Pengelompokan Data Pendistribusian Listrik Menggunakan Algoritma Mini Batch K-Means Clustering
Grouping Electricity Distribution Data Using The Mini Batch K-Means Clustering Algorithm
DOI:
https://doi.org/10.57152/malcom.v4i3.1425Keywords:
Clustering, Data Mining, Distribusi, Listrik, Mini Batch K-meansAbstract
Manajemen distribusi listrik merupakan aspek penting dalam infrastruktur yang memerlukan pemahaman mendalam tentang pola distribusi di berbagai wilayah untuk memastikan pasokan listrik stabil bagi masyarakat dan pemerintah. Namun, mengelola data distribusi listrik yang melibatkan berbagai variabel seperti rumah tangga, industri, bisnis, sosial, gedung kantor pemerintah, dan jalan umum membutuhkan pendekatan yang efektif dalam mengelompokkan data untuk mengidentifikasi pola-pola yang signifikan. Penelitian ini bertujuan mengimplementasikan algoritma mini batch k-means untuk mengelompokkan distribusi listrik di setiap wilayah. Data yang digunakan dalam penelitian ini adalah data distribusi listrik dari tahun 2014-2022 yang terdiri dari 35 provinsi. Hasil pengujian menunjukkan bahwa terdapat tiga cluster yang signifikan dalam data peneliti, masing-masing ditandai dengan Silhouette Score yang berbeda. Cluster dengan Silhouette Score tertinggi adalah Cluster 2 dengan nilai 0.625, menunjukkan kohesi yang tinggi di wilayah regional Kalimantan-Sulawesi yang diamati dalam cluster 2 ini. Sementara itu, Cluster 4 memiliki Silhouette Score yang terendah dengan nilai 0.419, menunjukkan tingkat kohesi yang lebih rendah dalam pola distribusi listrik di setiap wilayah regional bagian Kalimantan-Sulawesi. Penelitian ini menegaskan bahwa algoritma mini batch k-means efektif untuk pengelompokkan data distribusi listrik dengan hasil yang memuaskan dalam pemisahan klaster yang berbeda
References
E. Manik, “Data Mining Pengelompokkan Pemakaian Listrik Terboros Menggunakan Metode Clustering ( Studi Kasus PLN Area Binjai ),” Inf. Syst. Dev., vol. 3, no. 2, pp. 116–119, 2018, [Online]. Available: https://ejournal.medan.uph.edu/index.php/isd/article/view/211 (10 Juni 2020)
T. T. Gultom, “Pemenuhan sumber tenaga listrik di Indonesia,” J. Ilm. Res. Sains, vol. 3, no. 1, pp. 130–139, 2017.
R. Aryani, M. Nasrun, C. Setianingsih, and M. A. Murti, “Clustering Data in Power Management System Using k-Means Clustering Algorithm,” in 2019 IEEE Asia Pacific Conference on Wireless and Mobile (APWiMob), 2019, pp. 164–170. doi: 10.1109/APWiMob48441.2019.8964143.
J. Mangundap, S. Silimang, and Tumaliang Hans, “Analisa Rugi-Rugi Daya JaringanDistribusi Di PT. PLN (Persero)Area Manado 2017,” J. Tek. Elektro dan Komput., vol. Vol. 7, no. N0. 3, pp. 1. – 5, 2018.
H. Hendrocahyo and L. Kurniawati, “Understanding the Financial Performance of PT PLN (Persero): A Narrative on State-Owned Enterprise (SOE) with a Mandate of Electricity in Indonesia,” Binus Bus. Rev., vol. 13, no. 3, pp. 241–258, 2022, doi: 10.21512/bbr.v13i3.7883.
K. Wang, R. Yang, C. Liu, T. Samarasinghalage, and Y. Zang, “Extracting Electricity Patterns from High-dimensional Data: A comparison of K-Means and DBSCAN algorithms,” IOP Conf. Ser. Earth Environ. Sci., vol. 1101, no. 2, 2022, doi: 10.1088/1755-1315/1101/2/022007.
D. M. P. P. L. T. M. M. C. (Studi K. P. A. Binjai), “Pengelompokan Data Time Series Pada Distribusi Listrik,” vol. 11, no. 5, pp. 735–742, 2022.
T. Cerquitelli et al., “Discovering electricity consumption over time for residential consumers through cluster analysis,” 2018 14th Int. Conf. Dev. Appl. Syst. DAS 2018 - Proc., pp. 164–169, 2018, doi: 10.1109/DAAS.2018.8396090.
“Geofluids - 2018 - Su - Sedimentary Environment Analysis by Grain?Size Data Based on Mini Batch K?Means Algorithm.pdf.”
C. Astria, A. P. Windarto, A. Wanto, and ..., “Metode K-Means Pada Pengelompokan Wilayah Pendistribusian Listrik,” … Nas. Sains dan …, 2019, [Online]. Available: http://prosiding.seminar-id.com/index.php/sensasi/article/view/317
“adoc.pub_transmisi-dan-distribusi-tenaga-listrik”.
T. Wang, C. Ren, Y. Luo, and J. Tian, “NS-DBSCAN: A density-based clustering algorithm in network space,” ISPRS Int. J. Geo-Information, vol. 8, no. 5, May 2019, doi: 10.3390/ijgi8050218.
