Implementasi Metode Support Vector Machine Dengan Algoritma Genetika Pada Prediksi Konsumsi Energi Untuk Gedung Beton Bertulang

Asep Syaputra; Buhori Muslim; Nanda S. Prawira; Edowinsyah edowinsyah

doi:10.30998/faktorexacta.v16i2.16657

Implementasi Metode Support Vector Machine Dengan Algoritma Genetika Pada Prediksi Konsumsi Energi Untuk Gedung Beton Bertulang

Asep Syaputra^(1*), Buhori Muslim⁽²⁾, Nanda S. Prawira⁽³⁾, Edowinsyah edowinsyah⁽⁴⁾

(1) Institut Teknologi Pagar Alam
(2) Universitas Putra Indonesia (UNPI) Cianjur
(3) Institut Teknologi Pagar Alam
(4) Institut Teknologi Pagar Alam
(*) Corresponding Author

Abstract

Informasi tentang konsumsi energi sangat penting dalam mengukur efisiensi energi dan penghematan energi dalam bangunan. Konsumsi energi ini mengacu pada jumlah energi yang dibutuhkan untuk memberi daya pada bangunan pada waktu tertentu. Dengan mengetahui informasi ini, kita dapat mengevaluasi konsumsi energi yang ada dan membuat perubahan yang diperlukan untuk mengurangi penggunaan energi yang tidak perlu. Dalam jangka panjang, penghematan energi dapat membantu mengurangi biaya dan juga memberikan manfaat bagi lingkungan dengan mengurangi emisi gas rumah kaca yang dihasilkan oleh bangunan. Oleh karena itu, memperoleh informasi konsumsi energi yang akurat sangat penting bagi semua pihak yang terlibat dalam perencanaan, pembangunan, dan pengelolaan bangunan. Selama beberapa dekade terakhir, konsumsi energi di bangunan terus meningkat di seluruh dunia, dan sebagian besar konsumsi energi ini berasal dari Pemanasan, Ventilasi, dan Penyejuk Udara (HVAC) di dalam bangunan. Untuk mengatasi masalah ini, penelitian dilakukan dengan membuat model mesin vektor dukungan yang menggunakan algoritma genetika untuk memprediksi konsumsi energi di bangunan secara akurat. Dalam penelitian ini, dua model mesin vektor dukungan diuji, yaitu support vector machine dan support vector machine yang menggunakan algoritma genetika. Hasil pengujian menunjukkan bahwa model support vector machine memberikan nilai RMSE sebesar 2,6. Selanjutnya, algoritma genetika digunakan untuk mengoptimalkan parameter C dan memilih variabel prediktor yang paling relevan, dan hasilnya adalah nilai RMSE sebesar 1,7 dan hanya 3 variabel prediktor yang dipilih. Pada tahap selanjutnya, optimasi parameter dan pemilihan fungsi dilakukan untuk mencapai nilai RMSE terendah yang mungkin, dan hasilnya adalah RMSE sebesar 1,537. Dengan demikian, algoritma mesin vektor dukungan yang menggunakan algoritma genetika dapat memberikan solusi yang akurat dan efektif dalam memprediksi konsumsi energi di bangunan dengan nilai kesalahan terkecil.

Full Text:

PDF (Indonesian) PDF (Indonesian)

References

R. Kumala, R. Ulpa, And A. Rahayu, “Pajak Karbon: Perbaiki Ekonomi Dan Solusi Lindungi Bumi,” In Prosiding Seminar Stiami, 2021, Vol. 8, No. 1, Pp. 66–73.

S. A. Fauzan And A. Sapei, “Evaluasi Struktur Gedung X Di Jakarta Berdasarkan Sni 03-1726-2012 Ketahanan Gempa Untuk Struktur Gedung,” J. Tek. Sipil Dan Lingkung., Vol. 3, No. 1, Pp. 11–24, 2018.

A. Prasetyo And B. Bukhori, “Perbandingan Kebutuhan Tulangan Struktur Beton Bertulang Tahan Gempaterhadap Biaya Konstruksi Berdasarkan Pembebanan Sni 1726: 2012 Serta Sni 1727: 2013 Dengan Pembebanan Sebelumnya,” Log. J. Ilm. Lemlit Unswagati Cirebon, Vol. 23, No. 1, Pp. 12–25, 2019.

