KLUSTERISASI DAN KLASIFIKASI PELANGGAN BERDASARKAN PENGGUNAAN DAYA LISTRIK DAN PERAMALAN KEBUTUHAN DAYA LISTRIK TAHUN 2015

Transkripsi

1 KLUSTERISASI DAN KLASIFIKASI PELANGGAN BERDASARKAN PENGGUNAAN DAYA LISTRIK DAN PERAMALAN KEBUTUHAN DAYA LISTRIK TAHUN 2015 YUANDRI TRISAPUTRA 1 & OKTARINA SAFAR NIDA 2 (SIAP 16) 1 DEPARTEMEN LMU KOMPUTER DAN 2 DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUR PERTANIAN BOGOR

2 Pendahuluan Latar Belakang Listrik merupakan salah satu energi yang sangat dibutuhkan dunia. Konsumsi listrik saat ini semakin melonjak seiring dengan pemakaian berbagai peralatan yang membutuhkan daya listrik. Listrik juga banyak dibutuhkan oleh sektor indutri. Negara-negara maju mempunyai peluang paling besar dalam kebutuhan listrik tertinggi di dunia. Negara maju mempunyai banyak gedung perbelanjaan, industri besar, dan perkantoran yang memerlukan energi listrik dalam jumlah banyak. Jumlah penduduk di dunia juga memengaruhi konsumsi listrik. Setiap individu pasti akan memerlukan daya listrik untuk kebutuhan dirinya sendiri serta kehidupan sehari-hari mereka di dalam lingkungan keluarga. Peralatan canggih di era ini seperti smartphone, tablet, dan laptop turut menambah konsumsi listrik yang terus melonjak. Indonesia merupakan salah satu negara yang belum bisa memanajemen penggunaan listrik dengan sangat baik. Indonesia masih bertumpu pada batu bara sebagai bahan utama pembuatan listrik. Perusahaan listrik Negara (PLN) di Indonesia menggunakan satuan VA untuk batas daya maksimal. Volt Ampere (VA) merupakan satuan daya listrik buta. Daya listrik buta merupakan daya listrik yang masih murni dan belum dikalikan dengan koefisien rata-rata dari kemampuan listrik. Daya listrik aktif diukur menggunakan satuan kilowatt. Daya listrik aktif merupakan daya yang diubah langsung menjadi energi yang akan dipakai langsung oleh pelanggan. Energi tersebut dapat berupa energi kinetic dan energi panas. Pelanggan di Indonesia dikenakan tarif listrik berdasarkan daya listrik aktif yang digunakan. PLN menggunakan tarif pemakaian listrik per kwh (kilowatt hour). Pada makalah ini, tersedia daya listrik aktif yang digunakan 370 pelanggan listrik berdasarkan waktu Portugal pada tahun Perusahaan listrik di negara tersebut seharusnya mengetahui klasifikasi pelanggan berdasarkan penggunan listriknya sehingga bisa mengelompokan pelanggan dalam ciri yang tidak jauh berbeda. Oleh karena itu dalam makalah ini digunakan teknik clustering untuk mengelompokan pengguna dengan kriteria yang didapat kemudian dibentuk pohon keputusan untuk mengklasifikasi pelanggan baru. Ketersediaan listrik dirasakan perlu untuk berlangsungnya kehidupan. Peramalan penggunaan listrik pada waktu ke depan bisa dijadikan solusi untuk mengetahui jumlah daya listrik yang dibutuhkan pelanggan. Penggunaan listrik biasanya memiliki pola pada waktu tertentu. Metode winter merupakan metode pemulusan yang digunakan untuk data yang memiliki pola musiman. Pada makalah ini dilakukan forecasting dengan metode winter untuk meramal pola penggunaan listrik pelanggan setiap bulan dalam kurun waktu satu tahun kedepan (2015). Tujuan dan Manfaat Makalah ini bertujuan dan memberikan manfaat untuk: 1. Mengidentifikasi sifat penggunaan listrik pelanggan. 2. Menerapkan teknik clustering untuk menentukan jumlah cluster terbaik dan pengklusteran. 3. Menerapkan teknik klasifikasi pohon keputusan untuk mengklasifikasi pelanggan baru. 4. Melakukan peramalan untuk satu tahun ke depan (2015) agar perusahaan listrik menyiapkan daya listrik yang cukup untuk pelanggan. Batasan Batasan pada makalah ini difokuskan pada: 1. Penggunaan data listrik Portugal tahun Penerapan teknik data mining clustering menggunakan Simple K-Means. 3. Penerapan teknik data mining klasifikasi menggunakan Algoritme C4.5

