percobaan dan akan dievaluasi berdasarkan rata-rata nilai MAPE dan waktu eksekusi.
Pengujian pertama dilakukan menggunakan parameter yaitu hidden neuron = 20, fungsi aktivasi sigmoid biner, input layer = 3, output layer = 2. Dari grafik pada Gambar 4 terlihat bahwa semakin sedikit jumlah data latih maka semakin besar rata-rata MAPE walaupun terdapat penurunan nilai MAPE pada beberapa rasio yang disebabkan pengaruh nilai bobot masukan dan bias yang dihasilkan dari proses
random (acak). Rata-rata nilai MAPE terkecil ada pada rasio data latih dan data uji 70%:30% sebesar 25.8198% yang terdiri dari 90 data latih dan 40 data uji. Sedangkan rata-rata nilai MAPE terbesar ada pada rasio data latih dan uji 20%:80% dan 10%:90% yaitu sebesar 30.1911% dan 30.1817%.
Pengujian kedua dilakukan menggunakan parameter yaitu rasio data = 70%:30%, fungsi aktivasi sigmoid biner, input layer = 3, output
layer = 2. Dari grafik pada Gambar 5 terlihat bahwa semakin banyak jumlah hidden neuron maka rata-rata nilai MAPE akan semakin besar. Rata-rata nilai MAPE terkecil adalah 24.73% pada hidden neuron 1 sedangkan pada hidden neuron 100 rata-rata nilai MAPE adalah 26.43%. %. Pada Gambar 6 dapat dilihat bahwa semakin banyak jumlah hidden neuron maka semakin banyak pula waktu eksekusi. Waktu tercepat ada pada hidden neuron sebanyak 1 yaitu 0.0176 detik sedangkan waktu terlama ada pada hidden neuron sebanyak 100 yakni 0.5379 detik.
Pengujian ketiga dilakukan menggunakan parameter yaitu hidden neuron = 20, rasio data = 70%:30%, input layer = 3, output layer = 2. Pada Gambar 7 dapat dilihat bahwa fungsi aktivasi
Sigmoid Biner mempunyai rata-rata MAPE terkecil yaitu sebesar 25.99%. Sedangkan rata-rata MAPE terbesar ialah fungsi aktivasi Radial Basis yakni sebesar 26.92%.
Gambar 4. Grafik Hasil Pengujian Rasio Data Latih dan Uji
5. KESIMPULAN
Algoritme Extreme Learning Machine
dapat diimplementasikan pada permasalahan prediksi beban pemanasan dan pendinginan bangunan. Berdasarkan hasil pengujian maka didapatkan kesimpulan bahwa jumlah data latih dan uji, jumlah hidden neuron dan jenis fungsi aktivasi memiliki pengaruh terhadap nilai evaluasi MAPE dan waktu eksekusi. Dari hasil tersebut didapatkan rasio data latih dan data uji terbaik ada pada rasio sebesar 70%:30%, hidden neuron terbaik dengan jumlah 1, serta fungsi aktivasi terbaik adalah fungsi sigmoid biner. Dan dengan parameter terbaik hasil dari pengujian tersebut diperoleh MAPE terbaik sebesar 24,73%.
Dengan jumlah MAPE sebesar itu, sistem ini tergolong sistem yang memiliki akurasi prediksi yang masih kurang. Pada penelitian selanjutnya diharapkan adanya algoritme optimasi parameter bobot input dan bias sebab pada penelitian kali ini nilai parameter tersebut masih diperoleh dari hasil random agar menghasilkan hasil prediksi yang lebih baik.
6. DAFTAR PUSTAKA
Agarwal, Aarushi., Chandrayan, Spriha., S
Sahu Sitanshu., 2016.
Prediction of
Parkinson’s Disease using Speech
Signal
with
Extreme
Learning
Machine
. Tersedia melalui : IEEE
Xplore Digital Library.
AlHomoud., 2001. Computer-aided Building Energy Analysis Techniques. Building and Environment 36 (4), 421-433. Chou, J-S., Bui, D-K., 2014. Modeling Heating
and Cooling Loads by Artificial Intelligence for Energy-Efficient Building Design. Energy and Buildings, v. 82, p. 437-446.
Duarte., Grasiele Regina et al., 2017.
Comparison of Machine Learning Techniques for Predicting Energy Loads in Buildings. Ambient. constr., Porto Alegre , v. 17, n. 3, p. 103-115.
Fan C. & Xiao F., 2014. Development of Prediction Models for Next-Day
Gambar 7. Grafik Hasil Pengujian Fungsi Aktivasi
Building Energy Consumption and Peak Power Demand using Data Mining Techniques. Appl Energ;127:1-10. Handika, I Putu Susila., Giriantari, Ida Ayu.,
Dharma, Agus., 2016. Perbandingan Metode Extreme Learning Machine dan
Particle Swarm Optimization Extreme Learning Machine untuk Peramalan Jumlah Penjualan Barang. Teknologi Elektro, Vol. 15, No. 1, Januari-Juni 2016. ISSN 1693-2951.
Harahap, Sabaruddin., Hamid, Abdul., Hidayat, Imam., 2014. Perhitungan Ulang Beban Pendinginan Pada Ruang Auditorium Gedung Manggala Wanabakti Blok III Kementerian Kehutanan Jakarta. Universitas Mercu Buana. Jakarta. Pessenlehner, W., & Mahdevi, A., 2003.
Building Morphology, Transparence, And Energy Performance. Eighth International IBPSA Conference, pp. 1025-1032.
Srimuang, W., & Intarasothonchun, S., 2015.
Classification Model of Network Intrusion using Weighted Extreme
Learning Machine. 12th International Joint Conference on Computer Science and Software Engineering (JCSSE),
190-194.
Sugiyono, Agus., Anindhita, Wahid M.A Laode, Adiarso., 2016. Outlook Energi Indonesia 2016. ISBN 978-602-74702-0-0. BPPT:14.
Sun Zhan-Li, Choi Tsan-Ming, Au Kin-Fan, Yu Yong., 2008. Sales Forecasting using Extreme Learning Machine with Applications in Fashion Retailing. Decision Support System 46;411-419.
Tsanas A, Xifara A., 2012. Accurate Quantitative Estimation of Energy Performance of Residential Buildings Using Statistical Machine Learning Tools. Energy and Buildings, v. 49, p. 560-567.
Urge Vorsatz D, Cabeza LF, Serrano S, Barreneche C, Petrichenko k., 2015.