A. Prihatiningrum, “Karakter Bentuk Hunian Suku Rejang Di Daerah Rawan Gempa (Studi Kasus: Desa Gunung Alam, Kabupaten Lebong),” Arsitektura, Vol. 18, No. 1, Pp. 84–93, 2020.

M. Masril, “Analisis Perilaku Struktur Atas Gedung Asrama Pusdiklat Ipdn Baso, Bangunan Wing 1 Dengan Beban Gempa Berdasarkan Sni 03-1726-2012,” Rang Tek. J., Vol. 2, No. 1, 2019.

A. Savitri, Revolusi Industri 4.0: Mengubah Tantangan Menjadi Peluang Di Era Disrupsi 4.0. Penerbit Genesis, 2019.

A. Syaputra, “Implementasi Metode Random Sampling Pada Animasi Motion Grapich Herbisida Dan Fungisida,” J. Sisfokom (Sistem Inf. Dan Komputer), Vol. 11, No. 2, Pp. 142–147, 2022.

A. I. No, Teknologi Beton Dan Bahan Bangunan. Media Sahabat Cendekia, 2019.

D. Dewi And S. M. Lumbanraja, “Rantai Pasok Industri Baja Untuk Pembangunan Pltn Di Indonesia,” J. Pengemb. Energi Nukl., Vol. 19, No. 1, Pp. 51–60, 2017.

I. C. R. Drajana, “Metode Support Vector Machine Dan Forward Selection Prediksi Pembayaran Pembelian Bahan Baku Kopra,” Ilk. J. Ilm., Vol. 9, No. 2, Pp. 116–123, 2017.

D. P. A. Sb And H. Suparwito, “Analisis Sentimen Bantuan Langsung Tunai Covid-19 Menggunakan Algoritma Support Vector Machine,” In Prosiding Seminar Nasional Sanata Dharma Berbagi" Pengembangan, Penerapan Dan Pendidikan’sains Dan Teknologi’pasca Pandemi", 2022, P. 72.

H. C. Husada And A. S. Paramita, “Analisis Sentimen Pada Maskapai Penerbangan Di Platform Twitter Menggunakan Algoritma Support Vector Machine (Svm),” Teknika, Vol. 10, No. 1, Pp. 18–26, 2021.

M. Huda And M. Kom, Algoritma Data Mining: Analisis Data Dengan Komputer. Bisakimia, 2019.

A. Syaputra, “Analisis Kombinasi Metode Algoritma Mfep Dan Ahp Pada Pemilihan Bibit Unggul Kopi Robusta,” Komputika J. Sist. Komput., Vol. 11, No. 2, Pp. 185–192, 2022.

R. I. Nurachim, “Pemilihan Model Prediksi Indeks Harga Saham Yang Dikembangkan Berdasarkan Algoritma Support Vector Machine (Svm) Atau Multilayer Perceptron (Mlp) Studi Kasus: Saham Pt Telekomunikasi Indonesia Tbk,” J. Teknol. Inform. Dan Komput., Vol. 5, No. 1, Pp. 29–35, 2019.

F. S. Jumeilah, “Penerapan Support Vector Machine (Svm) Untuk Pengkategorian Penelitian,” J. Resti (Rekayasa Sist. Dan Teknol. Informasi), Vol. 1, No. 1, Pp. 19–25, 2017.

B. V. Christioko, S. Asmiatun, And S. Susanto, “Penjadwalan Kegiatan Praktikum Menggunakan Algoritma Genetika (Studi Kasus: Jurusan Teknologi Informasi Universitas Semarang),” J. Voi (Voice Informatics), Vol. 11, No. 1, Pp. 25–34, 2022.

M. Saukani, E. A. Hakim, And I. Pakaya, “Analisa Perbandingan Aliran Daya Optimal Mempertimbangkan Biaya Pembangkitan Dan Kestabilan Daya Menggunakan Particle Swarm Optimization Dan Algoritma Genetika,” In Prosiding Sentra (Seminar Teknologi Dan Rekayasa), 2016, No. 2, Pp. 77–82.

DOI: http://dx.doi.org/10.30998/faktorexacta.v16i2.16657