3 Metode Software Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam penelitian yaitu sebagai berikut: Perangkat Keras: 1. Processor Intel Core i3 2. Memori 6 GB 3. Harddisk 500 GB 4. Layar 14 inci 5. Mouse dan Keyboard Perangkat Lunak: 1. Sistem operasi Windows 8 2. Microsoft Excel 2013 sebagai lembar pengolahan data tambahan, media merapihkan data penggabungan data, pembersihan data, dan transformasi data. 3. Weka versi untuk melakukan proses data mining klasifikasi dan clustering. 4. IBM SPSS versi 21.0 untuk melakukan analisis cluster dan peramalan Dataset Data yang digunakan dalam makalah ini adalah data penggunaan daya listrik pelanggan setiap 15 menit dalam kurun waktu 4 tahun yaitu tahun dengan atribut tanggal/bulan dan nomor pelanggan sebagai objek. Algoritme 1. Algoritme C4.5 Algoritme C4.5 adalah algoritme untuk membentuk pohon keputusan yang digunakan untuk klasifikasi. Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta yang besar menjadi pohon keputusan yang merepresentasikan aturan. Aturan dapat mudah dipahami dengan bahasa alami. Dan dapat diekspresikan dalam bentuk bahasa basis data seperti SQL (Structured Query Language) untuk mencari record kategori tertentu. Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah variabel input dengan variabel target. Karena pohon memadukan antara eksplorasi data dan dan pemodelan, pohon keputusan sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. 2. Klasifikasi dan Prediksi Klasifikasi merupakan penempatan objek-objek ke salah satu dari beberapa kategori yang telah ditetapkan sebelumnya. Klasifikasi bertujuan untuk memperoleh aturan klasifikasi yang dapat digunakan untuk memprediksi label kelas dari objek yang tidak yang tidak diketahui label kelasnya. (Li et al 2001) Klasifikasi terdiri atas dua proses yaitu tahap induktif yang merupakan tahap membangun model klasifikasi dari data latih dan tahap deduktif yang merupakan tahap menerapkan model untuk data uji. Klasifikasi mempunyai dua teknik pembelajaran yaitu eager learner yang membuat model berdasarkan atribut input yang dipetakan terhadap kelas label setelah data latih tersedia dan lazy learner yang melakukan proses pemodelan dari data latih ketika ada data uji yang akan diklasifikasikan (Tan et al. 2006).

4 3. k-fold Cross Validation k-fold cross validation dilakukan untuk membagi data latih dan data uji. k-fold cross validation mengulang k-kali untuk membagi sebuah himpunan contoh secara acak menjadi k subset yang saling bebas, setiap ulangan disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan (Fu 1994). Pada metode tersebut, data awal dibagi menjadi k subset atau fold yang saling bebas secara acak, yaitu S1, S2,..., Sk, dengan ukuran setiap subset kira-kira sama. Pada iterasi ke-i, subset Si diperlukan sebagai data pengujian dan subset lainnya diperlukan sebagai data pelatihan. Prosedur ini diulang sebanyak k-kali sedemikian sehingga setiap subset digunakan untuk pengujian tepat satu kali. Total akurasi ditentukan dengan menjumlahkan akurasi untuk semua k proses tersebut (Ulya 2013). 4. Confusion Matrix Evaluasi model klasifikasi berdasar pada proporsi antara data uji yang diprediksi secara tepat dengan total seluruh prediksi (Tan et al.2006). Informasi mengenai klasifikasi sebenarnya (aktual) dengan klasifikasi hasil prediksi disajikan dalam bentuk tabel yang disebut confusion matrix seperti diperlihatkan pada Tabel 1. Tabel 1 Confusion matrix Kelas Prediksi Kelas Aktual Kelas 1 Kelas 2 Kelas 1 A b Kelas 2 C d Jumlah baris dan kolom pada tabel bergantung pada banyaknya kelas target. Akurasi merupakan proporsi jumlah prediksi yang tepat. Contoh perhitungan akurasi untuk tabel tersebut adalah (Faiza 2009): Jumlah prediksi yang tepat Akurasi = Total prediksi Akurasi = a + d a + b + c + D (3) 5. Metode Winter Metode Winter merupakan metode pemulusan yang digunakan bila data deret waktu berpola musiman. Metode pemulusan lebih dipilih dari pada metode pemodelan deret waktu karena jumlah data penggunaan listrik setiap bulan tidak mencukupi untuk melakukan pemodelan. Sementara jika melakukan pemodelan untuk penggunaan listrik setiap minggu atau hari dirasakan terlalu detail dan kurang bermakna luas. Metode ini dipilih karena setelah data di plot secara deret waktu data menunjukan pola tahunan. Metode winter terdiri atas dua metode yaitu metode winter aditif dan metode winter multiplikatif. Metode winter aditif digunakan untuk data yang memiliki komponen musiman yang bersifat aditif (penambahan). Sementara metode winter multiplikatif digunakan untuk data yang memiliki komponen musiman yang bersifat multiplikatif (kelipatan). Berikut data yang memiliki pola musiman aditif dan multiplikatif.

