JST : Klasifikasi Pengguna Listrik menggunakan Algoritma Learning Vector Quantization (LVQ)

Vio Sri Zuliyanti, Dedy Hartama, Muhammad Ridwan Lubis, Sundari Retno Andani, Ika Okta Kirana

Abstract


Penelitian ini mengusulkan sebuah metode yang dapat digunakan untuk melakukan klasifikasi pengguna listrik berdasarkan daya yang digunakan. Pengguna listrik semakin meningkat setiap tahunnya yang menyebabkan adanya pengguna yang tidak bertanggung jawab dan tidak mematuhi aturan yanga ada. Dengan banyaknya pengguna menyebabkan para staff kesulitan dalam menentukan daya yang digunakan sesuai atau tidak dengan kebutuhan rumah tangga tersebut. Data diperoleh dari PT. PLN Rayon Perdagangan yang merupakan salah satu cabang kantor PLN yang ada di Indonesia. Dalam penelitian ini, adapun metode yang digunakan penulis dalam melakukan klasifikasi pengguna listrik yaitu algoritma Learning Vector Quantization (LVQ). Ada beberapa variabel masukan yang digunakan seperti jumlah tagihan, jumlah jam, tarif meteran dan golongan. Dengan algoritma Learning Vector Quantization (LVQ) akan dapat diperoleh hasil klasifikasi pengguna listrik berdasarkan daya. Hasil dari penelitian ini dalam melakukan klasifikasi menggunakan algoritma LVQ dengan menggunakan 3 model arsitektur, maka didapat hasil terbaik dengan model 4 – 8 – 3 yang memiliki tingkat arsitektur tertinggi yaitu 72%.

Full Text:

PDF

References


I. Agustinus, E. Santoso, and B. Rahayudi, “Klasifikasi Risiko Hipertensi Menggunakan Metode Learning Vector Quantization ( LVQ ),” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 8, pp. 2947–2955, 2018.

S. S. Wiwaha, “Analisis Peluang Penghemat Konsumsi Energi Listrik Pada Pelanggan Rumah Tangga,” Jurnzl ELTEK, vol. 15, no. 01, pp. 47–58, 2017.

H. Jaya, Sabran, M. M. Idris, Y. A. Djawad, A. Ilham, and A. S. Ahmar, Kecerdasan Buatan. 2018.

A. P. Windarto, M. R. Lubis, and S. Solikhun, “Implementasi JST pada Prediksi Total Laba Rugi Komprehensif Bank Umum dan Konvensional dengan Backpropagation,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 4, pp. 411–418, 2018.

T. Villmann, A. Bohnsack, and M. Kaden, “Can learning vector quantization be an alternative to SVM and deep learning? - Recent trends and advanced variants of learning vector quantization for classification learning,” J. Artif. Intell. Soft Comput. Res., vol. 7, no. 1, pp. 65–81, 2017.

Z. A. Leleury, Y. A. Lesnussa, and J. Madiuw, “Sistem Diagnosa Penyakit Dalam dengan Menggunakan Jaringan Saraf Tiruan Metode Backpropagation dan Learning Vector Quantization,” J. Mat. Integr., vol. 12, no. 2, p. 89, 2017.

Z. A. Leleury, Y. A. Lesnussa, and J. Madiuw, “Sistem Diagnosa Penyakit Dalam dengan Menggunakan Jaringan Saraf Tiruan Metode Backpropagation dan Learning Vector Quantization,” J. Mat. Integr., vol. 12, no. 2, p. 89, 2017.

W. Artha Setyowati and W. Firdaus Mahmudy, “Optimasi Vektor Bobot Pada Learning Vector Quantization Menggunakan Particle Swarm Optimization Untuk Klasifikasi Jenis Attention Deficit Hyperactivity Disorder (ADHD) Pada Anak Usia Dini,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 11, pp. 4428–4437, 2018.




DOI: http://dx.doi.org/10.30645/senaris.v2i0.163

Refbacks

  • There are currently no refbacks.


&nbsp