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

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. 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 menggabungkan SVM dan Algoritma Genetika, penelitian ini bertujuan untuk meningkatkan kualitas prediksi konsumsi energi untuk gedung beton bertulang. Dalam implementasi ini, SVM digunakan sebagai model prediksi utama, sementara Algoritma Genetika digunakan untuk menemukan parameter optimal SVM atau fitur-fitur yang relevan. Penelitian terbaru dalam domain ini telah menunjukkan bahwa penggabungan SVM dengan Algoritma Genetika dapat menghasilkan prediksi yang lebih akurat dibandingkan dengan metode standar. Pendekatan ini dapat membantu dalam perencanaan energi yang lebih efisien, pengurangan biaya operasional, dan pengoptimalan sumber daya di gedung beton bertulang. Namun, penting untuk memperhatikan bahwa implementasi ini mungkin memerlukan pemrosesan dan penggunaan sumber daya yang signifikan untuk menghasilkan hasil yang baik, tergantung pada ukuran dan kompleksitas dataset yang digunakan.

Penerapan Metode Support Vector Machine Dalam Memprediksi Prediksi Cuaca

“…Di Indonesia situasi cuaca selalu diumumkan dalam jangka waktu 24 jam melalui prediksi cuaca yang di perbaharui oleh Badan Meteorologi Klimatologi dan Geofisika (BMKG), Departemen Perhubungan. Cuaca sangat erat hubungannya dengan aktivitas manusia, karena faktor cuaca dapat memberikan keterbatasan dalam kegiatan yang dilakukan oleh manusia [1], [2] [3].…”