Laporan Hasil Analisis Data Mining pada

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 
 

 

Big Data and Clustering Analysis

Analisis Cluster Pola Kebiasaan Penghuni Rumah
Tangga dalam Pengonsumsian Energi Listrik

Dosen Pembimbing

: Muhammad Ihsan Zul, S.Pd., M.Eng ​[ihsan@pcr.ac.id​] 

Ketua Tim

: Okta Riveranda ​[okta12si@mahasiswa.pcr.ac.id​] 

Anggota Tim 1

: Muhammad Mahrus Zain ​[mahrus12si@mahasiswa.pcr.ac.id​] 

Anggota Tim 2

: Syahmia Gusriani ​[syahmia12si@mahasiswa.pcr.ac.id​] 

 
 

 
 
1 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 
 

1.

 

Latar Belakang 
Manusia  hidup  di  dunia  dimana   jumlah data  meningkat  setiap hari  sebagai akibat 
dari  komputerisasi.  Sejumlah  besar  data   disimpan   berdasarkan  rangkaian  waktu 
(​time­series)  ​dan  terus  terkumpul  selama  transaksi  berlangsung.  Dengan   munculnya 
teknologi  penyimpanan  data  yang   murah,  memungkinkan  untuk  menyimpan  data   secara  
rinci untuk dilakukan  tindakan lebih  lanjut. Data­data rinci yang terus bertambah inilah yang  
melatarbelakangi penelitian Data Mining. 
Data  Mining  digunakan  untuk   mencari  pengetahuan  dari  basis  data  yang  besar 
besar   sehingga  sering  disebut  Knowledge  Discovery  in  Databases  (KDD).  ​Data  Mining 
merupakan  salah  satu disiplin  ilmu  dalam Ilmu  Komputer  yang memadukan  antara  disiplin 
ilmu  statistika  dengan  ​Artificial  Intelligence  ​(AI).  Konsep  statistika  diterapkan  dengan 
adanya  pengambilan  sampel  dalam  suatu  data,  yang  dikenal   dengan  istilah  ​sampling​. 

Sementara   untuk  AI,  ​Data Mining  menerapkan  beberapa  algoritma ​machine learning, baik  
dalam  analisis  suatu   data  mentah  yang  ada  maupun  dalam  proses   pembentukan  model 
dalam proses klasifikasi data (Han, 2005). 
Dalam   Data  Mining  juga  dikenal  suatu  istilah  yang  disebut  dengan  big  data.  Big 
data  merupakan sekumpulan data mentah yang telah disimpan  dalam selang waktu tertentu 
dan  belum  memiliki  arti  maupun  informasi  (Han,  2005).  Big  data  telah menjadi  salah  satu 
topik  hangat  yang  sedang  menjadi  bahan perbincangan  para  profesional IT di dunia. Salah 
satu  topik  utama  seputar  big data  adalah ketersediaan data berbasis waktu (​real time) atau 
telemetry  data ​(Rosario &  Phil, 2013). ​Telemetry data ​dapat diartikan pengukuran jarak jauh 
terhadap data untuk perekaman dan analisis  data di masa yang akan datang. Data telemetri 
tersebut merupakan kumpulan nilai  yang diperoleh dari pengukuran  berurutan dari waktu ke  
waktu (​time­series). 
Data  pemakaian  alat­alat  listrik  merupakan  salah  satu   big  data.  Data­data  yang 
terkumpul  bertambah  dari  waktu  ke   waktu   (​time­series).  ​“​Individual  Household  Electric 
Power Consumption  Data Set​” adalah data yang diperoleh dari pengukuran konsumsi listrik 
pada  sebuah   rumah  tangga  di  Irlandia.   Sebuah  rumah  tangga  yang  darinya  mampu 
dihasilkan  sekumpulan  data  mentah   yang  berukuran  sangat  besar,  setelah  disimpan 
selama  hampir  4  tahun  untuk  tiap  menit pemakaian  alat  listrik. Data­data tersebut berupa 
hasil pencatatan dalam pemakaian alat listrik sehari­hari. 

 
2 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 
 

 

Jenis  alat  listrik  pada  data  rumah  tangga  ini  dikelompokkan  menjadi  3  yakni; 
peralatan  dapur,  mesin  ​laundry​,  serta  alat  pemanas  air  dan  ​air­conditioner​.  Meteran 
(pengukur)  untuk  tiap  jenis  alat  listrik  pada  rumah  tangga  tidak  digabung  menjadi  satu  
(paralel).  Hal itu  memberikan keuntungan dalam pengukuran pemakaian alat listrik, dimana, 
jika  salah  satu  meteran alat listrik  terputus, maka hal itu tidak akan  mempengaruhi meteran 
jenis​ ​alat listrik lainnya.  
Analisis terhadap  big data merupakan hal yang perlu dilakukan untuk mendapatkan 

suatu  pola  tertentu  dari  data  set  rumah  tangga  itu.  Proses  analisis  yang melibatkan  jenis 
alat  listrik   menghasilkan  3  ​cluster  ​sesuai  dengan  karakteristik   atau  pola  yang  akan 
dihasilkan.  Data Mining dapat diterapkan dalam pengolahan big data ​time­series​.  Hasil  dari 
pemrosesan   Data  Mining  dapat  ​menggambarkan  visualisasi  bentuk  pola  data.  Dengan 
adanya visualisasi pola data, sangat mungkin untuk memperoleh suatu informasi berharga. 
Ketepatan  dalam  memilih  ​tools  ​untuk  ​data  mining  adalah  hal  yang  tidak  kalah 
penting.  Besarnya  jumlah  data  harus  dipertimbangkan  sebelum   memulai  proses  ​mining​.  
Jumlah data pada Data  Set yang akan diproses mencapai  2.075.259 baris data. Kecepatan 
pemrosesan  data juga  menjadi pertimbangan  dalam memilih ​tools. ​Semakin banyak jumlah 
data,  maka  lamanya  waktu  pemrosesan  juga  semakin  besar.  Mempertimbangkan  jumlah 
data yang ada, KNIME menjadi aplikasi yang tepat untuk pemrosesan big data. 
KNIME adalah sebuah aplikasi multi­platform yang open source untuk analisis data, 
menyediakan  grafis  area  kerja  yang   ​user­friendly  untuk  seluruh  proses  analisis:  ​data 
access,  data  transformation,  initial  investigation,   powerful  predictive  analytics​,   visualisasi, 
dan laporan. Tersedia lebih dari 1000 modul (nodes) di dalamnya. (Rosario & Phil, 2013) 
Berdasarkan  uraian  di  atas,  melalui  makalah  ini,  dilakukan  penelitian  terhadap 
“​Individual  Household  Electric  Power Consumption  Data Set​” dengan menerapkan konsep 
Data  Mining  menggunakan  ​software  ​KNIME,  serta  visualisasi  informasi  yang  dihasilkan 
dari  data  dengan  Microsoft  Excel  2013.  Sehingga,  diperoleh  informasi  berupa  pola 
kebiasaan pemakaian alat listrik pada sebuah rumah tangga. 

