Implementasi Algoritme Extreme Learning Machine (ELM) untuk Prediksi Beban Pemanasan dan Pendinginan Bangunan
Vol. 2, No. 9, September 2018, hlm. 3043-3049 http://j-ptiik.ub.ac.id
Implementasi Algoritme Extreme Learning Machine (ELM) untuk Prediksi
Beban Pemanasan dan Pendinginan Bangunan
1 2 3 Alif Fachrony , Imam Cholissodin , Edy SantosoProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: alifachrony@gmail.com, imamcs@ub.ac.id, edy144@ub.ac.id
Abstrak
Konservasi Energi merupakan hal yang sangat penting seiring pertumbuhan zaman dan teknologi.Membuat bangunan yang hemat energi perlu dilakukan dengan cara mengoptimalkan penggunaan alat untuk pendingin dan pemanas ruangan tanpa mempengaruhi kesehatan dan kenyamanan pengguna bangunan tersebut. Bangunan hemat energi dapat dicapai dengan memperhatikan beban pemanasan (HL) dan pendinginan (CL). HL dan CL adalah laju aliran kalor yang harus diambil atau ditambahkan dari suatu ruangan untuk mempertahankan temperatur dan kelembaban udara relatif ruangan pada kondisi yang diinginkan. Prediksi HL dan CL tersebut akan digunakan dalam perhitungan beban daya penggunaan alat pemanas atau pendingin ruangan. Saat ini perhitungan HL dan CL masih memiliki kendala antara lain perhitungan yang sangat rumit, membutuhkan waktu lama sebab banyak disiplin ilmu yang terlibat serta penggunaan parameter yang sangat bervariasi. Diperlukan learning machine untuk memprediksi HL dan CL dengan mudah, dan cepat. Penulis menggunakan algoritma Extreme
(ELM) untuk memprediksi HL dan CL. Dalam Analisa pengujian menggunakan
Machine Learning
algoritma ELM yang dilakukan dengan fungsi aktivasi sigmoid biner, 3 input, 1 hidden neuron, output
target sebanyak 2 serta jumlah data 130 menghasilkan Mean Absolute Error Percentage (MAPE)
terbaik yaitu 24,73% dengan waktu proses 0,0176 detik.
Kata kunci: Konservasi Energi, beban pemanasan, beban pendinginan, Jaringan Syaraf Tiruan, learning
machine, ELM.
Abstract
Energy conservation is a very important thing as the growth of the times and technology. Making
energy-efficient buildings needs to be done by optimizing the use of tools for cooling and heating the
building without affecting the health and comfort of the user of the building. Energy-efficient buildings
can be achieved by calculate heating (HL) and cooling (CL) loads. HL and CL are the heat flow rates
to be taken or added from the building to maintain relative air temperature and humidity of the building
under desired conditions. The prediction of HL and CL will be used in calculating the power loads of
heater or air conditioner. Currently HL and CL calculations still have constraints such as very complex
calculations, time consuming because many disciplines are involved and it use very varied parameters.
It needs learning machine to predict HL and CL easily, and quickly. The author uses the algorithm
Extreme Machine Learning (ELM) to predict HL and CL. In the test analysis using ELM algorithm
performed using binary sigmoid activation function, 3 input, 1 hidden neurons, 2 output targets and 130
dataset, the best Mean Absolute Error Percentage (MAPE) is 24.73% and it takes 0.0176 seconds to
complete the process.
Keywords: Energy conservation, heating load, cooling load, Artificial Neural Network, learning machine, ELM.
energi merupakan tugas yang penting 1. (AlHomoud, 2001). Sektor bangunan
PENDAHULUAN
merupakan salah satu konsumen energi terbesar Secara umum terdapat tiga sektor ekonomi di dunia (Urge et al, 2015). Salah satu studi kasus yang menggunakan energi dalam jumlah yang yang dilakukan di Hong Kong menunjukkan besar yaitu sektor industri, transportasi dan bahwa bangunan mengkonsumsi hampir 92% bangunan, hal ini menunjukan bahwa konservasi energi listrik pada tahun 2014 (Fan & Xiao,
Fakultas Ilmu Komputer Universitas Brawijaya
3043
2014). Sedangkan di Indonesia konsumsi energi listrik meningkat rata-rata 6,8% per tahun (BPPT, 2016). Konsumsi energi listrik ini naik disebabkan oleh bertambahnya penggunaan peralatan listrik pendingin ruangan. Menurut data Kementrian Energi dan Sumberdaya Mineral, penggunaan energi listrik bangunan terbesar ialah pendingin ruangan (Air
Learning Machine pernah dilakukan oleh
Bangunan yang hemat energi dapat dicapai dengan desain bangunan yang memperhatikan beban pemanasan (HL) dan beban pendinginan (CL). HL dan CL merupakan ukuran energi yang harus ditambahkan atau ditiadakan dari suatu ruangan untuk memberikan tingkat suhu yang nyaman dalam suatu ruangan (Chou & Bui, 2014). HL dan CL adalah laju aliran kalor yang harus ditambahkan atau diambil dari suatu ruangan untuk mempertahankan temperatur dan kelembaban udara relatif ruangan pada kondisi yang diinginkan.
