KLASIFIKASI BEBAN LISTRIK DENGAN MACHINE LEARNING MENGGUNAKAN METODE K-NEAREST NEIGHBOR

Abstract

ABSTRAK

Sistem pengenalan beban listrik merupakan peran yang penting dalam melakukan manajemen dan penghematan listrik. Sistem pengenalan beban listrik memiliki keandalan dalam memperoleh informasi yang relevan dari setiap beban listrik. Pada penelitian ini, akan dilakukan analisis karakteristik berbagai fitur beban listrik secara independen dan hubungan pencocokan antara fitur yang berbeda dan algoritma klasifikasi yang berbeda. Yaitu dengan melakukan perbandingan antara dua algoritma klasifikasi K-Nearest Neighbours dan Regresi Logistik Multinomial dari segi akurasi dan kecepatan proses dalam analisis. Sistem klasifikasi akan mengidentifikasikan jenis, model, dan prasyarat yang tidak diketahui dari beban listrik dan mengelompokannya. Karakteristik kelistrikan dari beban listrik yang akan diteliti antaralain besarnya tegangan dan arus root mean square, gelombang harmonisa, daya dan faktor daya dari variasi sample beban listrik yang berbeda. Hasil penelitian pada metode k-Nearest Neighbours didapatkan akurasi sebesar 99.619% sedangkan dengan metode Regresi Logistik Multinomial didapatkan akurasi sebesar 91.125%

Kata Kunci : Beban Listrik, Klasifikasi, K-Nearest Neighbours, Regresi Logistik Multinomial

ABSTRACT

The electrical load recognition system plays an important role in managing and saving electricity. In this study, the caharacteristic of various electrical load features in independent condition and the matching relationship between different features and different classification algorithm will be analyzed by doing a comparison between two classification algorithms, k-Nearest Neighbours and Multinomial Logistic Regression in terms of accuracy and speed of analysis process. The classification system will be identify unknown types, models and prerequisites of different electrical loads and classify them. The characteristics of the electrical load that will be analyzed include the magnitude of root mean square voltage and current, harmonic waves, power series, and power factor from variety of different electrical load samples. The results of the research on the k-Nearest Neighbors method obtained an accuracy of 99.619% while the Multinomial Logistics Regression method obtained an accuracy of 91.125%.

Keywords: Electrical Load, Classification, Machine Learning, k-Nearest Neighbours, Multinomial Logistic Regression