Jurna DBSCAN Algorithm
Jurna DBSCAN Algorithm
Abstrak
Untuk mengetahui pola konsumsi listrik di rumah tangga dengan mengetahui daya listrik yang dipakai
setiap menit di rumah tangga yang direpresentasikan dengan global active power dan tambahan perlatan
listrik yang belum diukur yaitu sub-meterings 1,2 dan 3. Dalam menyelesaikan kasus seperti ini
diperlukan algoritma yang dapat menggambarkan pola konsumsi listrik di rumah tangga. Pada paper ini
akan menggunakan teknik clustering dengan algoritma DBSCAN untuk menganalisis dan
mengelompokkan pola konsumsi listrik di rumah tangga. Untuk menentukan cluster pola konsumsi listrik
dengan DBSCAN dibutuhkan Eps dan MinPts yang nilainya didapatkan secara heuristik dengan
membandingkan nilai dari kedua parameter tersebut dengan jumlah cluster yang diperoleh menggunakan
tools Weka untuk mengetahui model dan evaluation dari training set yang digunakan.
Abstract
To determine the pattern of electricity consumption in households with electrical power used to know
every minute in the household are represented by active global power and the additional electrical
equipment that has not been measured, namely sub-Meterings 1, 2 and 3. In resolving this case as
necessary algorithms to describe the pattern of electricity consumption in households. In this paper, using
a clustering technique with DBSCAN algorithm to analyze and classify the pattern of electricity
consumption in households. To determine the cluster power consumption patterns with DBSCAN takes
Eps and MinPts the heuristic value is obtained by comparing the value of both parameter is the number of
clusters obtained using Weka tools to know the model and evaluation of the training set used.
Pearson Correlation
Korelasi antara vektor nilai
7. Skenario Pengujian
Keterangan:
MinPts : Minimal titik/poin di suatu core point
(syarat untuk menjadi core point). Selanjutnya open file dan pilih data yang
Eps : Jarak maksimal antara 2 titik pada titik akan diuji.
pusat atau bisa juga jari-jari pada area titik pusat
tertentu.
Cluster : Wilayah yang sudah terbagi.
Unclustered : Titik atau poin yang tidak
termasuk ke dalam cluster. Unclustered juga
biasa disebut Noise Point
Kesimpulan
Dari hasil akhir yang didapat maka dapat
ditarik kesimpulan sebagai berikut :
a. MinPts dan Eps akan mempengaruhi
pembentukan cluster
b. Dengan adanya Algoritma DBSCAN
yang dapat mengelompokkan jumlah
pemakaian daya listrik pada rumah
tangga, dapat mengetahui pola
konsumsi listrik pada suatu rumah
tangga berdasarkan waktu
penggunaan.
Saran
Jumlah data yang terlalu banyak
mengakibatkan terjadinya pemotongan
data, data yang pada awalnya berjumlah
2.075.259 record, sehingga jumlah record
akan direduksi menjadi 10.259 record.
Keakuratan data mungkin akan menurun
ketika terjadinya pereduksian jumlah
record. Tetapi di sisi lainnya akan
mempercepat proses DBSCAN dalam
meng-cluster.
Daftar Pustaka