 
 
 

 
3 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

2.

Tujuan dan Manfaat 
Tujuan dari penelitian yang dilakukan adalah sebagai berikut: 
1. Mendapatkan  pola  pemakaian  alat  listrik   pada  suatu  rumah  tangga berdasarkan 
periode musim, bulan, hari dan ​range​ waktu tertentu. 
2. Dapat mengetahui jenis alat apa saja yang paling sering digunakan dalam  periode 
waktu tertentu. 
3. Mengelompokkan  pola  penggunaan  alat  listrik  menjadi   beberapa   kategori 
berdasarkan lama pemakaiannya. 
4. Memberikan   label  tingkat  keborosan  penggunaan  alat  listrik  berdasarkan  total 
daya listrik yang dihasilkan dengan biaya yang dikeluarkan. 
5. Visualisasi informasi dalam bentuk grafik (​infographic​) sehingga mudah dipahami. 
Sementara itu, manfaat yang dihasilkan dari tujuan di atas ialah sebagai berikut: 
1. Mengetahui  kebiasaan  anggota  rumah  tangga  dalam  menggunakan  alat   listrik 
sehari­hari. 
2. Dapat menghasilkan informasi yang akurat dari hasil analisis yang dilakukan. 
3. Mengetahui  pola   penggunaan  alat  listrik  untuk  kemudian   bisa  dijadikan  bahan 
pertimbangan apabila suatu saat dilakukan analisis untuk data yang lain. 

3.

Batasan Masalah 
Batasan Masalah dari penelitian ini adalah: 
1. Data  set  yang  digunakan  berasal  dari  satu  rumah  tangga  dengan  jumlah  data 
2.075.259 baris. 
2. Data set yang dianalisis adalah data yang dikumpulkan dalam 47 bulan.  
3. Menggunakan  algoritma  ​k­means  untuk   ​cluster  analysis  dan  beberapa  algoritma 
klasifikasi sebagai perbandingan akurasi tiap algoritma. 
4. Cluster yang ditentukan berjumlah 3 cluster.

 

 
4 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

4.

Metode 
4.1.

Software 
4.1.1.

KNIME 
KNIME  atau  Konstanz  Information  Miner  merupakan 
software  analisis  data yang bersifat  ​open  source.  ​Beberapa  tahun 
terakhir,  KNIME  semakin   banyak  di   gunakan  untuk  proses  data  
mining. KNIME memberi kemudahan  dalam pengolahan data skala  
besar.  Bahkan  untuk  mengolah  big  data,  KNIME   mampu 
memroses  dengan  cepat.  Sehingga,  sangat  menghemat  waktu 

pengerjaan jika dibandingkan dengan ​software ​lain. 

 

 
Gambar 4.1.1.1 Logo KNIME 

 
5 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

Pada  pemrosesan  data  digunakan  aplikasi   KNIME 
sebagai   ​software  pendukung  utama.  Proses­proses   yang 
dilakukan  diantaranya  transformasi  data,  ​filtering​,  fungsi   operasi 
matematika, pengondisian, ​cluster analysis ​hingga klasifikasi. 
Gambar  di  bawah  ini  menjelaskan  perbandingan  antara 
kecepatan  analisis  data  dengan  KNIME  versi  komunitas  dengan 
KNIME  yang  ditambah  dengan  ekstensi  komersil  berdasarkan  
ukuran data yang diolah. 

 
Gambar 4.1.1.2 Grafik Kelebihan KNIME 2.10

 

 
6 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Pada  gambar  di   atas,  ada  tiga  bagian  pemrosesan 
kecepatan  dengan  ​software   KNIME.  Bagian  berwarna  coklat 
merupakan  KNIME standar  yang digunakan untuk  skala komunitas 
(​community  edition​).  RushAccelerator   menempati  urutan  kedua 
lebih  cepat  2­10  kali  dibanding  versi  standar.   RushAnalytics 
menjadi   yang  tercepat  yakni,  10­100  kali  lipat  dibanding  versi 

komunitas.  RuschAccelerator  dan  RushAnalytics   merupakan  
ekstensi KNIME yang bersifat komersil. 

4.1.2.

Microsoft Excel 2013 
Bagian  dari  Microsoft Office ini memiliki berbagai fitur­fitur 
spreadsheet​.  Microsoft  Excel  2013   merupakan  applikasi  dengan  
kemudahan  mengolah  data  berstruktur  tabel.  Mendukung  operasi 
perhitungan,  pembuatan  grafik,  tabel  pivot  dan  beberapa  fungsi 
kondisi. 

 

 
Gambar 4.1.2.1 Logo Microsoft Excel 2013 

 
7 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 
 

 

Microsoft  Excel   digunakan   sebagai  apikasi   pendukung 
setelah  KNIME. Hal  ini  disebabkan oleh  hasil  data  olahan  KNIME  
yang  terdiri  dari  kolom  dan  baris  data  yang  sangat  banyak. Data 
hasil tersebut dipindahkan dan  divisualisasi dengan menggunakan 
Microsoft  Excel.  Lalu,  fitur  pivot  digunakan  untuk  membantu 
menampilkan  data yang ada  dalam suatu tabel dengan  cara  yang 
berbeda  tanpa  merubah   data  asli.  Data  yang  diolah  dapat 
ditampilkan  dalam  tampilan  grafik  ataupun  ​chart​.   Tampilan  ini 
mempermudah  dalam  analisis  data  dalam  jumlah  banyak  yang 
biasanya sulit dianalisis jika hanya tampil dalam bentuk tabel.  

4.2.

Data Set 
Data  set  yang  digunakan  adalah  data  yang   diambil  dari  sebuah 
rumah  tangga   dalam  menggunakan  alat  listrik sehari­hari  setiap  menitnya 
selama 47 bulan (dari Desember 2006 sampai November 2010). 
Berikut informasi detil mengenai data set yang digunakan: 
1) Data  set  ini  mengandung  2.075.259   baris  data  dengan  6 
atribut/kolom. 
2) Atribut­atribut  yang  ada  itu  merepresentasikan  penggunaan  alat 
listrik setiap menit (dalam watt hour). 
3) Model perhitungan konsumsi alat listrik adalah sebagai berikut: 

( GMP60∗100 )−(SM 1 + S M 2 + S M 3)                 (1)  
Keterangan: 
1) GMP: global_active_power. 
2) SM1: sub_metering_1. 
3) SM2: sub_metering_2. 
4) SM3: sub_metering_3. 
 

