Rancang Bangun Prediksi Konsumsi Daya dan Estimasi Biaya pada Gedung Hutama Karya Tower Menggunakan Metode XGBoost

Haq, Chandra Maulana (2025) Rancang Bangun Prediksi Konsumsi Daya dan Estimasi Biaya pada Gedung Hutama Karya Tower Menggunakan Metode XGBoost. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 2040211051-UnderGraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Gedung Hutama Karya Tower merupakan bangunan 17 lantai yang telah menerapkan Building Automation System (BAS) untuk mengotomatisasi pencatatan data dari kWh meter ABB B24 melalui sistem SCADA. Meskipun otomatisasi ini mampu meminimalkan kesalahan pencatatan manual, masih terdapat dua permasalahan utama, yaitu transparansi data yang belum optimal karena tenant tidak memiliki akses langsung ke informasi konsumsi listrik mereka, serta belum tersedianya alat bantu perencanaan anggaran yang dapat mendorong penggunaan energi secara lebih bijak. Sebagai solusi atas permasalahan tersebut, penelitian ini mengembangkan sistem prediksi konsumsi daya dan estimasi biaya listrik berbasis Jupyter Notebook dengan antarmuka Gradio. Data konsumsi listrik harian diekspor dari SCADA dalam format CSV, kemudian diolah menggunakan Python untuk memperoleh nilai konsumsi harian melalui perhitungan selisih kWh kumulatif. Dataset selanjutnya dibagi dengan rasio 80:20, di mana sebagian besar data digunakan untuk melatih model dan sisanya untuk menguji akurasi prediksi secara objektif. Nilai konsumsi harian yang telah diperoleh menjadi dasar pelatihan model prediksi menggunakan algoritma XGBoost dengan pendekatan sliding window tujuh hari berbasis autoregresi untuk memproyeksikan konsumsi pada bulan Mei 2025. Estimasi biaya listrik dihitung secara otomatis berdasarkan tarif yang berlaku. Evaluasi model prediksi dilakukan menggunakan tiga metrik utama, yaitu Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Symmetric Mean Absolute Percentage Error (SMAPE). Hasil penelitian menunjukkan bahwa model XGBoost mampu memberikan performa prediksi yang cukup baik, dengan nilai rata-rata MAE sebesar 29,74 kWh, RMSE sebesar 40,60 kWh, dan SMAPE sebesar 29,17%. Akurasi prediksi cenderung lebih stabil pada tenant yang memiliki pola konsumsi listrik konsisten setiap bulannya. Seluruh hasil konsumsi aktual maupun prediksi divisualisasikan melalui dashboard interaktif berbasis Gradio, sehingga dapat diakses oleh tenant maupun pengelola gedung sebagai bentuk transparansi dan dukungan terhadap manajemen energi yang lebih bijak.
================================================================================================================================
Hutama Karya Tower is a 17 story building that has implemented a Building Automation System (BAS) to automate the recording of electricity usage from ABB B24 kWh meters via a SCADA system. Although this automation has minimized manual recording errors, two main issues remain, the lack of optimal data transparency, as tenants do not have direct access to their electricity consumption information, and the absence of budgeting tools that encourage wiser energy use. To address these challenges, this study develops a power consumption prediction and cost estimation system based on Jupyter Notebook with a Gradio interface. Daily electricity consumption data is exported from SCADA in CSV format and then processed using Python to obtain daily consumption values through the calculation of cumulative kWh differences. The dataset is split using an 80:20 ratio, with the majority of the data used to train the model and the remainder for objective prediction accuracy testing. The calculated daily consumption forms the basis for training the predictive model using the XGBoost algorithm, employing a seven-day sliding window autoregressive approach to forecast consumption for May 2025. Electricity cost estimates are generated automatically based on the applicable tariff. The predictive model is evaluated using three main metrics, Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Symmetric Mean Absolute Percentage Error (SMAPE). The results indicate that the XGBoost model provides fairly accurate predictions, with average MAE of 29,74 kWh, RMSE of 40,60 kWh, and SMAPE of 29,17%. Prediction accuracy tends to be more stable for tenants with consistent monthly electricity consumption patterns. All actual and predicted consumption results are visualized through an interactive dashboard powered by Gradio, enabling both tenants and building management to access the data as a means of promoting transparency and supporting more efficient energy management.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Jupyter Notebook, Konsumsi Daya, Prediksi, XGBoost
Subjects:	Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression Q Science > QA Mathematics > QA336 Artificial Intelligence
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Chandra Maulana Haq
Date Deposited:	08 Aug 2025 01:41
Last Modified:	08 Aug 2025 01:41
URI:	http://repository.its.ac.id/id/eprint/127988

Actions (login required)

View Item