beritabernas.com – Penerapan sistem monitoring berbasis IoT (Internet of Things) dan penggunaan model prediksi BiGRU memberikan manfaat signifikan dalam hal efisiensi energi dan penghematan biaya operasional bagi perusahaan.
Sebab, penerapan sistem ini memungkinkan perusahaan untuk mengambil langkah-langkah yang lebih tepat dalam mengelola konsumsi listrik, baik melalui optimalisasi penggunaan energi maupun melalui identifikasi dan penanganan area-area yang membutuhkan efisiensi tambahan.
Demikian kesimpulan hasil penelitian Zikri Wahyuzi, Mahasiswa Program Studi Informatika, Program Magister, Konsentrasi Sain Data FTI UII, yang disampaikan kepada wartawan melalui zoom meeting, Senin 2 September 2024.
Zikri Wahyuzi yang didampingi Ir Dhomas Hatta Fudholi ST M.Eng PhD, Ketua Program Studi Informatika, Program Sarjana yang menjadi Dosen Pembimbing 1 dan Dr Ahmad Luthfi S.Kom M.Kom, Manajer Akademik Keilmuan Program Studi Informatika, Program Magister yang juga menjadi Dosen Pembimbing 2 serta Ir Irving Vitra Paputungan ST MSc PhD, Ketua Program Studi Informatika, Program Magister FTI UII mengungkapkan, penelitian berjudul Analisis dan Prediksi Konsumsi Listrik Smart Office Berbasis IoT Terhadap Faktor Internal dan Eksternal Menggunakan Deep Learning ini berhasil mengintegrasikan teknologi Internet of Things (IoT) dalam sebuah sistem monitoring smart office untuk memantau dan menganalisis konsumsi listrik di lingkungan perkantoran.
Melalui eksperimen dan analisis yang mendalam, sistem ini menunjukkan kemampuan untuk menghasilkan dataset historis yang kaya informasi, yang kemudian digunakan sebagai dasar pembangunan model prediksi konsumsi listrik.
Dataset yang diperoleh melalui proses pengumpulan dan pemrosesan data yang sistematis menjadi lebih terstruktur dan siap untuk dianalisis lebih lanjut. Analisis eksplorasi data yang dilakukan memungkinkan identifikasi pola-pola tersembunyi, seperti korelasi antar variabel dan tren penggunaan listrik harian.
Menurut Zikri Wahyuzi, evaluasi model prediksi yang menggunakan arsitektur GRU dan BiGRU mengungkapkan bahwa model BiGRU memiliki performa yang lebih superior dalam memprediksi konsumsi listrik dibandingkan dengan GRU. Model BiGRU menghasilkan nilai MSE dan RMSE yang lebih rendah serta nilai R² yang lebih tinggi, yang menandakan kesalahan prediksi yang lebih kecil dan kemampuan yang lebih baik dalam menjelaskan variabilitas data pengujian.
Meskipun BiGRU memiliki jumlah parameter yang lebih besar dan memerlukan waktu pelatihan yang lebih lama dibandingkan dengan GRU, peningkatan akurasi yang signifikan menjadikannya pilihan yang lebih baik untuk implementasi dalam sistem monitoring smart office.
Kompleksitas tambahan dari BiGRU, yang mampu mempertimbangkan informasi dari kedua arah dalam urutan data, memberikan keuntungan dalam menangkap konteks temporal secara lebih menyeluruh, sehingga mampu memberikan prediksi yang lebih akurat dan relevan.
Efisiensi operasional
Zikri Wahyuzi mengatakan, transformasi digital mendorong perusahaan di seluruh dunia untuk meningkatkan efisiensi operasional, termasuk mengurangi konsumsi listrik di gedung perkantoran. Karena itu, kebutuhan akan monitoring dan prediksi konsumsi listrik dalam perusahaan menjadi hal yang sangat penting karena dapat membantu proses efisiensi dalam meningkatkan penghematan biaya operasional.
- Perusahaan Perlu Proaktif Memaksimalkan Penerapan Metode Business Intellegence
- UMKM Perlu Melakukan Digitalisasi Secara Bertahap Mulai dari Yang Sederhana
- Kolaborasi Lintas Sektor Sangat Penting dalam Menghadapi Ancaman Siber yang Kompleks
Dalam konteks ini, perusahaan yang dilengkapi dengan sistem smart office memiliki keunggulan dalam meramalkan konsumsi listrik karena menghasilkan data hasil ekstraksi yang dapat diolah lebih lanjut. Sehingga, pada penelitian ini ia membangun sistem monitoring smart office berbasis IoT pada perkantoran konvensional.
Hal ini bertujuan untuk melakukan ekstraksi data konsumsi listrik serta data kondisi internal dan eksternal bangunan kantor. Data historis hasil ekstraksi sensor-sensor IoT yang tertanam pada sistem monitoring smart office diolah lebih lanjut melalui proses pre-processing, exploratory dan feature engineering.
Termasuk di dalamnya dilakukan analisis tren konsumsi listrik harian perkantoran. Kemudian, model prediksi dibangun dengan membandingkan implementasi arsitektur deep learning GRU dan Bi-GRU. Hasil penelitian menunjukkan bahwa model BiGRU menghasilkan performa prediksi yang lebih baik dibandingkan dengan GRU, meskipun memiliki kompleksitas yang lebih tinggi.
Dengan menggunakan data historis satu minggu sebelumnya, model BiGRU dapat memprediksi konsumsi listrik satu hari ke depan dengan lebih akurat. Evaluasi model menunjukkan bahwa BiGRU memiliki kinerja yang lebih unggul dibandingkan dengan GRU. Hal ini terlihat dari nilai MSE, RMSE dan MAE yang lebih rendah serta R² yang lebih tinggi untuk BiGRU.
Pada tahap pengujian, model BiGRU menghasilkan prediksi yang lebih akurat, dengan MAE sebesar 0,0188 dibandingkan dengan GRU yang memiliki MAE sebesar 0,0231. Selain itu, selisih total konsumsi listrik harian antara prediksi dan data aktual adalah 11,76 kWh untuk BiGRU, sementara GRU memiliki selisih sebesar 23,68 kWh. Walaupun waktu pelatihan BiGRU lebih lama, model ini tetap menjadi pilihan terbaik berkat keakuratan prediksinya yang lebih tinggi.
Ir Irving Vitra Paputungan ST MSc PhD, Ketua Program Studi Informatika, Program Magister FTI UII mengapresiasi yang setinggi-tingginya kepada Zikri Wahyuzi, yang lulus cumlaude dari Magister Informatika FTI UII dengan konsentrasi di bidang Sains Data.
Prestasi akademis Zikri dengan masa studi 1 tahun 9 bulan 18 hari dan capaian IPK 3.96, menurut Irving, bukan hanya mencerminkan dedikasi dan kerja kerasnya, tetapi juga menunjukkan kecemerlangan intelektual yang mengesankan.
“Dengan pencapaian luar biasa ini, Zikri telah membuktikan diri sebagai salah satu talenta terbaik di bidangnya. Semoga keberhasilan ini menjadi awal dari berbagai pencapaian gemilang di masa depan,” kata Irving Vitra Paputungan. (lip)
There is no ads to display, Please add some