 
8 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 
 

 

Berikut  adalah  informasi  detil  mengenai  atribut­atribut yang ada pada  data 
set yang akan dianalisis: 
1) date: Tanggal pencatatan data (dd/mm/yyyy). 
2) time: Waktu pencatatan data (hh:mm:ss). 
3) global_active_power:  Merupakan  rata­rata  penggunaan  daya aktif 
untuk tiap alat listrik dalam satuan ​kilowatt ​(​kw​). 
4) sub_metering_1:  Meteran   yang  mengukur   alat­alat  listrik  dapur 
seperti; kompor listrik, pencuci tangan, ​oven​ dan ​microwave​. 
5) sub_metering_2:  Meteran   yang  mengukur   alat­alat  listrik  untuk 
ruang  cuci  berupa;  mesin  cuci,  pengering  pakaian,  kulkas,  dan 
lampu. 
6) sub_metering_3:  Meteran   yang  mengukur   alat­alat  listrik  yang  
memakan  daya  besar  berupa;  penghangat   air  elektrik  dan  ​Air 
Conditioner​. 

4.3.

Algoritma 
4.3.1.

k­Means 
K­Means  adalah  suatu  algoritma  ​unsupervised  learning 
untuk  analisis  cluster  dengan  tujuan  mengelompokkan  data 
berdasarkan  karakteristik  tiap   data  dengan  data   yang  lain  tanpa  
mengetahui  target  kelas/labelnya.  Berbeda  halnya  dengan 
supervised  learning  yang  mengelompokkan  data  berdasarkan 
model  klasifikasi  yang  telah  dibuat  dari   pengolahan  data 
sebelumnya, sehingga dapat diketahui kelas dari data yang baru. 
Berikut  ini  adalah   algoritma/langkah­langkah  yang  harus 
ditempuh untuk melaksanakan ​clustering​ dengan k­Means: 
1) Tentukan jumlah ​cluster ​(berapa buah k yang diinginkan). 
2) Kelompokkan  data  sehingga  terbentuk  k   buah  ​cluster 
dengan  titik ​centroid  untuk setiap ​cluster merupakan titik 
centroid​ yang telah dipilih sebelumnya. 
3) Perbaharui nilai titik ​centroid​. 
4) Ulangi langkah  2 dan 3  sampai nilai  dari titik ​centroid tidak 
lagi berubah. 

 
9 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

Dalam   menentukan  titik  ​centroid  ​menggunakan  algoritma 
dengan rumus sebagai berikut:     
k

 

E = ∑ ∑ dist ( p, ci)2                                           (2)  
i=1 pεCi

Keterangan: 
E = Jumlah Error data 

Ci ​= Cluster ke­i 
p = Titik Objek 
Kelebihan  yang  dimiliki  oleh   k­Means  diantaranya  ialah 
sebagai berikut: 
1) Mudah untuk diimplementasikan. 
2) Waktu  yang  dibutuhkan  untuk  proses  pembelajarannya 
relatif lebih cepat. 
3) Mudah untuk diadaptasi pada data yang dinamis. 
4) Umum digunakan. 
Sementara   itu,  kekurangan  dari   penggunaan  k­Means 
adalah sebagai berikut: 
1) Inisialisasi  k  dilakukan  secara  ​random​,  sehingga 
pengelompokkan 

data 

yang  

dihasilkan 

dapat 

berbeda­beda.   Jika  nilai  ​random  yang  dilakukan  kurang 
baik, maka hasil yang didapatkan tidak maksimal. 
2) Sangat  tidak cocok untuk  pengimplementasian  pada  data  
dengan dimensi yang besar 

 
10 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

 
Gambar 4.3.1.1 Hasil Clustering dengan algoritma k­Means 

 
11 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

4.3.2.

Naive Bayes 
Naive  Bayes  merupakan  algoritma  klasifikasi  yang 
menerapkan  ​Bayesion Theorem.  Bayesion Theorem  adalah suatu 
rumusan   matematika  yang  sederhana  yang   digunakan   untuk 
mencari peluang  bersyarat. Dalam data mining, ​Bayesion  Theorem  
dipakai  sebagai  salah  satu  metode  kalsifikasi  yang   dapat 
menghitung  probabilitas  keanggotaan   dari  sekumpulan  data 
terhadap label yang ada tanpa memandang ketergantungan antara 
satu atribut dengan atribut yang lain (independen).  
Pada  teorema  Bayes,  berlaku  hukum  ​probabilitas  ​total  
dengan rumus sebagai berikut:  
n

P  (A | B) = P  (A) P  (B|A) ÷ ∑ P  (Ai|B)                (3)   
i=1

Keterangan: 
P = Peluang Kejadian  
A = Kejadian A 
B = Kejadian B 

4.3.3.

Neural Network 
Neural  Network  merupakan  algoritma  klasifikasi  dengan 
meniru  cara  kerja  sistem  saraf  pada   neuron  otak  manusia.  Cara  
kerjanya  ialah   dengan  mengubah  struktur  dalam  memecahkan 
masalah  berdasarkan  informasi  yang  diperoleh.  Teknik  jaringan 
syaraf  ini dapat digunakan untuk menentukan klasifikasi ​clustering, 
prediksi  dan  pola  pengenalan  terhadap  data.  ​Neural   Network 
memodelkan  hubungan  yang  kompleks  antar  data­data  untuk 
menemukan pola­pola pada data.  

f (x) =  K (Σi ωi gi (x))       

 
12 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Keterangan: 

f (x)  = Fungsi Neuran Network 

gi  = Fungsi Komposisi Vektor 
​K​ = Nilai Ketentuan 
 

4.3.4.

k­NN 
k­Nearest  Neighbor  (k­NN)  merupakan  teknik  klasifikasi 
data  berdasarkan   kedekatan   jarak  (lokasi)  suatu  data  terhadap 
data  lainnya.  Jarak  yang  digunakan  adalah  ​Euclidean  Distance​. 
Jarak  Euclidean  (​Euclidean  Distance​)  merupakan  perhitungan 
yang  paling  umum  digunakan  pada  data  numerik,  selain 
Manhattan​. Rumus ​Eucledian Distance: 

dist  ( X 1,  X 2) =

√

n

∑ (X 1i − X 2i) 2                         (4) 

i=1

Keterangan: 

X 1  = Data Sampel 
X 2  = Data Uji/ ​Testing 
i ​= Variabel Data 
dist ​= Jarak 
 
 
 

 
13 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

4.3.5.