5 Gambar 1 Pola Data Musiman Aditif (kiri) dan Multiplikatif Pemulusan Holt-Winters terdiri atas pemulusan keseluruhan, trend, dan musiman. Pemulusan pada data yang memiliki komponen musiman aditif terdiri atas: Pemulusan keseluruhan : S t = α(x t I t L ) + (1 α)(s t 1 + b t 1 ) Pemulusan trend : b t = γ(s t S t 1 ) + (1 γ)b t 1 Pemulusan musiman : I t = δ(x t S t ) + (1 δ)(i t L ) Ramalan : F t +m = (S t + b t+m )(I t L+m ) Pemulusan pada data yang memiliki komponen musiman multiplikatif terdiri atas: Pemulusan keseluruhan Pemulusan trend Pemulusan musiman : S t = α X t + (1 α)(s I t L t 1 + b t 1 ) : b t = γ(s t S t 1 ) + (1 γ)b t 1 : I t = δ X t + (1 δ)(i S t L ) t Ramalan : F t +m = (S t + b t+m )(I t L+m ) dimana: X t : nilai aktual pada periode akhir t α: parameter pemulusan untuk data (0 < α < 1) γ: parameter pemulusan untuk trend (0 < γ < 1) δ: parameter pemulusan untuk musiman (0 < δ < 1) I: faktor penyesuaian musiman L: panjang musim Ft+m: ramalan untuk m periode ke depan dari t. Penentuan nilai awal untuk metode Winter: Untuk model additive: b L = 1 K ((X L+1 X 1 ) L S L = X 1 + X X L L + (X L+2 X 2 ) I k = X k S L dengan k = 1, 2,, L dan L adalah panjang musiman. Untuk model multiplicative: L + + (X L+K X K ) ) L I k = X k S L Metode Winter dapat digunakan melalui tools Winter Method s pada aplikasi statistik minitab. Penggunaan daya listrik setiap pelanggan dilihat pola penggunaannya lalu dilakukan peramalan (forecasting) untuk mengetahui dugaan penggunaan listrik per bulan selama satu tahun kedepan. Ukuran kebaikan peramalan dapat diukur dengan melihat error terkecil. Error merupakan nilai

6 aktual dikurangi dengan nilai ramala (e t = (X t F t )). Tiga pengukuran kebaikan pemilihan metode peramalan dalam makalah ini adalah: Mean Absolute Percentage Error (MAPE) Mean Absolute Deviation (MAD) Mean Squared Deviation (MSD) T MAPE = (X t F t )/X t x100 T t T MAD = X t F t T T MSD = (X t F t )2 T t t Desain dan Implementasi Input Dataset sebagai input yang digunakan dalam makalah ini adalah data penggunaan daya listrik pelanggan setiap 15 menit dalam kurun waktu 4 tahun yang sudah dilakukan praproses. Cleaning data digunakan untuk praproses data. Pivotting data dilakukan pada kasus ini. Data yang digunakan adalah akumulasi penggunaan daya listrik setiap bulan dari 370 pelanggan selama kurun waktu Proses Cleaning Data Data penggunaan kilowatt daya listrik pelanggan setiap 15' selama diubah menjadi akumulasi penggunaan kilowatt daya listrik pelanggan per bulan Gambaran umum penggunaan daya listrik pelanggan setiap tahun Clustering dan Klasifikasi Pembentukan jumlah cluster terbaik dan melakukan klasifikasi untuk pelanggan baru Metode Winter (Forecasting) Melakukan peramalan terhadap penggunaan listrik setiap pelanggan per bulan di tahun 2015 Output Output dari percobaan ini adalah pembentukan jumlah cluster terbaik, pengklusteran, aturanaturan klasifikasi untuk pelanggan baru, dan peramalan penggunaan listrik pada tahun 2015.

7 Analisis 1. Gambaran Umum Data Data kilowatt daya listrik setiap 15 pada makalah ini dirangkum dalam penggunaan daya listrik setiap bulan untuk clusterisasi dan forecasting. Pada tahun 2011 penggunaan listrik sebesar kilowatt, namun pada tahun 2014 naik menjadi kilowatt. Maka akan dilakukan peramalan kebutuhan daya listrik di tahun 2015 pada makalah ini. Melalui plot deret waktu, penggunaan listrik pelanggan memiliki pola setiap tahunnya. Penggunaan listrik di awal tahun dan akhir tahun lebih kecil dibandingkan di tengah-tengah tahun. Kebutuhan Daya Listrik (KiloWatt) 1E+10 8E+09 6E+09 4E+09 2E Kebutuhan Daya Listrik Tahun Pola musiman dengan periode 12 bulan Plot Deret Waktu Penggunaan Listrik per Bulan Pelanggan 2. Clustering dan Klasifikasi a. Clustering Dataset penggunaan listrik per bulan pada setiap pelanggan dibuat dataset yang baru dengan 4 atribut baru untuk dilakukan clustering menggunakan k-means. Atribut tersebut adalah Mulai, Kosong, Rata dan Bulan. Atribut Mulai didefinisikan sebagai atribut yang menjelaskan pada semester ke berapa pelanggan mulai berlangganan atau menggunakan listrik pada periode Atribut Kosong didefinisikan sebagai atribut yang menjelaskan bahwa pada periode-periode berlangganan ada periode yang tidak menggunakan listrik (0 kwh). Atribut Rata didefinisikan sebagai atribut yang menjelaskan rata-rata penggunaan listrik pelanggan selama berlangganan. Perubahan dataset dapat dilihat pada gambar 6. Dataset baru yang telah dibuat kemudian dilakukan clustering menggunakan Weka.

