Implementation of the K-Means Algorithm on Household Electric Load

Alief Nur Aisyi Maulidhia; Indri Ika Widyastuti; Friska Intan Sukarno; Rahmat Basya Shahrys Tsany; Thomas Brian

doi:10.32503/jtecs.v5i1.6739

Alief Nur Aisyi Maulidhia Politeknik Perkapalan Negeri Surabaya
Indri Ika Widyastuti Politeknik Perkapalan Negeri Surabaya
Friska Intan Sukarno Politeknik Perkapalan Negeri Surabaya
Rahmat Basya Shahrys Tsany Politeknik Perkapalan Negeri Surabaya
Thomas Brian Politeknik Perkapalan Negeri Surabaya

DOI: https://doi.org/10.32503/jtecs.v5i1.6739

Abstract

Peningkatan konsumsi energi listrik rumah tangga menuntut adanya strategi pengelolaan daya yang lebih efisien. Salah satu pendekatan yang dapat digunakan untuk menganalisis pola konsumsi listrik adalah dengan menerapkan algoritma K-Means Clustering. Algoritma ini memungkinkan pengelompokan data konsumsi listrik berdasarkan kesamaan pola penggunaan daya, sehingga dapat membantu dalam memahami perilaku konsumsi energi rumah tangga serta memberikan rekomendasi efisiensi listrik. Penelitian ini bertujuan untuk mengimplementasikan algoritma K-Means pada data konsumsi listrik rumah tangga yang dikumpulkan dengan interval satu menit selama periode tertentu. Data yang digunakan mencakup berbagai parameter kelistrikan seperti daya aktif, daya reaktif, tegangan, dan nilai sub-metering dari beberapa perangkat listrik. Tahapan penelitian meliputi pengumpulan dan praproses data, penerapan algoritma K-Means untuk pengelompokan pola konsumsi daya, serta evaluasi hasil clustering. Hasil penelitian menunjukkan bahwa algoritma K-Means mampu mengelompokkan pola konsumsi listrik rumah tangga menjadi beberapa kategori berdasarkan tingkat penggunaan daya. Pengelompokan ini dapat membantu pengguna dalam mengidentifikasi perangkat dengan konsumsi energi tinggi serta merancang strategi penghematan energi. Selain itu, hasil analisis dapat digunakan oleh penyedia layanan listrik untuk mengoptimalkan distribusi daya dan merancang kebijakan yang lebih efisien. Hasil penelitian optimal menunjukkan jumlah cluster=3.

References

[1] Hikmiyah, N. R., Siregar, R. R. A., Prayitno, B., Kusuma, D. T., & Novi, R. (2020). Pengelompokan Data Penggunaan Energi Listrik Menggunakan Algoritma Mini-Batch K-Means Clustering. e-Proceeding of Engineering, 7(5), 1234-1240.

[2] Siregar, R. R. A., & Prayitno, B. (2021). Identifikasi Profil Konsumsi Energi Listrik untuk Meningkatkan Pendapatan dengan Klustering. Jurnal Teknik Elektro, 10(2), 45-52.

[3] Batubara, I. F., & Lubis, F. Z. (2023). Clustering Data Pelanggan PLN Helvetia Menggunakan Metode K-Means Cluster. Kohesi: Jurnal Multidisiplin Saintek, 2(1), 71-80.

[4] Wei, Z., & Wang, H. (2021). Characterizing Residential Load Patterns by Household Demographic and Socioeconomic Factors. arXiv preprint arXiv:2106.05858.

[5] Prayitno, B., & Siregar, R. R. A. (2020). Penerapan Algoritma K-Means Clustering untuk Pengelompokan Data Pelanggan PLN Helvetia. Jurnal Sistem Informasi, 9(2), 78-85.

[6] Michalakopoulos, V., Sarmas, E., Papias, I., Skaloumpakas, P., Marinakis, V., & Doukas, H. (2023). A Machine Learning-Based Framework for Clustering Residential Electricity Load Profiles to Enhance Demand Response Programs.

[7] Mustapa, S.I., &Bekri, M.M. (2017). Analysis of Household Electricity Consumption Patterns: A Clustering Approach. Energy Procedia,105,2685-2690.

[8] Rousseeuw, P.J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65.

[9] Davies, D.L., & Bouldin, D.W. (1979). A cluster separation measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-1(2), 224-227.

[10] Han, J., Kamber, M., & Pei, J.(2012). Data Mining: Concepts and Techniques. 3rd Edition, Morgan Kaufmann.

Implementation of the K-Means Algorithm on Household Electric Load

Implementasi Algoritma K-Means Pada Beban Listrik Rumah Tangga

Abstract

References

Most read articles by the same author(s)