Decision Tree 
Decision  tree  adalah  salah  satu algoritma  kalsifikasi  yang 
sangat  populer  dan  banyak  digunakan  secara  praktis. Metode  ini 
merupakan  metode  yang   berusaha  menemukan  fungsi­fungsi 
pendekatan  yang  bernilai  diskrit  dan  tahan  terhadap   data­data 
yang  memiliki  kesalahan  (​noise)​. Metode  ini  merupakan  algoritma 
yang  banyak  digunakan  untuk  kasus  klasifikasi  data.  Sebuah 
decision  tree  terdiri   dari  sebuah  node  paling   tinggi  disebut   root,  
internal  node   dan  ​leaf​.  Konsep  entropy  digunakan  untuk 
penentuan  pada  atribut   mana  sebuah  tree  akan  terbagi  (split). 
Decision Tree  ​menyeleksi  data menjadi pohon  keputusan  (decision  
tree)  dan  aturan­aturan  keputusan  (rule).  Adapun  rumus  Decision 
Tree​ ​adalah sebagai berikut: 
c

Entropy (S)  = ∑ −  pi log2 pi                                (5)  
i=1

Keterangan: 
S = Himpunan Kasus. 
c = Jumlah Partisi 

pi = Proporsi dari S​
 
i​ ke S 
 
 
 
 
 
 

 
14 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

5.

Desain dan Implementasi 
Work  Flow  ​di  bawah  ini  menggambarkan  node­node  yang  digunakan  dalam  
pengimplementasian  ​Knowledge  Discovery  in  Database  ​(KDD).  Rincian  mengenai 
tahap­tahap KDD akan dijelaskan pada ​Work Flow​ dan gambar­gambar berikutnya. 

 
Gambar 5.1 Work Flow secara keseluruhan 

 
15 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

5.1.

Data Set 
Berikut  ini  adalah  gambar  mengenai proses pembacaan file .txt  yang berisi 
data set: 
1) Pilih File .txt yang akan diimpor. 
2) Pilih ‘;’ (​semicolon​) sebagai ​column delimiter​­nya. 

 
Gambar 5.1.1 Read Data 
 
Di  bawah   ini   adalah  hasil  dari  pembacaan  data  yang  telah  diimpor 
sebelumnya. 

Gambar 5.1.2 Atribut­atribut data set 
 

 
16 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Berikut  ini  adalah   gambar   mengenai  penambahan   atribut/kolom  ID  sebagai  
pembeda  antara  satu  ​row   data  dengan  data   yang  lain.  Itu  dikarenakan,   data  set 
yang ada hanya diambil dari 1 rumah tangga (​household​) saja. 

 
Gambar 5.1.3 Penambahan atribut/kolom ID 

 
17 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

5.2.

Data Selection 
Sebelum  melakukan  ​preprocessing, ​dilakukan seleksi data terlebih 
dahulu.  Penyeleksian  dilakukan  dengan  menyeleksi  atribut  apa  saja yang 
diperlukan.  Dalam  data set terdapat  tiga atribut  yang tidak diperlukan yaitu, 
Global_reactive_power,   Voltage,  dan  Global_intensity.  Ketiga  atribut  ini 
memiliki  nilai  yang  hampir  sama  dan  tidak  mempengaruhi  proses 
selanjutnya.  Sementara,  untuk  atribut  yang lain,  dijadikan sebagai variabel 
penentu proses data mining atau dikenal sebagai ​predictor variable​.  
Gambar  di  bawah  ini  menjelaskan  mengenai  penyeleksian  data, 
dimana,  kolom sebelah kiri adalah atribut­atribut yang tidak digunakan, dan 
di sebelah kanan adalah ​predictor variable​. 

 
Gambar 5.2.1 Seleksi Data 

 
18 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 
 

5.3.

 

Preprocessing 
Tahap  awal   yang  dilakukan  sebelum  proses  ​data  mining  ialah 
tahap   ​preprocessing​.  Tujuannya   adalah   mentransformasi  data  ke  suatu 
format  tertentu  yang  prosesnya  lebih   mudah  dan  efektif untuk  kebutuhan 
pemakai, dengan indikator sebagai berikut: 
1) Mendapatkan hasil yang lebih akurat. 
2) Pengurangan waktu komputasi untuk ​large scale problem​.  
3) Membuat  nilai  data menjadi  lebih  kecil tanpa  mengubah  informasi 
yang dikandungnya. 
Terdapat  beberapa  alat  dan  metode  dalam  tahap  ​preprocessing​. 
Berikut adalah contoh penerapan metodenya: 
1) Sampling​, menyeleksi subset  representatif dari populasi  data yang 
besar. 
2) Transformation​,  memanipulasi  data   mentah  untuk  menghasilkan 
input tunggal. 
3) Denoising​, menghilangkan ​noise​ pada data. 
4) Normalization​,  mengorganisasi  data  untuk  pengaksesan  yang 
lebih spesifik. 
5) Feature Extraction​, membuka spesifikasi data yang signifikan. 

 
 
 
 
 
 
 

 
19 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Gambar  di  bawah  ini  menggambarkan  node­node  yang  digunakan  untuk 
menghitung jumlah ​watt­hour​ penggunaan alat listrik. 

 
Gambar 5.3.1 Work Flow Menghitung W/h penggunaan alat listrik 
 
Work  Flow  di  bawah  ini  menggambarkan  node­node  yang  digunakan  untuk 
mengubah data bertipe ​string​ menjadi ​date. 

 
Gambar 5.3.2 Work Flow Konversi data dari string ke date 

 
20 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Work  Flow  di  bawah  ini  menggambarkan  node­node  yang  digunakan  untuk 
mengekstraksi data bertipe string yang telah dikonversi pada tahap sebelumnya. 

 
Gambar 5.3.3 Work Flow Ekstraksi tanggal 

 
21 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Work  Flow  di  bawah  ini  menggambarkan  node­node  yang  digunakan  untuk 
menggabungkan kolom kW/h dengan tanggal dan waktu. 

 
Gambar 5.3.4 Penggabungan kolom 

 
22 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Work  Flow  di  bawah  ini  menggambarkan  node­node  yang  digunakan  untuk 
menjumlahkan kW/h per range waktu tertentu untuk tiap hari. 

 
Gambar 5.3.5 Work Flow Penjumlahan kW/h per hari 

 
23 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Work  Flow  di  bawah  menggambarkan  node­node  yang  digunakan  untuk 
mengekstraksi tanggal ke dalam bulan dan tahun. 

 
Gambar 5.3.6 Work Flow Ekstraksi tanggal ke dalam bulan dan tahun 

 
24 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Work  Flow  di  bawah  ini  menggambarkan  node­node  yang  digunakan  untuk 
menghitung rata­rata kW/h per hari. 

 
Gambar 5.3.7 Work Flow Hitung Rata­rata 
 
Work  Flow 

di  bawah  ini  menggambarkan  node­node  yang  digunakan  untuk 

menggabungkan kW/h ​intra­days​ dengan rata­rata per hari. 