8 Pengklusteran menggunakan k=3 dengan asumsi hasil kluster yang didapat dapat merepresentasikan seluruh sifat pelanggan dengan ukuran jarak euclid. Gambar 6 Perubahan Dataset untuk clustering Hasil dari weka terdapat tiga cluster dengan centroid sebagai berikut: 1. Cluster0: mulai 0, kosong Tidak Ada, rata adalah , bulan Cluster1: mulai 4, kosong Ada, rata adalah , bulan Cluster2: mulai 2, kosong Tidak Ada, rata adalah , bulan 34 Dengan Within cluster sum of squared errors: yang mengartikan cluster yang terbentuk sudah cukup baik. Dari hasil diatas, dapat direpresentasikan bahawa untuk cluster0 adalah pelanggan yang selama berlangganan listrik tidak pernah satu periode atau lebih tidak menggunakan listrik, ratarata pengunaan listrik sekitar 2 juta kwh, dan sudah lama berlangganan listrik. Cluster1 adalah pelanggan yang selama berlangganan listrik pernah satu periode atau lebih tidak menggunakan listrik, rata-rata pengunaan listrik sekitar 305 ribu kwh, dan sudah cukup lama berlangganan listrik. Cluster2 adalah pelanggan yang selama berlangganan listrik tidak pernah satu periode atau lebih tidak menggunakan listrik, rata-rata pengunaan listrik sekitar 1 juta kwh, dan sudah cukup lama berlangganan listrik. b. Klasifikasi Dari proses clustering cluster yang dihasilkan dari setiap pelanggan akan digunakan kelas untuk proses klasifikasi. Tidak semua atribut pada dataset pada prose clustering digunakan pada proses klasifikasi. Atribut yang digunakan dalam klasifikasi data ini adalah atribut rata dan atribut kosong. Klasifikasi menggunakan pohon keputusan dengan algoritme C4.5 agar dihasilkan aturan-aturan klasifikasi. Dataset untuk proses klasifikasi seperti gambar berikut:

9 Klasifikasi menggunakan Weka dengan Algoritme C4.5, confidencefactor 0.01 untuk pruning/pemotongan pohon dengan metode cross validation 10. Gambar 7 Ringkasan Hasil Klasifikasi Berdasarkan gambar 7, dapat diketahui dari total instance/objek atau pelanggan yang berjumlah 370, terdapat % data diklasifikasikan secara benar dan % data diklasifikasikan tidak benar. Terdapat % galat absolut relatif dan % galat akar kuadrat relatif. Gambar 8 Detil Akurasi berdasarkan Kelas Berdasarkan gambar 8, class cluster1 mempunyai TP (True Positive) rate 1 lebih besar dari TP Rate pada cluster0 dan cluster 2. Hasil klasifikasi cluster1 dapat dikatakan baik, karena hasil presisi, recall, F-Measure dan ROC Area memiliki nilai 1. Tetapi Hasil klasifikasi cluster0 dan cluster2 memiliki nilai presisi, recall, F-Measure dan ROC Area yang lebih kecil dari class cluster1. Jadi akurasi dari hasil klasifikasi C4.5 dapat dikatakan cukup baik. Gambar 9 Matriks Confusion Melalui gambar diatas dapat diketahui, ada sebanyak 149 data cluster0 benar diklasifikasi class cluster0, 33 data cluster1 benar diklasifikasi class cluster1 dan 94 data cluster2 benar diklasifikasi class cluster2. Sedangkan terdapat 87 data cluster2 salah diklasifikasi class cluster0 dan 7 data cluster0 salah diklasifikasi class cluster2. Dari hal tersebut dapat diartikan bahwa cluster0 dan cluster2 memiliki sifat yang sama karena terdapat kesalahan klasifikasi dari kedua cluster tersebut.

