Perbandingan Klasifikasi Status Pengaturan pada Air Conditioner (AC) dengan Metode Backpropagation dan Support Vector Machine

Authors

  • Laily Nur Qomariyati Department of Telecommunication Engineering/ Faculty of Electrical Engineering
  • Syafira Tiara Zani Department of Telecommunication Engineering/ Faculty of Electrical Engineering
  • Koredianto Usman Department of Telecommunication Engineering/ Faculty of Electrical Engineering
  • Muhammad Ary Murti Department of Electrical Engineering/ Faculty of Electrical Engineering

Keywords:

klasifikasi, pengaturan AC, machine learning, BP, SVM

Abstract

Diantara perangkat elektronik yang digunakan oleh masyarakat modern, AC termasuk perangkat yang tersedia di berbagai negara, termasuk Indonesia. Sifat dari AC yang dioperasikan dalam jangka waktu yang lama menyebabkan AC menjadi salah satu perangkat elektronik yang mengkonsumsi daya terbesar di gedung-gedung perkantoran dan rumah tangga modern. Sifat dari masyarakat yang tidak memperhatikan pengaturan AC yang tepat semakin menambah pemborosan penggunaan AC. Oleh karena itu, dibutuhkan suatu sistem yang dapat mengontrol setting AC sehingga biaya penggunaannya menjadi minimal. Meskipun telah banyak penelitian yang berupaya untuk melakukan efisiensi penggunaan AC, namun penelitian tentang sumber-sumber IoT serta Machine Learning belum banyak dilakukan. Oleh karena itu, pada penelitian ini kami menyelidiki tentang penggunaan Backpropagation(BP) dan Support Vector Machine(SVM) terkait dengan klasifikasi setting AC dari kondisi setting oleh pengguna menuju setting ideal. Langkah ini diperlukan untuk tahap berikutnya terkait penjadwalan/scheduling dari setting AC yang optimum untuk menghasilkan konsumsi daya yang minimal. Sebagai input dari sistem diantaranya adalah jumlah orang dalam ruangan, temperature dalam dan luar ruangan serta temperature target. Output sistem berupa setting kondisi AC off, low, medium dan high. Data yang dibangkitkan bersifat dummy dengan jumlah dataset sebanyak 1476 data. Klasifikasi low, med, high didefinisikan dengan jumlah orang di dalam ruangan, selisih antara temperature luar dan temperature target. Sebagai contoh jumlah orang kurang dari 5 selisih temperature kurang dari 3oC, maka akan dikategorikan sebagai low effort. Hasil penelitian dengan data tersebut diperoleh akurasi untuk BP=96,1% dan SVM=96.9%. Dengan hasil akurasi tersebut, maka SVM lebih baik dibandingkan dengan BP untuk mengklasifikasikan data yang ada

 

Among the electronic devices used by modern society, air conditioning includes devices that are available in offices in big cities and various countries, including Indonesia. The nature of the AC which is turned on for a long time and the use of power has made it one of the electronic devices that consume the largest power in modern office buildings and households. To proper the AC setting that makes more waste when using the AC. Therefore, we need a system that can control AC settings so that the cost of using AC is minimal. Although there have been many studies that have attempted to carry out the process of using AC, there has not been much research on IoT sources and Machine Learning. Therefore, this study is based on the use of ANN BP and SVM related to the classification of AC settings from the regulatory conditions by the user to the ideal setting. This step is needed for the next stage related to scheduling of optimal AC settings to produce minimal power consumption. The input of ANN is the number of people in a room, indoor and outdoor temperatures, and the target temperature. The output of the system is setting the AC conditions off, low, medium, and high. The data generated is dummy with 1476 data. The low, medium, and high classifications are classified by the number of people in the room, the difference between the outside and the inside and target temperatures, and the current time. For example, the number of people is less than 5, the difference in temperature is less than 3 degrees, it will be categorized as low effort. The results of the research with these data are accurately with ANN BP of 96.1% and SVM of 96.9%. In terms of accuracy the SVM method is better than BP.

Downloads

Download data is not yet available.

References

Z. Yu, F. Haghighat, B. C. M. Fung, and H. Yoshino, “A decision tree method for building energy demand modeling,” Energy Build., vol. 42, no. 10, pp. 1637–1646, 2010, doi: 10.1016/j.enbuild.2010.04.006.

B. N. Patel, “Efficient Classification of Data Using Decision Tree,” Bonfring Int. J. Data Min., vol. 2, no. 1, pp. 06–12, 2012, doi: 10.9756/bijdm.1098.

Y. Sun, W. Wang, Y. Zhao, and S. Pan, “Predicting cooling loads for the next 24 hours based on general regression neural network: Methods and results,” Adv. Mech. Eng., vol. 2013, 2013, doi: 10.1155/2013/954185.

B. Talarosha, “Menciptakan Kenyamanan Thermal Dalam Bangunan,” J. Sist. Tek. Ind., vol. 6, no. 3, pp. 148–158, 2005.

R. S. Suhartanto, C. Dewi, and L. Muflikhah, “Implementasi Jaringan Syaraf Tiruan Backpropagation untuk Mendiagnosis Penyakit Kulit pada Anak,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 1, no. 7, pp. 555–562, 2017.

M. Agustin and T. Prahasto, “Penggunaan Jaringan Syaraf Tiruan Backpropagation Untuk Seleksi Penerimaan Mahasiswa Baru Pada Jurusan Teknik Komputer Di Politeknik Negeri Sriwijaya,” J. Sist. Inf. Bisnis, vol. 2, no. 2, pp. 89–97, 2012, doi:10.21456/vol2iss2pp089-097.

A. S. Nugroho, A. B. Witarto, and D. Handoko, “Support Vector Machine Teori Aplikasi dalam Bioinformatika,” Support Vector Mach. Teor. Apl. dalam Bioinformatika, pp. 842–847, 2003, doi: 10.1109/CCDC.2011.5968300.

Published

08-01-2021
Counter
Abstract viewed 84 times
pdf (Bahasa Indonesia) viewed 33 times

How to Cite

[1]
L. N. Qomariyati, S. T. Zani, K. Usman, and M. A. Murti, “Perbandingan Klasifikasi Status Pengaturan pada Air Conditioner (AC) dengan Metode Backpropagation dan Support Vector Machine”, SENTER, pp. 294–305, Jan. 2021.