 
Gambar 5.3.8 Work Flow Penggabungan kW/h dengan rata­rata per hari 
 
25 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Work  Flow  ​di  bawah  ini  menggambarkan  node­node  yang  digunakan  untuk 
menghitung persentase range waktu yang terdiri dari: 
1) Dari pukul 13.00 sampai pukul 17.00. 
2) Dari pukul 17.00 sampai pukul 21.00. 
3) Dari pukul 21.00 sampai pukul 07.00. 
4) Dari pukul 07.00 sampai pukul 09.00. 
5) Dari pukul 09.00 sampai pukul 13.00. 

 
Gambar 5.3.9 Work Flow Perhitungan Persentase dalam range waktu tertentu 
 
Work  Flow  di  bawah  ini  menggambarkan  node­node  yang  digunakan  untuk 
normalisasi  data.  Ada  2  langkah   yang  dilakukan:  Mengisi  missing  values dengan 
nilai  rata­rata  tiap  atribut  dan  kemudian  memilih  atribut­atribut yang akan dianalisis 
untuk tiap cluster. 

 
Gambar 5.3.10 Normalisasi Data 
 
26 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

5.4.

Data Mining 
Tabel   di  bawah  ini  menjelaskan  tentang  proses  penyeleksian 
atribut­atribut   yang  akan  digunakan  pada  analisis  cluster.  Jumlah  cluster 
yang  ditentukan  sebanyak  3  buah  cluster.  Iterasi  maksimum  yang 
dilakukan sebanyak 400 kali iterasi (perulangan). 

 
Gambar 5.4.1 Seleksi Data untuk Cluster Analysis 
 
Work  Flow di bawah ini menggambarkan node­node yang digunakan untuk 
analisis  cluster.  Node  ​Color  Manager digunakan untuk  memberikan warna 
sebagai pembeda antar cluster. 

 
Gambar 5.4.2 Work Flow Cluster Analysis dengan algoritma k­means 

 
27 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Tabel   di  bawah  ini  adalah  hasil  analisis  cluster  dari  ​work  flow  di  atas. 
Terlihat  bahwa,  terdapat  perbedaan  warna   antara  satu  cluster  dengan 
cluster lain berdasarkan warna dari pengaturan ​Color Manager​ di atas. 

 
Gambar 5.4.3 Tabel Hasil Cluster Analysis 
 

5.5.

Interpretation & Evaluation 
Tabel   di  bawah  ini  tabel  ​Confusion  Matrix  dari  hasil  klasifikasi  dengan 
menggunakan  algoritma  ​Naive  Bayes​.  Informasi  yang  dapat  diambil  dari 
tabel di bawah adalah: 
1) Akurasi hasil klasifikasi: 93.267% atau 942 baris data. 
2) Error Rate: 6.733% atau 68 baris data. 

 
Gambar 5.5.1 Confusion Matrix hasil klasifikasi dengan Naive Bayes 
 
28 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Tabel   di  bawah  ini  adalah  tabel  ​Confusion  Matrix  dari  hasil   klasifikasi 
dengan  menggunakan  algoritma  ​Neural   Network​.  Informasi  yang  dapat 
diambil dari tabel di bawah adalah: 
1) Akurasi hasil klasifikasi: 88.614% atau 895 baris data. 
2) Error rate: 11.386% atau 115 baris data. 

 
Gambar 5.5.2 Confusion Matrix hasil  klasifikasi dengan Neural Network 

 
Tabel   di  bawah  ini  adalah  tabel  ​Confusion  Matrix  ​dari  hasil   klasifikasi 
dengan  menggunakan  algoritma  ​Neural   Network​.  Informasi  yang  dapat 
diambil dari tabel di bawah adalah: 

 
Gambar 5.5.3 Confusion Matrix hasil klasifikasi dengan k­NN 

 
29 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
Tabel   di  bawah  ini  adalah  ​Confusion   Matrix  dari   hasil  klasifikasi  dengan 
menggunakan  algoritma  ​Decision  Tree​.  Informasi  yang dapat  diambil  dari 
tabel di bawah adalah: 
1) Akurasi hasil klasifikasi: 85.842% atau 867 baris data. 
2) Error Rate: 14.158% atau 143 baris data. 

 
Gambar 5.5.4 Confusion Matrix hasil klasifikasi dengan Decision Tree 

 
30 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

6.

Analisis 
6.1.

Analisis  Cluster  Pola  Penggunaan  Alat  Listrik 
dengan Normalisasi 
Terdapat 2 metode normalisasi yang bisa digunakan untuk analisis cluster 
pola penggunaan alat listrik, yaitu: 
A. Normalisasi dengan metode Z­Score. 

 
Gambar 6.1.1 Normalisasi dengan metode Z­Score 

 
31 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 
 

 

Dari  analisis  yang  telah   dilakukan  dengan  metode  normalisasi 
Z­Score, didapat  informasi  mengenai  pola dari  tiap  cluster. Berikut 
hasil analisisnya: 
1) Cluster  0  menjelaskan  karakteristik  pengguna   yang  lebih 
dominan  dalam  menggunakan  alat­alat  listrik   pada  saat 
sore  hingga  menuju  malam.   Puncak  pemakaian   alat­alat 
listrik   ini   berada  di  antara  pukul  17.00  hingga  21.00. 
Kemudian,  dari  pukul  07.00  hingga  pukul   09.00 
mengalami   kenaikan  penggunaan  alat­alat  listrik.  Lalu 
akhirnya,  mengalami  penurunan   mulai   dari  pukul  09.00 
hingga pukul 13.00. 
2) Cluster  1  menjelaskan  karakteristik  pengguna   dimana, 
dari pukul 13.00  hingga  pukul  21.00 penggunaan alat­alat 
listrik  sangat rendah. Terlepas  dari faktor  apapun,  asumsi 
yang  bisa  digunakan  ialah  bahwa,  pada  saat itu penghuni 
rumah tidak  sedang berada  di  rumah.  Namun sebaliknya, 
mulai  dari  pukul  21.00  hingga  pukul  07.00  terjadi 
peningkatan  yang  signifikan  pada  penggunaan  alat­alat 
listrik.  Asumsi  yang  bisa  digunakan  berikutnya  ialah 
bahwa  penghuni  rumah  pada  saat  itu sedang  begadang 
(​The Night Owl​). 
3) Cluster  2  menjelaskan  karakteristik  pengguna   dimana, di 
antara  pukul  13.00  hingga   pukul   17.00  terjadi   puncak 
pemakaian  alat­alat listrik.  Sementara itu, dari pukul 17.00 
hingga  pukul  09.00,  penghuni  rumah   hampir  tidak  aktif 
sama sekali, karena  penggunaan alat­alat listrik  yang jauh 
lebih  rendah  daripada   rata­rata  di  cluster  lain.  Kemudian 
kembali aktif mulai dari pukul 09.00 hingga pukul 13.00. 