10 Gambar 10 Hasil Tree yang terbentuk Dari hasil tree di atas. kosong sebagai root dan variabel rata menjadi node cabangnya. Terdapat 104 data yang benar di klasifikasikan cluster2 dan 7 data yang salah diklasifikasikan cluster2 dengan rata kurang dari sama dengan dan kosong Tidak Ada. Terdapat 233 data yang benar di klasifikasikan cluster0 dan 84 data yang salah diklasifikasikan cluster0 dengan rata lebih dari dan kosong Tidak Ada. Terdapat 33 data yang benar di klasifikasikan cluster1 dengan kosong Ada. Sehingga aturan yang didapat adalah: Pelanggan baru dapat diklasifikasikan masuk kelas cluster1 apabila ada satu atau lebih periode selama berlangganan tidak menggunakan listrik. Pelanggan baru dapat diklasifikasikan masuk kelas cluster0 apabila tidak ada satu atau lebih periode selama berlangganan tidak menggunakan listrik dan rata-rata penggunaan listrik lebih besar dari 200 ribu kwh. Pelanggan baru dapat diklasifikasikan masuk kelas cluster1 apabila tidak ada satu atau lebih periode selama berlangganan tidak menggunakan listrik dan rata-rata penggunaan listrik lebih kecil atau sama dari 200 ribu kwh. Aturan diatas dapat digunakan apabila pelanggan sudah berlangganan listrik minimal satu semester. 3. Peramalan dengan Metode Winter Semua data penggunaan listrik pelanggan di plot berdasarkan penggunaan listrik per bulan. Hasil plot deret waktunya adalah sebagai berikut: Plot Deret Waktu Pelanggan Pada gambar di atas terlihat bahwa penggunaan listrik memiliki pola musiman setiap 12 bulan atau tahun. Setiap tahun (indeks kelipatan 12) terdapat pola gunung dan lembah yang

11 menggambarkan pola musiman sehingga pemilihan metode pemulusan Winter dipilih dalam peramalan penggunaan listrik. Metode Winter aditif digunakan pada analisis deret waktu dalam makalah ini karena pola data yang musiman cenderung tidak berbentuk kelipatan. MAPE, MAD, dan MSD merupakan ukuran kebaikan suatu metode dalam peramalan. MAPE, MAD, dan MSD yang kecil menggambarkan error yang kecil pula. Koefisien Level (Alpha), Trend (Gamma), dan Musiman (Delta) merupakan parameter yang harus dicoba kombinasinya agar menghasilkan error yang kecil. Metode yang memiliki nilai MAPE, MAD, dan MSD terkecil merupakan metode yang paling baik untuk peramalan. Semua pelanggan penggunaan listrik tidak memiliki waktu berlangganan yang sama. Pelanggan yang memliki nilai 0 di awal-awal waktu diasumsikan mulai berlangganan pada tahun pertama yang tidak bernilai nol. Hal ini digunakan untuk mengecilkan error yang digunakan dalam peramalan satu tahun kedepan dari waktu data terakhir (2015). Pada makalah ini, data MT_362 digunakan untuk menguji asumsi bulan mulai berlangganan guna mendapatkan peramalan terbaik. Metode Winter Data Pelanggan MT_362 dan MT_362_1 Melalui gambar di atas data pelanggan MT_362 merupakan pelanggan yang memiliki nilai penggunaan paling besar daripada pelanggan lainnya. MT_362_1 merupakan data MT_362 yang diasumsikan mulai berlangganan pada tahun MT_362 akan memiliki plot musiman yang mulus aditif jika asumsi tidak berlanggan pada 12 bulan pertama (2011) dilakukan. Hal ini terbukti dari nilai MAPE, MAD, dan MSD MT_362_1 yang sangat lebih kecil dibandingkan MT_362. Nilai MAPE MT_362_1 sebesar 9.8% terlampau lebih kecil dibandingkan MAPE MT_362 yang besarnya 35.4%. Begitupun nilai MAD dan MSD MT_362_1 yang lebih kecil dibandingkan MT_362. Oleh karena itu, pada makalah ini dilakukan peramalan penggunaan listrik per bulan semua pelanggan dengan asumsi pelanggan yang memliki nilai 0 di awal waktu mulai berlangganan pada tahun pertama yang tidak bernilai nol.

12 1E+10 Kebutuhan Daya Listrik (KiloWatt) 8E E+09 4E+09 2E Forecasting Kebutuhan Daya Listrik Tahun dan Peramalan Daya Listrik Tahun 2015 Tabel hasil peramalan dan akurasi permalan 370 pelanggan per bulan di tahun 2015 tersedia pada lampiran. Metode Winter sudah cukup baik dalam melakukan peramalan pada data penggunaan listrik yang memiliki pola tahunan ini. Baris yang berlabel warna kuning dalam tabel hasil peramalan pada lampiran merupakan pelanggan yang memiliki nilai error peramalan yang cukup tinggi. Pelanggan tersebut umumnya memiliki penggunaan daya listrik yang tidak teratur atau memiliki komsumsi listrik ditengah-tengah bulan yang bernilai 0. Metode pemulusan Winter sudah mampu menjelaskan peramalan penggunaan 342 pelanggan dengan % error (MAPE) rendah. Hal ini menunjukan metode winter mampu menjelaskan peramalan penggunaan listrik 92 % jumlah pelanggan dengan cukup baik. Melalui peramalan dengan menggunakan metode winter didapatkan nilai peramalan penggunaan daya listrik pada tahun 2015 sebesar kilowatt. Kesimpulan Melalui beberapa analisis yang telah dilakukan diperoleh kesimpulan sebagai berikut: 1. Penggunaan listrik dari tahun ke tahun semakin meningkat dan selalu memiliki pola penggunaan setiap tahunnya. Pada awal dan akhir tahun penggunaan listrik cenderung rendah dibanding di pertengahan tahun. 2. Teknik clustering dapat digunakan untuk mengklusterkan pelanggan berdasarkan sifat kemiripan dari setiap atribut yang didefinisikan. Atribut yang digunakan pada pengklusteran adalah mulai, kosong, rata dan bulan. Hasil clustering menghasilkan 3 cluster yaitu 156 cluster0, 33 cluster1 dan 181 cluster2 dengan SSE (Sum Square Error) Teknik klasifikasi dapat diterapkan untuk mengkla sifikasikan pelanggan baru dengan aturanaturan yang dihasilkan dari klasifikasi menggunakan pohon keputusan. 4. Hasil clustering dan klasifikasi dapat digunakan oleh penyedia dan penyelenggara tenaga listrik untuk menetapkan kebijakan-kebijakan dari setiap cluster yang terbentuk, seperti kebijakan harga, potongan harga atau hal-hal yang lain. 5. Peramalan penggunaan daya listrik di Portugal satu tahun ke depan (2015) sebesar kilowatt dengan besar error peramalan kebutuhan listrik masing- masing pelanggan yang berbedabeda.

