http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 621
Implementasi Predictive Modelling Dalam Memprediksi Besarnya Penggunaanlistrik Rumah Tangga
(Studi Kasus: PLN Area Lubuk Pakam)
Ishak Iskandar
Program Studi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia Jalan Sisingamangaraja No. 338 Medan, Indonesia
Abstrak
Peranan listrik sangat penting bagi setiap lapisan masyarakat bahkan listrik juga sangat dibutuhkan sebagai sarana produksi dan untuk kehidupan sehari-hari, begitu pentingnya peranan listrik tentu saja berdampak pada permintaan listrik yang semakin besar tapi hal ini kiranya tidak linier dengan persediaan listrik yang belum mampu memenuhi permintaan listrik yang begitu besar tersebut. Untuk mengatasi hal ini perlu adanya campur tangan pemerintah dan masyarakat dalam menggunakan listrik dengan bijak sehingga kebutuhan listrik tidak menjadi lebih besar dari persediaan listrik. Oleh karena itu setiap rumah tangga haruslah paham penggunaan listrik yang efektif. Metode pengamatan yang diambil oleh penulis adalah dengan mengambil dan mengumpulkan data-data dari PT. PLN Area Lubuk Pakam. Selain itu, penulis mengumpulkan data-data dari buku-buku yang berhubungan dengan pembahasan yang ingin penulis paparkan dan melakukan reseach di PT. PLN Area Lubuk Pakam yang bersangkutan dengan pembahasan. Penulis juga membaca beberapa jurnal yang bersangkutan dengan bahan pembahasan.
Penerapan metode Predictive Modeling diharapkan mampu untuk memprediksi besarnya penggunaan listrik tiap rumah tangga agar lebih mudah mengatur penggunaan listrik. penggunaan listrik rumah tangga yang diuji dengan metode Predictive Modeling, maka diperoleh hasil persentase untuk keakuratan prediksi, di mana data penggunaan listrik rumah tangga yang diuji terdapat data penggunaan listrik rumah tangga yang berhasil diklasifikasikan dengan benar.
Kata Kunci: Data Mining, Predictive Modeling, Penggunaan Listrik.
Abstract
The role of electricity is very important for every level of society and even electricity is very much needed as a means of production and for everyday life, so the importance of the role of electricity certainly has an impact on increasing electricity demand but this is not linear with electricity that has not been able to meet demand the electricity is so big. To overcome this, there needs to be interference from the government and the community in using electricity wisely so that the electricity needs do not become greater than the electricity supply. Therefore every household must understand effective electricity use. The observation method taken by the author is to collect and collect data from PT. PLN Lubuk Pakam Area. In addition, the author collects data from books related to the discussion that the author wants to describe and conduct research at PT. The Lubuk Pakam Area PLN is concerned with the discussion. The author also reads several journals concerned with the discussion material. The application of the Predictive Modeling method is expected to be able to predict the amount of electricity usage per household so that it is easier to regulate electricity usage. household electricity use tested by the Predictive Modeling method, the percentage results obtained for the accuracy of predictions, where the data on household electricity usage tested contained data on household electricity usage that were successfully classified correctly.
Keywords: Data Mining, Predictive Modeling, Electricity Usage.
1. PENDAHULUAN
Tenaga listrik merupakan kebutuhan pokok bagi masyarakat. Tenaga listrik digunakan oleh beberapa sektor, antara lain sektor rumah tangga, industri, usaha komersial, dan tempat layanan umum. Tenaga Listrik tidak dapat disimpan dalam skala besar, karenanya tenaga ini harus disediakan pada saat dibutuhkan. Akibatnya timbul persoalan dalam menghadapi kebutuhan daya listrik yang tidak tetap dari waktu ke waktu, bagaimana mengoperasikan suatu sistem tenaga listrik yang selalu dapat memenuhi permintaan daya pada setiap saat. Prediksi kelistrikan merupakan salah satu bidang yang banyak diteliti karena listrik merupakan salah satu jenis energi utama, sehingga diperlukan perencanaan yang baik untuk mengetahui permintaan listrik di masa yang akan datang.