 
 

 
32 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
B. Normalisasi dengan metode Min­Max. 

 
Gambar 6.1.2 Normalisasi dengan metode Min­Max 

 
33 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 
 

 

Dari  analisis  yang  telah   dilakukan  dengan  metode  normalisasi 
Min­Max,  didapat informasi mengenai pola  dari tiap cluster. Berikut  
hasil analisisnya: 
1) Cluster  0,  sebagaimana  dengan  metode  Z­Score, 
menggambarkan   karakteristik  pengguna  paling  banyak 
menggunakan  alat­alat  listrik  pada  pukul  17.00  hingga 
pukul  21.00.  Hal  itu  menunjukkan  bahwa,  aktivitas 
pemakaian  alat  listrik  mencapai  puncaknya. Setelah pukul 
21.00,  pemakaian alat listrik mengalami penurunan sangat 
signifikan  sampai  pukul  07.00.  Dilanjutkan  sampai   pukul 
09.00,  konsumsi  listrik  masih  sangat  rendah.  Lalu, 
penggunaan  alat  listrik  mulai mengalami  sedikit  kenaikan 
pada  pukul  13.00   dan  menurun   kembali  hingga  pukul 
17.00. 
2) Cluster  1  menunjukkan pemakaian  puncaknya pada pukul 
21.00  sampai  07.00 pagi. Hal itu juga menandakan bahwa 
penghuni  rumah  tangga  sedang sangat aktif pada  malam  
hari,  sebagaimana  hal  ini  juga  bisa  dilihat  pada  ​Analysis 
Chart​ dengan metode Z­Score. 
3) Cluster  2  menggambarkan  pola   kebiasaan  penghuni 
rumah  tangga   yang  relatif   berbeda  dari  metode  dengan 
Z­Score.  Bahkan,   bisa  dikatakan  berbanding  terbalik. 
Pada  cluster  ini,  bisa  diasumsikan  bahwa,  penghuni 
rumah  tangga   aktif  dari  pukul  17.00  hingga  pukul  09.00, 
yang  menunjukkan  kalau  penghuni  rumah tangga sedang 
berada di rumah pada saat itu. 
 
 
 
 

 
34 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

6.2.

Analisis  Cluster  Pola  Penggunaan  Alat  Listrik 
berdasarkan total kW/h 
Pada  bagian  ini,  dijelaskan tentang  analisis  pola  penggunaan  alat 
listrik   berdasarkan  total  kW/h  yang  dihasilkan  dari  pemakaian  alat  listrik.  
Ada  4  periode waktu yang menjadi  dasar dalam  penjumlahan kW/h, yakni 
sebagai berikut: 
A. Per Musim 
Chart  di  bawah  ini  adalah  hasil  ​cluster  analysis  pola 
penggunaan  alat  listrik  untuk  tiap  tahun.  Berikut  informasi  yang 
dapat   diambil  dari  hasil  analisis  yang  dilakukan   berdasarkan 
musim tiap tahun: 
1) Analisis  pola  didasarkan  pada  total  kW/h  untuk  tiap 
musim. 
2) Pada  tahun  2006,  data  yang  didapat   hanya  untuk  bulan  
Desember,   sehingga  hanya  musim  dingin  saja   yang  ada 
pada tahun itu . 
3) Dapat 

disimpulkan 

bahwa, 

pada 

musim  dingin, 

penggunaan alat listrik cukup besar untuk tiap tahunnya. 
4) Di  samping  itu,  pada  musim  panas,  justru  penggunaan 
alat  listrik   tergolong  paling  kecil  di   antara  musim  lainnya 
selama 3 tahun. 
5) Sehingga,   jika  diurutkan   dari  yang  paling  besar 
penggunaan  alat  listriknya,  maka  didapat  informasi  
sebagai berikut: 
a) Musim Dingin (22 Desember­21 Maret) 
b) Musim Gugur (24 September­21 Desember) 
c)

Musim Semi (22 Maret­21 Juni) 

d) Musim Panas (22 Juni­23 September) 

 
35 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

 
Gambar 6.2.1 Analysis Chart Pola Penggunaan Alat Listrik tiap musim pada tiap tahun 
 

 
 

 
36 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
B. Per Bulan 
Chart  di  bawah  ini  menjelaskan  tentang  penggunaan alat 
listrik   untuk  tiap  tahun.   Berikut  informasi  yang  dapat  diambil  dari 
analysis chart​  di bawah ini: 
1) Tahun  2006  hanya  diisi   pada   bulan  Desember, sehingga 
informasi yang dihasilkan pun  tergolong rendah dibanding  
tahun­tahun lainnya. 
2) Secara  keseluruhan,  tiap   bulan  pada  tiap  tahun  selalu 
memiliki  pola   yang  sama,  yakni  penggunaan  alat  listrik 
yang bisa dikatakan ​monoton. 
3) Namun,   pada  bulan  Agustus  2008,  bisa   dilihat   bahwa 

terjadi  perubahan/penurunan  dalam pemakaian  alat  listrik 
berdasarkan  total kW/h  pada  bulan  itu dibandingkan pada 
bulan Agustus di tahun­tahun lainnya. 

 
Gambar 6.2.2 Analysis Chart Pola Penggunaan Alat Listrik tiap bulan pada tiap tahun 

 
37 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
C. Per Hari 
Chart  di  bawah  ini  menggunakan  periode waktu tiap hari  
(Senin­Minggu)  untuk  tiap  tahun.  Berikut  informasi  yang  dapat 
diambil dari ​chart​ ini, yakni sebagai berikut: 
1) Terlihat  bahwa penggunaan alat listrik  paling tinggi berada 
pada  hari   Minggu,  yang  kemudian  disusul  pada  hari 
Sabtu.   Kemungkinan  besar   pada   saat  itu  (​weekend​), 
penghuni  rumah  sedang  berada  di   rumah,  terlepas 
apakah 

penghuninya 

masih 

lajang 

atau 

sudah 

berkeluarga. 
2) Sebaliknya,  pada  hari­hari  selain  ​weekend​,  terlihat  jelas 
bahwa  penggunaan   alat   listriknya  di  bawah  dari  rata­rata 
weekend​. Sehingga  bisa disimpulkan bahwa pada saat itu, 
penghuni  rumah  sedang  tidak  berada  di  rumah,   terlepas 
dari faktor­faktor eksternal lainnya. 