13 Daftar Pustaka Suwandi A, Annisa, Jaya AK PERAMALAN DATA TIME SERIES DENGAN METODE PENGHALUSAN EKSPONENSIAL HOLT - WINTER. Jurnal Matematika UNHAS. 1:7. ABRAHAM B, LEDOLTER J Statistical Methods for Forecasting. Kanada (CA): WILEY- INTERSCI ENCE. Faiza, Ninon Nurul Prediksi Tingkat Keberhasilan Mahasiswa Tingkat I IPB Dengan Metode k-nearest Neighbor. [Skripsi]. Bogor (ID): IPB MONTGOMERY DC Introduction to Time Series Analysis and Forecasting. Kanada (CA): WILEY-INTERSCI ENCE. Ulya, Fiqrotul KLASIFIKASI DEBITUR KARTU KREDIT MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR UNTUK KASUS IMBALANCED DATA. [Skripsi]. Bogor (ID): IPB

14 Lampiran Tabel Hasil dan Akurasi Peramalan 370 Pelanggan Per Bulan Di Tahun 2015 Pelanggan JAN FEB MAR APR MAY JUN JUL AUG SEP OCT NOV DEC MAPE MAD MSD MT_ % E+08 MT_ % E+07 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_ % E+07 MT_ % E+08 MT_ % E+07 MT_ % E+08 MT_ % E+07 MT_ % E+10 MT_ % E+08 MT_ % E+07 MT_ % E+09 MT_ % E+07 MT_ % E+07 MT_ % E+09 MT_ % 994 2E+06 MT_ % E+07 MT_ % E+08 MT_ % E+07 MT_ % E+06 MT_ % E+08 MT_ % E+09 MT_ % E+06 MT_ % E+07 MT_ % E+07 MT_ % E+08 MT_ % E+08 MT_ % E+07 MT_ % E+08 MT_ % E+08 MT_ % E+06 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_ % E MT_ E+05 2E+05 2E+05 1E+05 1E+05 2E+05 2E+05 2E+05 1E+05 24% E+09 MT_ % E+09 MT_ % E+07 MT_043 4E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 5% 2E+05 4E+10 MT_ % E+07 MT_ % E+09 MT_ % E+08 MT_ % E+07 MT_ % E+07 MT_049 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 2% E+10 MT_ % E+08 MT_ % E+07 MT_ % E+07 MT_ % E+07 MT_ % E+07 MT_ % E+08

15 MT_ % E+07 MT_ % E+07 MT_ % E+08 MT_ % E+08 MT_ % E+07 MT_ % E+08 MT_ % E+07 MT_ % E+06 MT_064 5E+06 5E+06 4E+06 4E+06 4E+06 4E+06 5E+06 5E+06 4E+06 4E+06 4E+06 5E+06 4% 2E+05 6E+10 MT_ % E+07 MT_ % E+09 MT_ % E+09 MT_ % E+09 MT_ % E+08 MT_ % E+07 MT_ % E+07 MT_ % E+08 MT_ % E+08 MT_ % E+07 MT_ % E+07 MT_ % E+07 MT_ % E+07 MT_ % E+07 MT_ % E+08 MT_ % E+06 MT_ % E+08 MT_ % E+07 MT_ % E+07 MT_084 1E E E+06 1E+06 1E+06 1E+06 5% E+09 MT_ % E+08 MT_086 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 2E+06 2E+06 1E+06 1E+06 1E+06 2E+06 4% E+09 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_ % E+09 MT_ % E+09 MT_ % E+08 MT_ % E+08 MT_ % E+07 MT_ % E+06 MT_ % E+09 MT_098 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 5% 1E+05 2E+10 MT_099 3E+06 3E+06 3E+06 3E+06 3E+06 4E+06 5E+06 5E+06 4E+06 4E+06 3E+06 3E+06 4% 2E+05 4E+10 MT_ % E+08 MT_101 1E+06 1E+06 1E+06 1E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 1E+06 1E+06 8% 2E+05 4E+10 MT_102 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 4E+06 3E+06 3E+06 3E+06 3E+06 4% 1E+05 3E+10 MT_103 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 4E+06 4E+06 4E+06 3E+06 3E+06 3E+06 3% 1E+05 2E+10 MT_104 1E+06 1E+06 1E+06 1E+06 1E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 7% 1E+05 2E+10 MT_ % E+09 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_ % E+09 MT_ % E+08 MT_ % E+09 MT_ % E+09 MT_ % E+08 MT_114 1E E+06 1E+06 1E+06 1E+06 1E E+06 1E+06 1E+06 1E+06 6% E+09 MT_ % E+08 MT_ % E+09

