Prediksi Pelabelan Rating AC Efisiensi Energi  Menggunakan Pemodelan Machine Learning

Leni, Desmarita

doi:10.36499/jim.v19i1.7832

Cited by 1 publication

(1 citation statement)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Cross-Validation (CV) adalah salah satu teknik validasi model yang umum digunakan dalam machine learning. Pada CV, dataset dibagi menjadi beberapa subset yang disebut fold, di mana salah satu fold digunakan sebagai data pengujian dan foldfold lainnya digunakan sebagai data pelatihan [14]. Pada penelitian ini model di validasi menggunakan CV dengan k=10, yang berarti data dibagi menjadi 10 fold.…”

Section: Validasi Modelunclassified

Seleksi Fitur Berdasarkan Korelasi Pearson dalam Pemodelan Efisiensi Energi Bangunan

Leni,

Dwiharzandis,

Sumiati

et al. 2023

JTS

View full text Add to dashboard Cite

Prediksi beban pemanasan dan pendinginan bangunan merupakan langkah penting untuk perencanaan dan pengelolaan sistem energi. Hal ini, tidak terlepas dari berkontribusi beban pemanasan dan pendinginan bangunan yang menyumbang 30% dari total konsumsi energi global. Penelitian ini bertujuan untuk menerapkan metode seleksi fitur berdasarkan korelasi Pearson dalam pemodelan prediksi beban pemanasan dan pendinginan bangunan menggunakan Artificial Neural Network (ANN). Korelasi Pearson digunakan untuk menganalisis hubungan antara variabel input dan variabel target. Fitur-fitur yang memiliki korelasi signifikan dengan variabel target digunakan sebagai dataset untuk pelatihan model, sedangkan yang tidak memiliki korelasi signifikan dihapus dari dataset pelatihan. Evaluasi dilakukan menggunakan metrik evaluasi seperti Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan R-squared untuk mengukur tingkat keakuratan dan kinerja model dalam memprediksi beban pemanasan dan pendinginan. Hasil pemodelan menunjukkan bahwa seleksi fitur berdasarkan korelasi Pearson menghasilkan prediksi yang sangat akurat untuk beban pemanasan dan pendinginan bangunan. Model ini menunjukkan kinerja yang baik selama pelatihan dan validasi dengan Cross Validation (CV) menggunakan k = 10. Hasil evaluasi model diperoleh nilai MAE 0.457, RMSE 0.628, dan R-squared 0.996 untuk beban pemanasan, sedangkan untuk beban pendinginan diperoleh nilai MAE sebesar 1.163, RMSE 1.74, dan R-squared 0.967. Hasil ini mengindikasikan bahwa seleksi fitur dengan korelasi Pearson dapat dijadikan pendekatan yang efektif untuk meningkatkan performa model prediksi menggunakan machine learning, terutama dalam konteks prediksi beban pemanasan dan pendinginan bangunan.

show abstract

Section: Validasi Modelunclassified