2.1 Beban Pemanasan dan Pendinginan
2. DASAR TEORI
Pada penelitian ini diusulkan algoritma Extreme Learning Machine untuk memprediksi beban pemanasan dan pendinginan bangunan berdasarkan pada paper sebelumnya oleh Agarwal dan Handika. Alasan utama menggunakan algoritma ELM agar hasil prediksi memiliki MAPE baik dan waktu proses yang cepat.
SVM 82,14% dan ELM 81,55%. Dari hasil pengujian tersebut disimpulkan bahwa ELM lebih baik daripada Neural Network dan mempunyai akurasi yang tidak berbeda jauh dengan metode SVM (Agarwal et al, 2016). Penelitian selanjutnya dilakukan oleh Handika et al untuk membandingkan metode ELM dengan metode Particle Swarm Optimization-ELM (PSO-ELM) dalam memprediksi jumlah penjualan barang. Penelitian menghasilkan nilai MSE sekitar 0,01121 sampai 0,01161 untuk PSO-ELM. Sedangkan untuk metode ELM menghasilkan MSE sekitar 0,01315 sampai 0,01419, nilai ini lebih besar dari PSO-ELM namun ELM membutuhkan waktu proses yang lebih cepat jika dibandingkan PSO-ELM (Handika et al, 2016).
Agarwal et al untuk prediksi penyakit Parkinson dengan sinyal suara menggunakan ELM. Dalam penelitian ini dilakukan perbandingan antara ELM, Neural Network dan SVM. Hasilnya adalah bahwa akurasi Neural Network 72,61%,
Penelitian mengenai metode Extreme
Conditioner ) yang menggunakan sekitar 60% dari energi listrik bangunan.
basis data dari beberapa variabel tersebut tersedia (Tsanas & Xifara, 2012).
machine akan lebih mudah dan cepat apabila
delapan variabel masukan untuk memprediksi HL dan CL suatu desain bangunan. Mereka berpendapat bahwa menggunakan learning
learning machine untuk mengetahui pengaruh
Bangunan yang hemat energi dapat dicapai dengan desain bangunan yang memperhatikan beban pemanasan (HL) dan beban pendinginan (CL). HL dan CL merupakan ukuran energi yang harus ditambahkan atau ditiadakan dari suatu ruangan untuk memberikan tingkat suhu yang nyaman dalam suatu ruangan (Chou & Bui, 2014). Oleh karena itu prediksi CL dan HL pada saat awal perancangan bangunan dapat membantu arsitek merancang bangunan yang hemat energi. Saat ini terdapat beberapa peralatan yang digunakan untuk mengukur konsumsi energi bangunan. Namun peralatan tersebut sangat rumit, membutuhkan waktu lama sebab banyak disiplin ilmu yang terlibat serta penggunaan parameter setelan yang bervariasi (Chou & Bui, 2014). Menurut Tsanas dan Xifara dalam penelitiannya mereka menggunakan
Berdasarkan data-data yang dipaparkan diatas menunjukkan bahwa membuat bangunan yang hemat energi perlu dilakukan. Prinsip dasar dari bangunan yang hemat energi adalah mengurangi penggunaan energi yang biasa digunakan untuk pemanas, pendingin dan pencahayaan tanpa mempengaruhi kesehatan dan kenyamanan dari pengguna bangunan tersebut (Duarte & Grasiele, 2017). Meningkatkan efisiensi energi suatu bangunan akan membawa dampak positif bagi lingkungan dan ekonomi yaitu mengurangi emisi gas rumah kaca serta menghemat biaya.