R. D. Herdiansyah, F. Sains, D. A. N. Teknologi, U. Islam, N. Sultan, and S. Kasim, “Penerapan Algoritma K-Means Clustering Pada Penentuan Tingkat Pemakaian Listrik ( Studi Kasus?: PLTBg Rantau Sakti ),” 2023.
S. Saputra, Analisis Kelayakan Penerima Bantuan Covid-19 Menggunakan Metode K-Means pada Kecamatan Sagulung Kota Batam. repository.upbatam.ac.id, 2021. [Online]. Available: http://repository.upbatam.ac.id/1052/
K. Peng, V. C. M. Leung, and Q. Huang, “Clustering Approach Based on Mini Batch Kmeans for Intrusion Detection System over Big Data,” IEEE Access, vol. 6, pp. 11897–11906, 2018, doi: 10.1109/ACCESS.2018.2810267.
M. A. Ahmed, H. Baharin, and P. N. E. Nohuddin, “Mini-Batch k-Means versus k-Means to Cluster English Tafseer Text: View of Al-Baqarah Chapter,” J. Quranic Sci. Res., vol. 02, no. 02, pp. 48–53, 2021, doi: 10.30880/jqsr.2021.02.02.006.
C. Astria, D. Hartama, A. P. Windarto, and ..., “Pengembangan Metode Datamining K-Medoid Pada Kasus Distribusi Listrik di Indonesia,” … Komput. &Sains …, 2020, [Online]. Available: http://prosiding.seminar-id.com/index.php/sainteks/article/view/447
F. P. Rachman, H. Santoso, and A. Djajadi, “Machine Learning Mini Batch K-means and Business Intelligence Utilization for Credit Card Customer Segmentation,” Int. J. Adv. Comput. Sci. Appl., vol. 12, no. 10, pp. 218–227, 2021, doi: 10.14569/IJACSA.2021.0121024.
N. M. Mahfuz, M. Yusoff, M. S. Nordin, and Z. Ahmad, “Firefly Algorithm with Mini Batch K-Means Entropy Measure for Clustering Heterogeneous Categorical Timber Data,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 7, pp. 461–468, 2022, doi: 10.14569/IJACSA.2022.0130756.
M. M. Chavan, A. Patil, L. Dalvi, and A. Patil, “Mini batch k-means clustering on large dataset,” Int. J. Sci. Eng. Technol. Res., vol. 04, no. 07, pp. 1356–1358, 2015, [Online]. Available: www.ijsetr.com
C. Science and C. Science, “Mini-Batch K-Means Clustering Using Map-Reduce in Hadoop,” vol. 2, no. 2, pp. 336–342, 2014.
S. R. Fitriyani and H. Murfi, “The K-means with mini batch algorithm for topics detection on online news,” 2016 4th Int. Conf. Inf. Commun. Technol. ICoICT 2016, vol. 4, no. c, 2016, doi: 10.1109/ICoICT.2016.7571914.
A. Susanto and R. Roestam, “Segementasi Gambar pada Dataset MNIST dengan Optimasi Mini Batch dan K-means++ pada Algoritma K-means,” J. Sist. dan Teknol. Inf., vol. 11, no. 2, p. 309, Jul. 2023, doi: 10.26418/justin.v11i2.55503.
C. Astria, A. P. Windarto, A. Wanto, and ..., “Metode K-Means Pada Pengelompokan Wilayah Pendistribusian Listrik,” … Nas. Sains dan …, 2019, [Online]. Available: http://prosiding.seminar-id.com/index.php/sensasi/article/view/317
F. T. Elektro, M. Ary, M. Fakultas, T. Elektro, and C. Setianingsih, “Pengelompokkan Data Penggunaan Energi Listrikmenggunakan Algoritma Mini Batch K-Meansclustering.”
T. Wahyuningrum, S. Khomsah, S. Suyanto, S. Meliana, P. E. Yunanto, and W. F. Al Maki, “Improving Clustering Method Performance Using K-Means, Mini Batch K-Means, BIRCH and Spectral,” 2021 4th Int. Semin. Res. Inf. Technol. Intell. Syst. ISRITI 2021, pp. 206–210, 2021, doi: 10.1109/ISRITI54043.2021.9702823.
S. C. Hicks, R. Liu, Y. Ni, E. Purdom, and D. Risso, “Mbkmeans: Fast clustering for single cell data using mini-batch k-means,” PLoS Comput. Biol., vol. 17, no. 1, pp. 1–18, 2021, doi: 10.1371/JOURNAL.PCBI.1008625.
N. M. Mahfuz, M. Yusoff, and Z. Idrus, “Clustering heterogeneous categorical data using enhanced mini batch K-means with entropy distance measure,” Int. J. Electr. Comput. Eng., vol. 13, no. 1, pp. 1048–1059, 2023, doi: 10.11591/ijece.v13i1.pp1048-1059.
M. Farid, F. Insani, S. Agustian, and L. Afriyanti, “Pengelompokkan Data Pendistribusian Listrik Menggunakan Algoritma Density Based Spatial Clustering Of Application With Noise (DBSCAN),” 2024.
R. Utari, F. Insani, S. Agustian, and L. Afriyanti, “Pengelompokkan Data Pendistribusian Listrik Menggunakan Algoritma Mean shift,” 2024.