Tenaga listrik tidak dapat disimpan dalam skala besar, karenanya tenaga ini harus disediakan pada saat dibutuhkan sehingga secara langsung mempengaruhi biaya untuk pengoperasian dan pembangunan tenaga listrik.
PT PLN Area Lubuk Pakam mempunyai masalah dalam memenuhi kebutuhan listrik sehingga pemanfaatan listrik tidak menjadi efisien dan tidak merata bagi sebagian masyarakat. Untuk itu perlu diusahakan agar dapat memenuhi kebutuhan tenaga listrik tepat pada waktunya. Dengan kata lain, pembangunan bidang kelistrikan harus dapat mengimbangi kebutuhan tenaga listrik yang terus menerus naik setiap tahunnya.
Pertambahan penduduk dapat memicu terjadinya peningkatan kebutuhan energi listrik, tetapi hal ini tidak seimbang dengan peningkatan penyediaan tenaga listrik, dimana kapasitas daya terpasang masih tetap, sementara kebutuhan masyarakat terus meningkat dan berbagai kegiatan pendukungnya. Hal ini dapat dikatakan bahwa ketergantungan dalam pemakaian tenaga listrik sangat tinggi, tidak hanya untuk kebutuhan penerangan tetapi juga untuk mendukung kegiatan ekonomi. Maka dari itu akibat yang ditimbulkan adalah seringnya terjadi pemadaman aliran listrik oleh PLN, terutama pada saat beban puncak. Hal ini disebabkan oleh akibat pemakaian beban yang melebihi daya yang telah disediakan Kebutuhan listrik terus meningkat setiap tahunnya.
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 622
2. METODE PENELITIAN
2.1 Predictive Modelling
Metode Predictive Modelling adalah proses pembuatan pengujian, dan validasi model untuk memprediksi probabilitas hasil terbaik. Model dipilih berdasarkan pengujian, validasi dan evaluasi dengan menggunakan teori pendeteksian untuk menebak probabilitas suatu hasil dalam sejumlah data masukan yang telah ditetapkan. model hubungan antara kinerja spesifik unit dalam sampel dan satu atau lebih atribut atau fitur yang diketahui dari unit.
Predictive Modelling adalah seperangkat alat yang digunakan untuk membuat stratifikasi populasi sesuai dengan risiko hampir semua hasil. idealnya, pasien berisiko dikelompokkan untuk mengidentifikasi peluang intervensi sebelum terjadinya hasil buruk yang mengakibatkan meningkatnya biaya medis. Sepupu MS, Shumer LM, Bander JA. Pengantar pemodelan prediktif untuk stratifikasi risiko pengelolaan penyakit. Manajemen Penyakit 2002; 5:
157-167 [9].
Predictive modelling digunakan untuk membangun sebuah model untuk target variable sebagai fungsi dari explanatory variable. Explanatory variable dalam hal ini merupakan semua atribut yang digunakan untuk melakukan Prediksi, sedangkan variabel target merupakan atribut yang akan diprediksi nilainya. Predictive modelling dibagi menjadi dua tipe yaitu : Classification digunakan untuk memprediksi nilai dari target variabel yang diskrit dan regression digunakan untuk memprediksi nilai dari target variabel yang continu (berkelanjutan).Sejumlah model untuk memperkirakan rasio kerugian relatif rij, untuk kelas penggunaan i dan nilai merit kelas j. dua modus paling umum yang di anggap adalah model aditif rij = αi + βj dan model multiplikasinya rij = αi. βj kemudian menjelaskan beberapa metode numerik iterativ untuk memperkirakan koefisien (αi) dan {βj} metode yang paling banyak digunakan. Bailey dan Le Roy (1963)[1]:
Adapun rumus predictive modelling sebagai berikut Hitung estimasi awal
βj = ∑/inij.rij ... (1) Untuk Setiap j, untuk aditif model, digunakan bobot, nij untuk mewakili paparan yang diukur Dengan kriteria keseimbangan i
∑_j nij. (rij-αi- βj) = 0 ... (2) Persamaan di atas untuk sebuah perkiraan
αi =
∑ j 𝑛𝑖𝑗 (𝑟𝑖−𝛽𝑗)∑ j 𝑛𝑖𝑗
...