Beban pemanasan dan pendinginan memiliki satuan energi antara lain kCal/jam atau kJ/jam (Harahap, 2014). Beban tersebut akan digunakan dalam perhitungan beban daya penggunaan alat pemanas atau pendingin ruangan. Beban ini dapat dikonversi ke satuan daya lain antara lain Watt, PK (Pardeen Kraft), HP (Horse Power) dan PS (PferderStaerke). Dengan 1 HP = 0,735 KW dan 1KW = 1,34 PK.
H H
hidden layer , bobot input W jk menjadi masukan
) sin( init
Fungsi Sin
(2) 3.
init H H
Fungsi Linear
(1) 2.
H H
1 init
1
1. Fungsi Sigmoid Biner ) exp(
(2015), terdapat beberapa jenis fungsi aktivasi antara lain:
̂ i . Menurut Srimuang & Intarasothonchun
untuk perhitungan h di hidden neuron menggunakan fungsi aktivasi. Setelah perhitungan h, hidden layer akan menghasilkan ̂ i sebagai masukan output layer untuk menghitung keluaran
Pada layer input layer terdapat masukan dari fitur ke 1 sampai fitur ke k. Sebelum masuk
(3) 4. Fungsi Radial Basis
H H
(4) 5. Fungsi Sigmoid Bipolar
) exp(
1 ) exp( 1 init init
H H H
(5) Langkah-langkah yang dilakukan untuk training menggunakan metode ELM adalah sebagai berikut: 1.
diperoleh dari perbandingan volume suatu bangunan dengan rasio permukaan area pada bentuk bangunan yang memiliki kepadatan tertinggi (Pessenlehner & Mahdevi, 2003).
Relative Compactness dari bentuk bangunan
Gambar 1 merupakan contoh relative compactness dari sebuah bentuk bangunan.
Compactness , Surface Area dan Wall Area. Pada
Pada penelitian ini akan difokuskan pada faktor desain bangunan yakni Relative
Gambar 1. Relative Compactness
) ) ( exp( 2 init
2.2 Extreme Learning Machine
1 init
W bias
Dimana X adalah matriks data training sedangkan W T adalah transpose matriks bobot.
(7)
H H
1 (8)
1
. (6) ) exp(
X H T training init
2. Hitung matriks keluaran pada hidden layer menggunakan Persamaan (6) dan (7).
T T H H H H . ) . (
Tentukan bobot W dan bias secara random.
Extreme learning machine merupakan
jaringan syaraf tiruan feedforward dengan satu hidden layer atau lebih dikenal dengan istilah
single hidden layer feedforward neural network (Sun, Choi, Au, & Yu, 2008).
Pada Gambar 2 dapat dilihat arsitektur algoritme ELM yang terdiri dari tiga layer yaitu
input layer , hidden layer dan output layer.
Dalam arsitektur ELM tersebut terdapat hanya satu hidden layer yang merupakan ciri khas dari algoritme ELM.
3. Hitung matriks Moore-Penrose Generalized Inverse menggunakan Persamaan (8).
- merupakan matriks Moore-Penrose
Gambar 2. Arsitektur ELM
Generalized invers dari matriks .
Sedangkan matriks merupakan matriks yang tersusun dari output masing-masing
hidden layer . Sedangkan
merupakan matriks target.
4. Hitung matriks bobot keluaran dari hidden layer menggunakan Persamaan (9).
- (9)
̂ =
Dimana ̂ ialah matriks bobot keluaran, H + ialah matriks Moore-Penrose dan Y ialah matriks target. Langkah-langkah yang dilakukan untuk testing menggunakan algoritma ELM adalah sebagai berikut: 1.
Diketahui bobot W dan bias serta ̂ yang telah diperoleh dari proses training sebelumnya.
secara random. Parameter-parameter tersebut digunakan untuk fase training, fase ini akan menghasilkan matriks bobot keluaran
4 0.85 700 375
28
33
5 0.8 650 350
14
25 Penentuan nilai matriks bobot W dilakukan secara random dengan range antara -1 sampai 1.
Matriks bobot W mempunyai ordo jumlah
hidden neuron x jumlah input layer. Untuk
matriks bias mempunyai ordo 1 x jumlah hidden
neuron dan mempunyai range nilai 0 sampai 1
̂ yang digunakan pada fase testing untuk menghitung matriks prediksi
8
̂. Setelah matriks ̂ dihasilkan, maka tahap selanjutnya ialah menghitung nilai evaluasi dengan menggunakan MAPE seperti pada Persamaan (13).
N i i i
y y N MAPE 1
100 y
1 (13)
Dimana N merupakan jumlah data testing, y adalah data prediksi sedangkan y i adalah data target testing.