 
Gambar 6.2.3 Analysis Chart pola penggunaan alat listrik untuk tiap hari pada tiap tahun 

 
38 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
D. Per range waktu tertentu 
Chart  di  bawah  ini  menggambarkan  penggunaan  alat 
listrik  berdasarkan total  kW/h  dalam  periode range  waktu tertentu. 
Berikut informasi yang dapat diambil dari hasil analisis ini: 
1) Pola  yang  ditunjukkan  setiap  tahun  selalu  sama,   jika 
dilihat dari total  pemakaian alat listrik  dari  total kW/h yang 
dihasilkan. 
2) Penghuni  rumah  sangat  aktif  (dalam  penggunaan  alat 
listrik)  pada  pukul  21.00  hingga   07.00.  Sehingga   bisa 
dikatakan  bahwa  penghuni  rumah  pada  rumah  tangga 
yang  data  dianalisis  ini  tergolong  “aktif  pada  malam  hari” 
(​The Night Owl​). 
3) Jika  melihat  aktifitas  penghuni  rumah  dalam penggunaan 
alat  listrik   dari  range  waktu  pukul   07.00  sampai  17.00, 
maka  bisa  disimpulkan  bahwa   besar  kemungkinan 
penghuni  rumah  sedang  berada  di   luar  rumah  pada  saat 
itu,  terlepas   dari  apakah  berada  di   luar  rumah  untuk 
alasan kerja ataupun sekolah. 

 
Gambar 6.2.4 Analysis Chart Pola Penggunaan Alat Listrik pada Range waktu tertentu 

 
39 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

6.3.

Analisis  Cluster  Pola  Penggunaan  Alat  Listrik 
berdasarkan  Biaya  Penggunaan  Listrik  di 
Indonesia 
Tabel   di  bawah  ini  adalah referensi  biaya untuk  pemakaian  listrik 
per  kW/h  di   Indonesia  untuk  tahun  2002­2010.  Dengan   asumsi,  apabila 
pemakaian  alat  listrik  di  rumah  tangga ini “diindonesiakan”, maka kita bisa 
melihat biaya yang  dikeluarkan oleh  penghuni rumah  tangga  dalam waktu 
tertentu dalam satuan rupiah. 

 
Gambar 6.3.1 Patokan Harga untuk rumah tangga di Indonesia 
http://www.pln.co.id/dataweb/STAT/STAT2010IND.pdf 
 
 
 
 
 
 
 
 

 
40 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

 
Gambar 6.3.2 Analysis Chart Berdasarkan Biaya Pemakaian Listrik di Indonesia 
 
 
 
Berdasarkan  ​chart  pola  biaya  pemakaian  listrik  di   atas,  dapat  dinyatakan  bahwa 
penggunaan  alat­alat   listriknya  tidak   jauh  berbeda  dari   pola  penggunaan  alat  listrik 
berdasarkan  bulan  untuk  tiap  tahun.  Dimana,  tingginya  tingkat  pemakaian  alat  listrik 
berbanding  lurus  dengan biaya yang harus  dibayar. Grafik pada ​chart ​di atas ​menunjukkan 
bulan­bulan  sepanjang  musim  dingin  (Desember­Maret)  yang  membutuhkan  biaya  lebih 
tinggi.  Hal  itu  disebabkan  oleh  pemakaian   pemanas  ruangan,  pemanas  air,  dan  nyala 
lampu  yang   lebih  lama.  Dibandingkan  bulan­bulan  pada  musim  semi (Maret­Juni), musim 
panas  (Juni­September) dan  musim gugur  (September­Desember),  biaya yang dikeluarkan 
tidak begitu besar. 

 
41 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

6.4.

Analisis  Cluster  Pola  Penggunaan  Alat  Listrik 
berdasarkan Jenis Alat Listrik  
Pada  bagian  ini,  dijelaskan  tentang  analisis   cluster  pola 
penggunaan  alat  listrik  berdasarkan  lamanya  pemakaian  jenis   alat   listrik 
yang 

ada. 

Informasi 

didapat  

secara 

langsung 

di  

situs 

https://archive.ics.uci.edu/   mengenai  jenis  alat  listrik  apa  yang 
dipergunakan  dalam  1  rumah  tangga  ini. Berdasarkan  informasi  tersebut, 
didapatlah pengetahuan bahwa  atribut  sub_metering_1  mewakili  jenis  alat 
listrik   untuk  dapur,  sub_metering_2  mewakili  jenis  alat  listrik  untuk  ruang 
laundry  dan  sub_metering_3   mewakili  jenis  alat  listrik yang memiliki daya 
yang  cukup  besar  seperti,  penghangat  air  elektrik  dan  ​Air­Conditioner​. 
Berikut  ini  adalah   ​Analysis  Chart  yang  memberikan  hasil  analisis   atas 
proses ​data mining​ yang telah dilakukan. 
1) Pola  Penggunaan  Alat  Listrik  Berdasarkan  Jenis  Alat   Listrik   dan 
Lamanya Pemakaian 
Di  bawah  ini  tampak  sebuah ​analysis chart yang menggambarkan 
bahwa  penghuni  rumah  lebih  sering   menggunakan  jenis  alat 
semacam  penghangat  air  elektrik  atau  ​Air­Conditioner  ​(AC). 
Asumsi  yang  bisa  digunakan  ialah  bahwa,  AC  lebih   sering  aktif 
dibanding  jenis  alat  listrik lainnya seperti alat dapur dan alat­alat di 
ruang  ​laundry​,  sehingga  tampak  jelas  perbedaan  di  antara 
ketiganya dari lama  penggunaan alat listrik berdasarkan total pukul 
pemakaiannya   untuk  tiap  hari  dalam  1  minggu.  Sementara  itu, 
untuk  jenis   alat  listrik  dapur,  lebih  rendah  di  antara  yang  lain, 
karena  penggunaannya  yang  memang terbilang jarang dan  relatif 
terhadap  waktu  penggunannya. Di  samping  itu, alat listrik tertinggi 
ke­2  ditempati  oleh  jenis  alat  listrik di  ruang  ​laundry​,  dimana  bisa 
diasumsikan  bahwa   penggunaan  alat­alat  itu  cukup   rutin 
digunakan, karena  selain  mesin cuci, mesin pengering dan kulkas, 
juga   terdapat  lampu  yang  notabenenya  sering  digunakan 
dibanding jenis alat dapur. 

 
42 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 

 
Gambar 6.4.1 Analysis Chart Pola Penggunaan Alat Listrik berdasarkan Jenis Alat Listrik 

 
43 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
2) Pola  Penggunaan  Alat  Listrik  berdasarkan  Jenis  Alat  Listrik  dan 
Total Pemakaiannya selama 47 bulan 
Analysis  chart  di  bawah  ini  menggambarkan  total  pemakaian 
secara  keseluruhan  jenis   alat   listrik  selama  47   bulan  (informasi 
didapat  di  situs  resmi)   atau  dengan  kata  lain,  total  keseluruhan 
data  dari  data  set  yang  ada.  Hasil  analisis  ini  bisa  dikatakan 
serupa dengan  ​chart  sebelumnya  yang  menginformasikan  bahwa, 
jenis  alat  listrik  terlama  yang  digunakan  adalah  jenis  alat   listrik 
dengan  daya   yang  besar  seperti  penghangat air  elektrik  dan  AC, 
kemudian  disusul  dengan  jenis  alat  ​laundry   dan  lalu  alat­alat 
dapur.  