(3) Dengan perkiraan tersebut {αj}, juga menghitung perkiraan taksiran βj𝛽=
∑ j 𝑛𝑖𝑗 (𝑟𝑖−𝛼𝑗)∑ j 𝑛𝑖𝑗 ...(4) Dimana:
βj = jumlah sampel
αi = waktu periode time series r ij = nilaitengah mean j = banyaknya atribut i = kriteria keseimbangan nij = Jumlah dari observasi
Ulangi langkah 2 dan 3 dengan menggunakan taksiran pembaruan { αj } dan { βj } sampai taksiran bertemu.
2.2 Model Prediksi
Model prediksi berkaitan dengan pembuatan sebuah model yang dapat melakukan pemetaan dari setiap himpunan variabel ke setiap targetnya, kemudian menggunakan model tersebut untuk memberikan nilai target pada himpunan baru yang di dapat. Ada dua jenis model prediksi, yaitu klasifikasi dan regresi. Klasifikasi digunakan untuk variabel target diskret, sedangkan regreasi untuk variabel target kontinu .
Berdasarkan teknik yang digunakan untuk memprediksi maka prediksi dapat dibagi menjadi dua bagian yaitu prediksi kualitatif dan prediksi kuantitatif . Prediksi kualitatif didasarkan atas data kualitatif pada masa lalu.
Metoda kualitatif digunakan jika data masa lalu dari variabel yang akan diprediksi tidak ada, tidak cukup atau kurang dipercaya. Hasil prediksi yang dibuat sangat tergantung pada individu yang menyusunnya. Hal ini penting karena hasil prediksi tersebut ditentukan berdasarkan pemikiran yang bersifat judgement atau opini, pengetahuan
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 623 dan pengalaman dari penyusunnya. Oleh karena itu metode kualitatif ini disebut juga judgemental, sudjective, intuitive.
Prediksi kuantitatif didasarkan atas data kuantitatif pada masa lalu. Hasil prediksi yang dibuat sangat tergantung pada metode yang dipergunakan dalam prediksi tersebut. Dengan metoda yang berbeda akan diperoleh hasil prediksi yang berbeda. Hal yang perlu diperhatikan dari penggunaan metoda tersebut adalah baik tidaknya metoda yang digunakan dan sangat ditentukan dari penyimpangan antara hasil prediksi dengan kenyataan yang terjadi. Metode yang baik adalah metoda yang memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin.
3. ANALISA DAN PEMBAHASAN
Analisa data pemakaian listrik rumah tangga dilakukan setelah data terkumpul dan sesuai dengan kebutuhan sistem ini untuk menghasilkan kesimpulan berdasarkan pada analisa data pemakaian listrik rumah tangga. Analisa data dilakukan berdasarkan teknik metode predictive modelling dengan beberapa langkah-langkah yang sudah ditentukan. Data yang diambil merupakan data pemakaian listrik rumah tangga dari kecamatan Lubuk Pakam yang merupakan pelanggan dari PT. PLN Area Lubuk Pakam pada bulan januari-mei 2016 di PT. PLN Area Lubuk Pakam dimana data tersebut merupakan data yang mewakili keseluruhan data pemakaian listrik rumah tangga.