16 MT_ % E+08 MT_ % E+09 MT_ % E+08 MT_ % E+08 MT_ % E+10 MT_ % E+08 MT_ % E+08 MT_ E+06 1E % E+08 MT_ % E+07 MT_ % E+07 MT_ % E+09 MT_ E E+06 1E % E+09 MT_ % E+09 MT_ % E+08 MT_ % E+09 MT_ % E+07 MT_ % E+07 MT_ % E+07 MT_ % E+07 MT_ % E+08 MT_ % E+07 MT_ % E+09 MT_ E+06 1E+06 1E+06 1E+06 1E+06 1E % E+09 MT_ % E+09 MT_ % E+08 MT_ % E+09 MT_ % E+09 MT_ % E+10 MT_ % E+07 MT_ % E+08 MT_147 7E+06 7E+06 8E+06 8E+06 8E+06 8E+06 9E+06 9E+06 8E+06 8E+06 7E+06 7E+06 3% 2E+05 6E+10 MT_148 1E E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 2% E+08 MT_ % E+06 MT_ % E+07 MT_ % E+09 MT_152 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 4E+06 4E+06 4E+06 4E+06 3E+06 3E+06 2% E+10 MT_ % E+09 MT_ % E+07 MT_ % E+08 MT_ % E+09 MT_157 9E+06 9E+06 9E+06 1E+07 1E+07 1E+07 1E+07 1E+07 1E+07 1E+07 1E+07 1E+07 4% 3E+05 2E+11 MT_ % E+08 MT_ % E+09 MT_ % E+07 MT_161 5E+06 4E+06 5E+06 4E+06 5E+06 5E+06 5E+06 5E+06 5E+06 5E+06 5E+06 5E+06 4% 2E+05 9E+10 MT_162 1E % E+09 MT_163 7E+06 7E+06 7E+06 7E+06 8E+06 8E+06 8E+06 8E+06 8E+06 8E+06 7E+06 8E+06 4% 3E+05 1E+11 MT_ % E+09 MT_ % E+09 MT_166 4E+06 3E+06 4E+06 4E+06 4E+06 4E+06 4E+06 4E+06 4E+06 4E+06 4E+06 4E+06 4% 2E+05 4E+10 MT_ % E+09 MT_ % E+08 MT_ % E+07 MT_ % E+09 MT_ % E+09 MT_ % E+08 MT_ % E+09 MT_ % E+09 MT_ % E+09 MT_ % E+08 MT_ % E+09

