1st Muhamad Nofyantoro 2nd Desri Kristina Silalahi 3rd Novi Prihatiningrum
Fakultas Teknik Elektro Fakultas Teknik Elektro Fakultas Teknik Elektro
Universitas Telkom Universitas Telkom Universitas Telkom
Bandung, Indonesia Bandung, Indonesia Bandung, Indonesia
muhamadnofyantoro@student.telkomu desrikristina@telkomuniversity.ac.id nprihatiningrum@telkomuniversity.ac.i
niversity.ac.id d
Abstrak-Prediksi konsumsi beban listrik merupakan langkah konsumsi energi listrik di dalam rumah tangga dengan baik.
awal yang tepat untuk mengatasi permasalahan kebutuhan Selain itu, belum adanya sistem yang tepat untuk diterapkan
konsumsi listrik di berbagai sektor rumah tangga. Prediksi
pada rumah tangga juga menjadi salah satu penyebab
konsumsi beban listrik juga sangat dibutuhkan dalam
pengembangan jaringan listrik untuk ke depannya. tingginya tingkat keborosan penggunaan energi dalam rumah
tangga [2]. Pengembangan aplikasi hingga saat ini hanya
Dalam penelitian ini dirancang suatu sistem untuk prediksi terbatas pada pengujian alat elektronik tertentu sehingga
beban listrik berbasis website untuk dapat memprediksi beban
untuk prediksi penggunaan beban daya listrik hanya terbatas
listrik dan biaya selang waktu yang diinginkan. Pada pembuatan
website ini metode prediksi yang akan di gunakan adalah metode pada alat rumah tangga biasa seperti (kipas, lampu dan
Extreme Gradient Boosting (XGBoost) serta Framework streamlit beberapa alat elektronik lainnya). Permasalahan yang penulis
digunakan dalam penelitian ini dalam membuat website. temui hingga saat ini yaitu masih kurangnya data uji sebagai
Data yang digunakan dalam prediksi konsumsi beban listrik
titik acuan untuk perhitungan machine learning. Karena
harian per jam (24 jam) adalah 38 hari, yaitu dari tanggal 22 semakin banyaknya data uji maka prediksi penggunaan daya
Maret 2020 hingga 28 April 2020. Hasil prediksi yang di dapat listrik dapat diprediksi dengan tingkat keakuratan yang lebih
yaitu selama 6 hari untuk tanggal 23 April sampai tanggal 28 tinggi. Namun karena keterbatasan tertentu penulis sudah
April yang menghasilkan nilai dengan MSE (Mean Square Eror) berusaha semaksimal mungkin untuk mendapatkan data uji
sebesar: 9,861 dan MAE (Mean Absolute Error): 0,055 MAPE sebagai acuan untuk perhitungan machine learning. Penulis
(Mean Absolute Percent Error): 0,1414.Kata kunci— Kata kunci
berharap dapat terus berinovasi dalam mengembangkan tugas
sedapat mungkin menjelaskan isi tulisan, dan ditulis dengan
huruf kecil, kecuali akronim. Kata kunci tidak lebih dari 6 kata akhir penulis, adapun beberapa rencana inovasi yang penulis
miliki yaitu dapat menggolongkan target pasar untuk
Perancangan sistem prediksi listrik rumah tangga berbasis
I. PENDAHULUAN website. Berdasarkan jurnal yang penulisan baca konsumsi
listrik perumahan tipe 36 dengan daya 900 VA cenderung
Pertambahan penduduk yang semakin pesat dan diiringi
pemakaian listrik yang lebih besar di banding dengan tipe
pertumbuhan ekonomi yang tinggi menyebabkan kebutuhan
rumah 45 dengan daya 1300 VA, maka dari itu penulis
akan tenaga listrik semakin meningkat, sehingga dibutuhkan
memfokuskan pengimplementasian dari TA yang penulis
penyediaan dan penyaluran tenaga listrik yang memadai, baik
buat sangat disarankan untuk perumahan tipe 36 dengan daya
dari segi teknis maupun ekonomisnya. Konsumsi listrik di
900 VA yang memiliki kecenderungan penggunaan daya
Indonesia menurut data dari Statistik Ketenagalistrikan
yang lebih boros [3].