Tabel 1. Daftar Pemakaian Listrik Rumah Tangga Januari-Mei 2016
Dalam menganalisa kebutuhan dengan menggunakan metode Predictive Modelling, dapat diketahui frekuensi tinggi tentang pemakaian listrik rumah tangga yang paling banyak digunakan. Metode Predictive Modelling adalah proses pembuatan pengujian, dan validasi model untuk memprediksi penggunaan terbanyak pada penggunaan listrik rumah tangga.
Ada beberapa tahapan dalam memprediksi probabilitas hasil terbaik dalam metode Predictive Modelling yaitu:
1. Mempersiapkan data training. Data training biasanya diambil dari data histori yang sudah pernah terjadi sebelumnya dan sudah dikelompokkan dalam kelas- kelas tertentu.
2. Menghitung atribut yang akan dipilih, dengan cara menghitung nilai dari masing- masing atribut, nilai yang paling tinggi akan menjadi acuan untuk memilih probabilitas hasil terbaik.
Berikut ini adalah uraian langkah -langkah dalam metode Predictive Modelling untuk menyelesaikan kasus suatu pemakaian listrik rumah tangga akan dilakukan, berdasarkan data yang ada. Data yang telah ada pada gambar 1 akan digunakan untuk memproleh hasil prediksi pemakaian listrik rumah tangga terbanyak.
Pada gambar 2 atribut- atributnya adalah data items yang terdiri dari 10 items, katagori dan bulan pemakaian. Setiap atributmemiliki nilai. Sedangkan kelasnya ada pada kolom katagori yaitu katagori “Tinggi (T) nilai nya antara 80-230”, katagori “Sedang (S) nilainya 60-79” dan katagori “Rendah”(R) nilainya 20- 59.Kemudian data tersebut dianalisis.
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 624 Tabel 2. Katagori Penggunaan Per Bulan
Adapun dari gambar 2 dengan hasil dari katagori penggunaan listrik rumah tangga dapat diuraikan pada pada tabel 1.
Tabel 3. Jumlah Penggunaan Listrik Rumah Tangga No Kelurahan/Desa Pemakaian Listrik
Tinggi (900 VA)
Pemakaian Listrik Sedang (450 VA)
Pemakaian Listrik Rendah (1300 VA)
1 Desa Bakaran Batu 443 409 214
2 Desa Lubuk Pakam I-II
553 407 156
3 Desa Tanjung Garbus
1106 281 -
4 Desa Lubuk Pakam Pekan
1113 270 -
5 Desa Paluh Kemiri 457 259 288
6 Desa Petapahan 852 422 -
7 Desa Pagar Merbau 866 273 52
8 Desa Syahmad 843 421 -
9 Desa Lubuk Pakam 3
1117 286 -
10 Desa Cemara 744 345 105
Jumlah 8094 3373 815
Adapun keterangan dari tabel 3.13 tersebut dapat disimpulkan pemakaian listrik rumah tangga dengan jumlah tertinggi terdapat pada pemakaian listrik dengan golongan 900 VA total pemakaian 8094 pengguna rumah tangga, sedangkan pemakaian rumah tangga sedang dengan golongan 450 VA total pemakaian 3373 dan pemakaian rendah dengan golongan 1300 VA total pemakian 815 pengguna.
Tabel 4. Hasil Perhitungan Pada Penggunaan Listrik Rumah Tangga Total Kasus Tinggi (T)
900 VA
Sedang (S) 450 VA
Rendah(R) 1300 VA
50 8094 3373 815
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 625
4. IMPLEMENTASI
Pengujian aplikasi dilakukan untuk mengetahui apakah aplikasi sudah berjalan dengan baik dan benar. Dataset tabular.
\ Gambar 1. Dataset Tabular
Jika data yang diinginkan ada maka woorkbook information pada download information berisi sheet size dataset size.