17 MT_178 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 53% 4E+05 3E+11 MT_ % E+09 MT_ % E+08 MT_ E+06 1E+06 1E+06 41% 1E+05 4E+10 MT_ % E+08 MT_ % E+08 MT_ % E+09 MT_ % E+09 MT_186 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 3E+06 2E+06 2E+06 27% 3E+05 2E+11 MT_ % E+09 MT_ % E+08 MT_189 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 4% E+09 MT_ E+06 1E+06 1E+06 1E+06 1E+06 1E % E+09 MT_191 5E+06 5E+06 6E+06 6E+06 6E+06 6E+06 7E+06 7E+06 6E+06 6E+06 5E+06 5E+06 2% 1E+05 3E+10 MT_192 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 2E+06 2E+06 2E+06 1E+06 1E+06 1E+06 4% E+09 MT_ % E+09 MT_194 6E+06 5E+06 6E+06 7E+06 7E+06 8E+06 9E+06 9E+06 9E+06 9E+06 7E+06 7E+06 7% 5E+05 4E+11 MT_195 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 4% E+09 MT_196 5E+07 5E+07 5E+07 5E+07 6E+07 6E+07 7E+07 7E+07 6E+07 6E+07 5E+07 5E+07 4% 2E+06 9E+12 MT_ % E+08 MT_ % E+09 MT_199 1E E+06 1E+06 1E+06 1E+06 2E+06 2E+06 2E+06 1E+06 1E+06 1E+06 7% E+10 MT_200 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 4% E+10 MT_ E+06 1E % E+09 MT_ % E+09 MT_203 2E+06 1E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 4% E+09 MT_204 2E+06 2E+06 2E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 2E+06 3% E+10 MT_205 1E+06 1E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 1E+06 1E+06 3% E+09 MT_ % E+09 MT_207 3E+06 2E+06 2E+06 2E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 2E+06 3E+06 3% E+10 MT_208 2E+07 2E+07 2E+07 2E+07 2E+07 2E+07 2E+07 2E+07 2E+07 2E+07 2E+07 2E+07 5% 1E+06 2E+12 MT_209 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 4% E+10 MT_210 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 4% E+10 MT_ % E+08 MT_212 1E E+06 1E+06 1E+06 1E+06 1E+06 1E % E+09 MT_213 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 4E+06 4E+06 4E+06 3E+06 3E+06 3E+06 5% 2E+05 5E+10 MT_214 1E E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 4% E+09 MT_ E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E % E+09 MT_216 5E+06 5E+06 5E+06 5E+06 6E+06 7E+06 8E+06 8E+06 7E+06 7E+06 5E+06 5E+06 4% 3E+05 1E+11 MT_ % E+09 MT_218 3E+06 3E+06 4E+06 3E+06 4E+06 4E+06 4E+06 4E+06 4E+06 4E+06 3E+06 4E+06 4% 2E+05 4E+10 MT_219 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 2E+06 2E+06 1E+06 1E+06 1E+06 1E+06 9% 1E+05 3E+10 MT_220 8E+06 7E+06 8E+06 8E+06 9E+06 9E+06 1E+07 1E+07 9E+06 9E+06 7E+06 8E+06 3% 3E+05 2E+11 MT_ % E+08 MT_222 2E+06 2E+06 2E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 2E+06 2E+06 4% 1E+05 3E MT_223 2E+05 2E % 3E+05 3E+11 MT_224 9E+06 8E+06 8E+06 7E+06 6E+06 7E+06 1E+07 1E+07 1E+07 9E+06 7E+06 6E+06 23% 2E+06 7E+12 MT_ E+06 1E+06 1E % E+09 MT_226 1E+06 1E+06 1E+06 1E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 1E+06 1E+06 4% E+09 MT_ % E+09 MT_228 1E+07 1E+07 1E+07 2E+07 2E+07 2E+07 2E+07 2E+07 2E+07 2E+07 1E+07 1E+07 4% 7E+05 7E+11 MT_229 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 4E+06 3E+06 3E+06 3E+06 3E+06 4% 1E+05 2E+10 MT_ % E+08 MT_231 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 3% E+09 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_235 3E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 5% 1E+05 2E+10 MT_ % E+08 MT_ % E+07 MT_238 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 3% E+09

18 MT_ % E+08 MT_240 1E E+06 1E+06 1E % E+09 MT_241 8E+06 7E+06 8E+06 8E+06 8E+06 9E+06 1E+07 1E+07 9E+06 8E+06 7E+06 8E+06 3% 3E+05 1E+11 MT_ % E+09 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_246 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 4% E+09 MT_247 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 1E+06 5% E+09 MT_ % E+09 MT_ % E+09 MT_ % E+08 MT_ % E+08 MT_ % E+09 MT_ E+06 1E+06 1E % E+09 MT_ % E+08 MT_255 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 1E+06 2E+06 2E+06 24% 4E+05 2E+11 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_ % E+09 MT_ % E+08 MT_ % E+09 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_ % E+09 MT_ % E+08 MT_ % E+09 MT_269 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 4% 1E+05 2E+10 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_273 1E+06 1E+06 1E+06 1E+06 1E+06 2E+06 2E+06 2E+06 2E+06 1E+06 1E+06 1E+06 3% E+09 MT_ E E % E+08 MT_ % E+08 MT_276 5E+06 5E+06 5E+06 5E+06 6E+06 6E+06 7E+06 7E+06 6E+06 6E+06 5E+06 5E+06 3% 2E+05 6E+10 MT_ % E+08 MT_ % E+08 MT_279 3E+07 3E+07 3E+07 3E+07 4E+07 4E+07 4E+07 4E+07 4E+07 4E+07 3E+07 3E+07 4% 1E+06 3E+12 MT_ % 1E+05 3E+10 MT_ % E+08 MT_ % E+08 MT_ % E+09 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_ % E+08 MT_ % E+09 MT_ % E+09 MT_290 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 7% 1E+05 2E+10 MT_ % E+08 MT_ % E+09 MT_ % E+08 MT_294 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 3% E+09 MT_ % E+09 MT_ % E+08 MT_ % E+08 MT_298 3E+06 2E+06 3E+06 2E+06 3E+06 3E+06 3E+06 3E+06 3E+06 3E+06 2E+06 2E+06 4% 1E+05 2E+10 MT_299 1E+06 1E+06 1E+06 1E+06 2E+06 2E+06 2E+06 2E+06 2E+06 2E+06 1E+06 2E+06 6% E+10