KESDM pada tahun 2020 mencapai 243.58 GigaWatthour
Dalam web aplikasi yang dibuat oleh penulis memiliki
(GWh) atau tumbuh rata – rata sebesar 5% dari tahun 2018
beberapa fitur seperti hasil dari peramalan pemakaian beban
sebesar 232,43 GWh. Dari angka tersebut porsi komsumsi
listrik serta Estimasi Biaya. Dengan hasil prediksi yang di
dari golongan rumah tangga mencapai 54% dari total dapatkan penulis mengharapkan agar masyarakat dapat
konsumsi atau sekitar 112.15 GWh dan tumbuh secara rata – mempermudah pengaturan penggunaan perangkat
rata 13% dari tahun 2018 yang saat itu sebesar 97,14 GWh. elektronika rumah tangga agar lebih effisien dan hemat dalam
Angka tersebut menunjukkan bahwa porsi konsumsi terbesar penggunaanya.
adalah dari golongan pelanggan rumah tangga [1]. Di dalam
rumah tangga terdapat banyak peralatan elektronik yang II. KAJIAN TEORI
dalam pemakaiaanya mengkonsumsi energi listrik. Akan
tetapi, konsumsi energi di kalangan rumah tangga tergolong
boros. Hal ini dikarenakan masyarakat belum bisa mengatur
ISSN : 2355-9365 e-Proceeding of Engineering : Vol.9, No.5 Oktober 2022 | Page 2254
Dimana:
III. METODE
𝑦̂ = 𝑛𝑖𝑙𝑎𝑖 ℎ𝑎𝑠𝑖𝑙 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡.
𝑦 = 𝑛𝑖𝑙𝑎𝑖 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑠𝑖 𝑘𝑒 – 𝑖 dan 𝑛 = 𝑏𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑑𝑎𝑡a. A. Desain Sistem
A. Pengambilan Data
Data yang di ambil merupakan data dari penelitian
sebelunya. Pengambilan data di mulai dari tanggal 22 maret
2020 hingga 28 april 2020, pengambilan data di laksanakan
di indekost pondok DR, desa sukabirus kecamatan
dayeuhkolot kab Bandung, data yang di proleh 912 data
dengan interval 1 jam. Dengan menggunakan beban 9
perangkat elektronika. Perangkat elektronika tersebut berupa
rice cooker, dispenser, cash leptop, setrika, kipas angin, TV,
lampu 1, lampu 2, lampu 3
B. Preprocesing Data
Pengambilan data tidak selalu ideal, maka pembersihan
data sangat dibutuhkan untuk mempermudah pemrosesan
data, maka dari itu dilakukan pembersihan data. Dari
pengamatan data, untuk mendapatkan daya total dengan cara
menjumlah seluruh penggunaan daya setiap jam
TABEL 1
No Time Stamp Total daya (Wh)
0 2020-03-22 02:00:00 53,770
1 2020-03-22 03:00:00 64,617
akan dijadikan sebagai model XGBoost yaitu: Boster = yang nantinya akan diisi menggunakan deksripsi dan
gbtree, learning rate = 0.1 dan Max_depth = 3. Parameter eksplorasi dari data prediksi beban listrik.
terbaik dari keluaran gridsearchCV menjadi masukan
parameter untuk permodelan XGBoost.
V. KESIMPULAN
Berdasarkan pengerjaan Tugas Akhir yang berjudul
Perancangan Sistem Prediksi Penggunaan Listrik Rumah
Tangga Berbasis Website” maka penulis dapat menarik
kesimpulan sebagai berikut:
1. Dengan adanya sistem prediksi berbasis web dengan
menggunakkan framework streamlit memudahkan dalam
perhitungannya dalam memprediksi listrik rumah
kedepannya. Hasil dari prediksi sangat dipengaruhi oleh
banyaknya data yang dimiliki untuk meningkatkan
keakuratan hasil hitung prediksi.
