Pengembangan Model Simulasi Monte Carlo Menggunakan Pohon Regresi Untuk Prediksi Konsumsi Energi Listrik Pada bangunan Kampus

Hoendarto, Genrawan (2025) Pengembangan Model Simulasi Monte Carlo Menggunakan Pohon Regresi Untuk Prediksi Konsumsi Energi Listrik Pada bangunan Kampus. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 7025221013-Dissertation.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Pemakaian energi listrik pada bangunan perkantoran hampir 40% dari total pemakaian listrik di seluruh dunia. Berbagai algoritma digunakan untuk memprediksi pemakaian tenaga listrik pada bangunan perkantoran. Penelitian model prediksi energi listrik bangunan perkantoran dengan sejumlah algoritma, namum belum mendapatkan hasil yang optimal. Penelitian yang mengunakan deep learning membutuhkan komputasi yang signifikan. Sedangkan metode berbasis model membutuhkan pengetahuan yang sangat terspesialisasi serta waktu dan usaha yang signifikan. Lebih lanjut pendekatan ini tidak bersifat umum, sehingga model yang diturunkan dapat berbeda-beda untuk setiap struktur bangunan yang berbeda. Oleh karenanya dibutuhkan metode berbasis data (data-driven approach) yang dapat menghasilkan model matematis dengan efisien.
Pada penelitian ini dilakukan prediksi konsumsi listrik berbasis algoritma Monte Carlo (MC) yang digabungkan Regression Tree (RT). Secara umum data akan dikelompokkan menggunakan algoritma RT. Pada setiap titik daun disisipkan model MC untuk memprediksi nilai masukan. Hal ini digunakan untuk menghasilkan prediksi yang lebih akurat dan sederhana. Dalam penelitian ini, akurasi dari model prediktif diujikan pada 2 dataset: data dari Trapeznikov Institute of Control Sciences (TICS) Rusia dan data dari Universitas Widya Dharma Pontianak (UWDP). Dataset dari TICS digunakan untuk menguji performa model matematis yang diturunkan. Sedangkan dataset dari UWDP digunakan untuk memvalidasi dan mengefisiensikan penggunaan listrik di dalam bangunan.
Model Monte Carlo Regression Tree (MCRT) yang diusulkan mempunyai akurasi 91,61% dibandingkan dengan RT 84,29%, MC 85,39%, RF-10 80,66%, RF-100 80,37% dan GB 84,07%. Setelah pengujian model MCRT menunjukkan lebih baik daripada algoritma lainnya, maka model prediktif MCRT digunakan sebagai dasar untuk melakukan efisiensi pemakaian listrik menggunakan sensor-sensor Internet of Things (IoT). Perangkat IoT yang dilengkapi dengan model prediktif MCRT diimplementasikan pada bangunan kampus UWDP, diperoleh rerata konsumsi energi listrik per jam sebesar 169,64 kWh yang sebelumnya 191,45 kWh.
=====================================================================================================================================
Electrical energy consumption in office buildings almost 40% of the total electricity consumption worldwide. Various algorithms are used to predict electricity consumption in office buildings. A number of studies of office building electrical energy prediction models with various algorithms, but have not obtained optimal results. Research using deep learning requires significant computation. Model-based methods, on the other hand, require highly specialized knowledge and significant time and effort. This approach is not generalized, so the derived model can be different for each different building structure. Related to this, a data-driven approach is needed that can efficiently generate mathematical models. In this research, the prediction of electricity consumption is based on the Monte Carlo (MC) algorithm combined with Regression Tree (RT). In general, the data will be grouped using the RT algorithm. At each leaf point the MC model is inserted to predict the input value. This is used to produce more accurate and simpler predictions. In this research, the accuracy of the predictive model is tested on 2 datasets: data from Trapeznikov Institute of Control Sciences (TICS) Russia and data from Widya Dharma University Pontianak (UWDP). The dataset from TICS was used to test the performance of the derived mathematical model. While the dataset from UWDP is used to validate and streamline the use of electricity in the building. The proposed Monte Carlo Regression Tree (MCRT) model has an accuracy of 91,61% compared to RT 84,29%, MC 85,39%, RF-10 80,66%, RF-100 80,37% and GB 84,07%. After testing the MCRT model shows that it is better than the others algoritm, the MCRT predictive model is applied as a basis for efficient electricity usage using Internet of Things (IoT) sensors. IoT devices embedded with the MCRT predictive model were implemented in the UWDP campus building, resulting in an average hourly electrical energy consumption of 169,64 kWh which was previously 191,45 kWh.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	Simulasi Monte Carlo, Regression Tree, Konsumsi listrik, Internet of Things Monte Carlo Simulation, Regression Tree, Electricity consumption, Internet of Things
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK5105.546 Computer algorithms
Divisions:	Faculty of Electrical Technology > Computer Engineering > 55001-(S3) PhD Thesis
Depositing User:	Genrawan Hoendarto
Date Deposited:	03 Aug 2025 06:33
Last Modified:	03 Aug 2025 06:34
URI:	http://repository.its.ac.id/id/eprint/126633

Actions (login required)

View Item