1. Tampilan untuk melihat define atributes statuses sebagai berikut:
Gambar 2. Define Attributes Statuses 2. Setelah itu lihat pada tampilan define status untuk melihat atribute
Gambar 3. Define Status 3. Untuk melihat data awal maka dilakukan langkah sebagai berikut :
Gambar 4. Dataset Description
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 626 4. Tampilan Data yang akan diolah
Gambar 5. Tampilan Dataset
5. Kemudian proses selanjutnya Export dataset 1 untuk menampilkan data yang akan diolah untuk memindahkan data yang akan diproses dalam dataset.
Gambar 6. Export dataset 1
6. Dalam hal ini yang dikehendaki adalah Export Scatterplot with labil 1untuk proses menampilkan hasil prediksi pemakaian listrik rumah tangga
Gambar 7. Scatterplot with label 1 Tanagra
Adapun proses selanjutnya klik kanan pada Scatterplot with label 1 dan klik View, pilih AtributValue pada pojok kanan atas, tentukan kriteria Atribute ref Untuk memilih dan proses untuk prediksi pemakaian yang di kehendaki pada pojok kiri atas pemakaian listrik tinggi dan pojok kiri bawah pemakaian listrik tinggi prediksi yang akan diproses. maka akan muncul hasil yang akan diprediksi pada gambar di bawah ini.
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 627 Gambar 8. Hasil Prediksi pemakaian listrik tinggi
Untuk memproses hasil selanjutnya lakukan hal yang sama klik pada pilihan pojok kiri atas penggunaan listrik sedang dan kanan bawah penggunaan listrik sedang tentukan pilihan yang ingin diproses maka hasil prediksi seperti gambar dibawah ini.
Gambar 9. Hasil Prediksi Pemakaian Listrik Sedang
Gambar 10. Hasil Prediksi Penggunaan Listrik Rendah
Adapun hasil akhir yang ditampilkan pada gambar diatas, pemakaian listrik tinggi,sedang dan rendah pada gambar diatas.
5. KESIMPULAN
Berdasarkan penjelasan pada bab-bab sebelumnya, maka penulis mengambil kesimpulan antara lain:
1. Di dalam menganalisa pemakaian listrik rumah tangga khusus nya di PT PLN Area Lubuk Pakam untuk dapat melihat perkembangan dari jumlah pelanggan khususnya rumah tangga sehingga kebutuhan listrik dari tahun ke tahun dapat terpenuhi dengan baik.
2. Dalam penerapannya metode Predictive Modelling membaca seluruh sampel data training dari storage dan memuatnya ke memori sehingga dalam mengkonstruksi, predictive modelling dapat membaca seluruh sampel data training dari storage dan memuatnya ke memori.
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 628 3. Aplikasi data mining untuk data prediksi pemakaian listrik rumah tangga diperlukan adanya penerapan Predictive Modelling dan dalam penginputan serta dalam memproses data diperlukan sofware pendukung seperti Tanagra
REFERENCES
[1] Online] Available: http://tanagra.software.infomer.comDiakses pada tanggal 22 juli 2107.
[2] Eko Prasetyo, Data Mining Konsep dan Aplikasi Menggunakan Matlab,Yogyakarta, CV Andi Offset,2012,pp.2-6
[3] Ir.Pandapotan Sianipar. (2002). Singkat Tepat Jelas Menggunakan Microsoft Office Excel 2003[Online]. Available FTP:2004 PT Elex Media Komputindo Jakarta.
[4] Kuhn, M.: Jhonson, K “Predictive Modelling dalam Memprediksi Ekonomi Bahan Bakar”Springer Science+Business Media New York 2013 vol XIII 600 pp. 204 2013
[5] Larose, 2005: ”Algoritma Data Mining”, Data Mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan,Yogyakarta, CV Andi Offset, 2009, pp.10-11
[6] Mike Batty FSA CERRA (2010) “Predictive Modelling untuk asuransi jiwa cara penanggung life bisa berpartisipasi dalam revolusi bisnis Analitics”, [online] Availabe: https://www.soa.org/files/pdf/research-pred-mod-life-batty.pdf