2. Berdasarkan dari model runtun waktu yang
digunakan dalam melakukan prediksi beban listrik rumah,
yakni metode XGBoost dengan forecase selama 6 hari ke
depan yaitu untuk tanggal 23 April sampai tanggal 28 April
Pada Table 7 didapatkan cost harian hasil prediksi beban yang menghasilkan nilai MSE (Mean Square Eror) sebesar:
listrik selama 6 hari dan hasil beban aktual yang didapat dari 9,861 dan MAE (Mean Absolute Error ) sebesar 0,055 dan
pengambilan data yang telah diperoleh. Serta hasil dari selisih MAPE (Mean Absolute Percent Error) sebesar 0,1414.
data aktual dengan data hasil prediksi menggunakan
XGBoost. Pada hasil selisih tersebut dapat menjadi acuan
untuk menekan biaya pembayaran beban listrik jika hasil REFERENSI
prediksi diaplikasikan pada proses penjadwalan. Jika hasil [1] Agustin, R., & Wikarya, U. (2019). Pengaruh
prediksi konsumsi beban listrik menggunakan metode Kebijakan Tariff Adjustment Listrik terhadap
XGBoost di aplikasikan pada sistem penjadwalan Konsumsi Listrik Rumah Tangga di Indonesia. Jurnal
Kebijakan Ekonomi, 15(1), 11.
penggunaan beban listrik maka akan di dapatkan estimasi
pengurangan biaya konsumsi beban listrik senilai selisih yang [2] Sholeh, M., & Firdaus, F. Analisis Efisiensi
telah di sajikan pada Table 7 Berdasarkan pengujian Penggunaan Energi Listrik Sektor Rumah Tangga di
Pekanbaru Menggunakan Perangkat Lunak LEAP
menggunakan data aktual dan data prediksi web dari beban (Doctoral dissertation, Riau University).
listrik selama 6 hari maka di dapatkan hasil MSE = 9,861 dan
[3] Muhtar, G. A. (2022). LISTRIK BERDAYA
MAE = 0,055 dan MAPE = 0,141. RENDAH LEBIH EFISIEN DI PERKOTAAN:
PENDEKATAN SISTEM INFORMASI
GEOGRAFIS. JUIK (Jurnal Ilmu Komputer), 2(1),
G. Perancangan Webiste 67-71.
[4] Arief, M. R. (2011). Pemrograman Web Dinamis
Dalam membangun website penuslis menggunakan Micro Menggunakan Php Dan Mysql. Yogyakarta: Andi.
framework streamlit. Micro framework streamlit ini dapat
digunakan untuk membangun website interaktif berbasis [5] Streamlit. (2020). Home: Streamlit. Diambil Kembali
Dari Streamlit.Io:
machine learning. Dalam pembuatan website interaktif Https://Docs.Streamlit.Io/En/Stable/#:~:Text=Stream
menggunakan streamlit harus melalui beberapa tahapan, lit%20is%20an%20open %2dsource,
pertama adalah menyimpan model dalam bentuk pickle yang Apps%20%2d%20so%20let's%20get%20started!
memuat model XGBoost. Pembuatan laman website sendiri [6] Python. “Pickle – Python Object Serialization”
menggunakan bahasa python yang di konversikan secara [Online],
otomatis oleh streamlit. Yang dimulai membangun kerangka
ISSN : 2355-9365 e-Proceeding of Engineering : Vol.9, No.5 Oktober 2022 | Page 2259
[7] Suswanto, D. (2009). Sistem Distribusi Tenaga Listrik. [11] Putro, B. (2018). Prediksi Jumlah Kebutuhan Pemakaian Air
Universitas Negeri Padang, Padang. Menggunakan Metode Exponential Smoothing (Studi Kasus:
Pdam Kota Malang) (Doctoral Dissertation, Universitas
[8] Dwiantoro, B. (2012). Peramalan Beban Listrik Jangka Pendek Brawijaya).
Berdasarkan Data Historis Menggunakan Metode Generalized
Autoregressive Conditionalheteroskedasticity (Garch). [12] Putra, M. L. P. (2021). Sistem Prediksi Harga Rumah Di Pulau
Jawa Dengan Analisis Random Forest Dan Website Interaktif
[9] N. Zheng, Y. Shao, S. Zou, And Z. Ma, “Short-Term Load Mengunakan Framework Streamlit.
Forecasting Based On Wavelet Decomposition And Xgboost,”
Proc. 2020 10th Int. Work. Comput. Sci. Eng. (Wcse 2020), No.
Wcse, Pp. 19–21, 2020, Doi: 10.18178/Wcse.2020.06.060.
[10] Sautomo, S., & Pardede, H. F. (2021). Prediksi Belanja
Pemerintah Indonesia Menggunakan Long Short-Term Memory
(Lstm). Jurnal Resti (Rekayasa Sistem Dan Teknologi
Informasi), 5(1), 99-106.