 
Gambar 6.4.2 Analysis Chart Pola Penggunaan Alat Listrik berdasarkan Jenis Alat Listrik 
dan Total Jam Pemakaian 

 
44 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
3) Pola  Penggunaan  Alat  Listrik  Berdasarkan  Jenis  Alat   Listrik   dan 
Total Waktu Pemakaian 

 
Gambar 6.4.3 Analysis Chart Pola Penggunaan Alat Listrik berdasarkan Jenis Alat Listrik 
dan range waktu tertentu 
 
1) Sub  Metering  3  selalu  berada  pada  titik  teratas   dengan  waktu  pemakaian  paling 
lama  (6.912  jam), sekaligus  jenis alat listrik yang paling sering aktif  sepanjang  hari. 
Puncak  pemakaiannya  pada  pukul 21.00  hingga  07.00, artinya alat  listrik  tersebut 
aktif  sepanjang  malam.  Sedangkan  pada  pukul  07.00  hingga  09.00  pemakaian 
menurun  secara  signifikan.  Kemudian,  pemakaian  kembali  meningkat pada  pukul 
09.00 sampai 13.00. 
2) Sub  Metering  2  menempati  pemakaian  tertinggi  kedua   setelah  Sub   Metering  3. 
Jenis  alat  listrik  pada  Sub  Metering   2  mencapai  puncak  penggunaannya  pada 
pukul  21.00   hingga  07.00.  Pola  pemakaian  jenis  alat  listrik  Sub  Metering  2  tidak 
jauh berbeda dengan pola pemakaian jenis alat listrik Sub Metering 3. 
3) Sub  Metering  1  merupakan  alat­alat  listrik  dengan  penggunaan   paling  rendah  di 
antara  jenis   alat   listrik  lainnya.  Puncak  pemakaian  jenis  alat  listrik  ini  6  kali lebih 
rendah  dibandingkan  puncak  pemakaian  jenis  alat  listrik  pada   Sub  Metering  3. 
Dengan   total  waktu  pemakaian  hanya  1.045  jam   dan  waktu  pemakaian  paling  
rendah 292 jam selama 47 bulan. 
 

 
45 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 
 

7.

 

Kesimpulan 
Penelitian  terhadap  data  set  ​Individual  Household  Power  Consumption  
merupakan  kegiatan  yang  melibatkan  proses  KDD​.  ​Jumlah  data   dari  data   set 
tersebut  sebanyak  2.075.259  baris  data.   Proses  KDD  ​yang  dilakukan   memakan 
waktu  yang  cukup  lama,  mengingat  jumlah data yang  cukup besar  (big  data​) ​dan 
sifat  data  yang  masih  mentah.  Aplikasi/tools yang  digunakan  adalah  KNIME  versi 
2.10.  Hasil  KDD  ​tersebut  dianalisis  untuk   memperoleh  “potensi”  informasi 
tersembunyi  yang mungkin  ada.  Informasi didapat  dari  analisis  terhadap pola­pola 
data.  Informasi  tersebut  menunjukkan  bagaimana  pola   kebiasaan  penggunaan 
alat­alat  listrik  dari   penghuni  suatu  rumah  tangga  selama  47  bulan  terakhir  (dari 
tahun   2006  hingga  2010).  Pola­pola  tersebut  dikategorikan   ke  dalam  beberapa 
rentang waktu. 
1) Berdasarkan  musim,   penggunaan  alat  listrik  paling  banyak  berada   pada 
musim  dingin dibanding musim lainnya. Pada musim dingin, penghuni lebih 
banyak  menggunakan  alat­alat   listrik.  Kondisi  udara  yang  dingin  
menyebabkan  penghuni  lebih  banyak/sering   menggunakan  penghangat 
ruangan,  penghangat  air,  hingga  pengering  pakaian.  Selain  itu,   karena 
siang  hari  lebih  pendek,  maka  pemakaian  lampu  untuk  penerangan  juga 
lebih lama digunakan. 
2) Berdasarkan bulan, pola pemakaian alat listrik pada bulan­bulan sepanjang 
musim  dingin  menunjukkan  kecenderungan  pemakaian   lebih  tinggi. 
Sedangkan  pada  pertengahan  tahun,  yakni,  sepanjang  musim  gugur  dan 
musim  semi,  penggunaan  alat­alat  listrik  cenderung  menurun.  Hingga 
musim  panas,  pola pemakaian  alat­alat listrik tetap mengalami penurunan. 
Pada  bulan  September,  dimana  musim  panas  mulai berakhir,  pemakaian 
alat listrik mengalami kenaikan hingga musim dingin berlangsung.  
3) Berdasarkan hari, pola  penggunaan alat­alat  listrik tidak terlalu  tinggi pada  
hari kerja (Senin­Jumat).  Umumnya, penghuni  yang bekerja hanya berada 
di  rumah  setelah  jam  kerja.  Sehingga,  alat­alat  listrik  yang  digunakan 
cukup  terbatas.  Sedangkan  pada  ​weekend  ​(Sabtu­Minggu),  pemakaian 
listrik   cenderung  meningkat. Dimana  pada  hari  itu,  penghuni lebih  banyak 
menghabiskan   waktu   di  rumah.  Sehingga,  alat­alat listrik  yang digunakan 
juga lebih banyak. 

 
 
 
 
46 
 

 
 

Tim Revolusi Kopi Luwak ­ Politeknik Caltex Riau 
 

 

 
4) Berdasarkan  ​range  ​waktu,   penggunaan  alat  listrik  setiap  tahun 
menunjukkan  pola  yang  hampir  sama.  Penghuni  menunjukkan  kebiasaan 
menggunakan  alat  listrik  paling banyak   antara  pukul   21.00  hingga  pukul 
07.00.  Dengan  kata  lain,  alat­alat  listrik  yang  digunakan  memiliki 
fungsionalitas yang lebih panjang di malam hari. 
5) Pola  pemakaian  alat   listrik  berdasarkan  jenis  alat  listrik  dan  lamanya  
pemakaian,  menunjukkan   alat  listrik  dalam   kategori  Sub  Metering  3 
merupakan  alat­alat  listrik  yang  selalu  digunakan  dalam  waktu  lama.  Sub 
Metering   3  mewakili  alat  listrik  berupa;  penghangat  air  e