Sistem Manajemen Energi Bangunan (BEMS) telah menjadi topik penting saat ini karena kepentingannya di mengurangi pemborosan energi. Namun kinerja salah satu aplikasi BEMS yaitu konsumsi energi prediksi stagnan karena masalah seperti akurasi prediksi yang rendah. Maka dari itu, penelitian ini bertujuan untuk menyikapi masalah dengan mengembangkan model prediksi untuk konsumsi energi di mesin berbasis cloud Microsoft Azure platform pembelajaran. Tiga metodologi yaitu Support Vector Machine, Artificial Neural Network, dan k-Tetangga Terdekat (k-NN) diusulkan untuk algoritma model prediktif. Berfokus pada aplikasi kehidupan nyata di Malaysia, dua penyewa dari bangunan komersial diambil sebagai studi kasus. Data yang terkumpul dianalisis dan pra-diproses sebelum digunakan untuk pelatihan dan pengujian model. Performa dari masing-masing metode tersebut dibandingkan berdasarkan metrik RMSE, NRMSE, dan MAPE. Eksperimen menunjukkan energi masing-masing penyewa konsumsi memiliki karakteristik distribusi yang berbeda.
Penelitian melakukan prediksi konsumsi energi menggunakan dataset sebelumnya dikumpulkan dari bangunan komersial yang terletak di Lembah Klang Malaysia, dari Juni 2018 hingga Desember 2018. Iklan tersebut gedung dilengkapi dengan pengukur IoT yang terhubung ke daya listrik soket saluran masuk di dua penyewa utama gedung. Setiap penyewa dibagi menjadi dua area yang terdiri dari dua IoT meter bernama tenant A1, A2, B1 dan B2. Mengumpulkan data per menit yang dipetakan ke Tenaga National Berhad (TNB) persyaratan disimpan di server web sumber terbuka. Dikumpulkan data dapat diekstraksi secara manual dari platform online dalam bentuk file CSV. Metode prediksi akan menggunakan 3 algoritma pembelajaran mesin yaitu k-NN, SVM dan ANN. Atribut fitur untuk prediksi ini akan menggunakan data daya listrik yang terdiri dari faktor daya, tegangan dan arus, di mana permintaan akan menjadi keluaran yang ditargetkan. Prediksinya pemodelan akan dilakukan di dalam Microsoft Azure Machine Learning
Studio (AzureML) memanfaatkan bahasa pemrograman R (Caret Package). Microsoft Azure telah dipilih sebagai platform berdasarkan penelitian ini literatur yang ditinjau di bagian sebelumnya. Sebelum pelatihan model dan pengujian, data mentah awalnya akan dianalisis dan diproses sebelumnya mengurangi kerumitan pelatihan model dan mengelola yang hilang data. Terakhir, setiap model akan dievaluasi menggunakan metrik validasi.
Konsekuensinya, kerangka kerja prediksi konsumsi energi akan terdiri dari empat bagian, yaitu Pengujian normalitas dataset, pra-pemrosesan data, pengembangan model (pelatihan), evaluasi model (tes). Data permintaan energi dikumpulkan dari Juni 2018 hingga Desember 2018 telah dianalisis dan diproses sebelumnya untuk pelatihan dan pengujian model prediktif. Memanfaatkan studio Microsoft Azure Machine Learning (AzureML), statistic analisa data yang dikumpulkan dilakukan untuk mengetahui normalitas himpunan data. Dari analisis ini diperoleh nilai skewness dan kurtosis dan menetapkan bahwa semua data yang dikumpulkan berbeda dalam distribusi karakteristik. Melanjutkan proses pengembangan model prediktif, data yang dikumpulkan diproses sebelumnya melalui imputasi data yang hilang menggunakan metode PPCA dan transformasi standardisasi.
Pra-pemrosesan berhasil dijalankan di dalam lingkungan AzureML, di mana data yang diproses yang dihasilkan memiliki nilai rata-rata 0 dan deviasi standar 1. Proses eksperimen juga dilakukan untuk menentukan kapabilitas metode imputasi data yang hilang. Sebuah data sampel dengan nilai yang hilang dihasilkan untuk mengevaluasi PPCA metode, di mana itu menghasilkan tingkat cakupan lebih dari 90% dari nilai sebenarnya. Berfokus pada tujuan penelitian ini, tiga mesin supervise mempelajari metode prediksi yaitu k-Nearest Neighbor, Support Mesin Vektor dengan kernel Fungsi Basis Radial, dan Saraf Tiruan Jaringan dengan model Perceptron Multilayer yang dipilih sebagai algoritma untuk model prediktif. Metode ini berhasil dibandingkan dalam hal struktur resultan dan kinerja prediksi mereka.
Konsekuensi dari pelatihan dan pengujian model menunjukkan bahwa setiap metode dilakukan secara berbeda untuk setiap penyewa. Metode SVM menunjukkan hasil yang paling menjanjikan, di mana itu berhasil menjadi metode terbaik 2 tenant yaitu Tenant A1 dan Tenant A2, dengan nilai RMSE 4.7506789 dan 3.5898263, masing-masing. Selanjutnya hasil SVM juga menunjukkan kesalahan absolut rata-rata yang lebih rendah untuk Penyewa B1 dan Penyewa B2 pada 12.09 dan 43,97, masing-masing, meskipun k-NN memiliki hasil RMSE yang lebih rendah untuk ini dua penyewa. Permintaan prediksi SVM juga memiliki akurasi yang lebih baik konsumsi rata-rata dihitung dari permintaan, di mana itu tercapai MAPE yang lebih rendah daripada metode lainnya untuk semua penyewa. Semua seutuhnya. Hasil menguntungkan SVM ini datang dengan harga, dimana modelnya dikembangkan dengan algoritma membutuhkan waktu 13-18 jam untuk berlatih.
Penulis: Lilik Jamilatul Awalin, S.T, M.T, Ph.D
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://www.sciencedirect.com/science/article/pii/S266616592030034X
Shapi, Mel Keytingan M., Nor Azuana Ramli, and Lilik J. Awalin. “Energy consumption prediction by using machine learning for smart building: Case study in Malaysia.” Developments in the Built Environment 5 (2021): 100037.