Pada Gambar 3 adalah diagram alir algoritme ELM, dimulai dengan normalisasi data latih dan data uji kemudian data normalisasi tersebut digunakan untuk fase training. Fase training akan menghasilkan matriks bobot keluaran
̂ yang akan digunakan sebagai masukan pada fase testing. Pada fase testing akan menghasilkan keluaran berupa nilai prediksi dan nilai MAPE.
Gambar 3. Diagram alir ELM 4.
13
3 0.76 600 315
2. Hitung matriks keluaran hidden layer menggunakan Persamaan (10) dan (11).
H adalah matriks keluaran hidden layer dan ̂ adalah matriks bobot keluaran yang diperoleh dari proses training.
W bias
X H T testing init
. (10) ) exp(
1
1 init
H H
(11)
Dimana X adalah matriks data testing sedangkan W T adalah transpose matriks bobot.
3. Menghitung semua keluaran di unit output dengan menggunakan Persamaan (12).
̂ = . ̂ (12)
Dimana ̂ ialah matriks target hasil prediksi,
3. PEMBAHASAN
11
Pada penelitian ini permasalahan yang harus diselesaikan ialah memprediksi beban pemanasan dan beban pendinginan. Sampel data yang digunakan berjumlah 130 data bangunan. Pada Tabel 1 dapat dilihat bahwa prediksi beban pemanasan dan beban pendinginan ini menggunakan 3 fitur yaitu RC, SA dan WA, dengan RC adalah nilai Relative Compactness, SA adalah Surface Area, WA adalah Wall Area, HL adalah Heating Load, dan CL adalah
Cooling Load. Tiga fitur tersebut menjadi
jumlah input layer yang nantinya menjadi salah satu parameter dalam proses ELM. Sedangkan HL dan CL menjadi jumlah target (output layer) yang juga merupakan parameter dalam proses ELM. Parameter yang akan digunakan pada proses ELM meliputi: jumlah hidden neuron, matriks bobot W, matriks bias, jumlah input
layer , jumlah target, jumlah data training dan data testing.
Tabel 1 Sampel Data
No. RC SA WA HL CL
1 0.9 750 400
35
40
2 0.65 560 300
7
PENGUJIAN DAN ANALISA
Pengujian akan dibagi menjadi 3 bagian. = 2. Dari grafik pada Gambar 5 terlihat
layer
Pengujian pertama dilakukan untuk mengetahui bahwa semakin banyak jumlah hidden neuron pengaruh jumlah data latih dan data uji terhadap maka rata-rata nilai MAPE akan semakin besar. nilai MAPE, yang kedua untuk mengetahui Rata-rata nilai MAPE terkecil adalah 24.73% pengaruh jumlah hidden neuron terhadap nilai pada hidden neuron 1 sedangkan pada hidden MAPE dan waktu eksekusi serta yang ketiga neuron 100 rata-rata nilai MAPE adalah 26.43%. untuk mengetahui pengaruh jenis fungsi aktivasi %. Pada Gambar 6 dapat dilihat bahwa semakin terhadap nilai MAPE. Setiap pengujian akan banyak jumlah hidden neuron maka semakin dilakukan sebanyak 10 kali percobaan dan akan banyak pula waktu eksekusi. Waktu tercepat ada dievaluasi berdasarkan rata-rata nilai MAPE dan pada hidden neuron sebanyak 1 yaitu 0.0176 waktu eksekusi. detik sedangkan waktu terlama ada pada hidden Pengujian pertama dilakukan menggunakan neuron sebanyak 100 yakni 0.5379 detik. parameter yaitu hidden neuron = 20, fungsi Pengujian ketiga dilakukan menggunakan aktivasi sigmoid biner, input layer = 3, output parameter yaitu hidden neuron = 20, rasio data =
= 2. Dari grafik pada Gambar 4 terlihat 70%:30%, input layer = 3, output layer = 2. Pada
layer
bahwa semakin sedikit jumlah data latih maka Gambar 7 dapat dilihat bahwa fungsi aktivasi semakin besar rata-rata MAPE walaupun Sigmoid Biner mempunyai rata-rata MAPE terdapat penurunan nilai MAPE pada beberapa terkecil yaitu sebesar 25.99%. Sedangkan rata- rasio yang disebabkan pengaruh nilai bobot rata MAPE terbesar ialah fungsi aktivasi Radial masukan dan bias yang dihasilkan dari proses Basis yakni sebesar 26.92%.
(acak). Rata-rata nilai MAPE terkecil
random
ada pada rasio data latih dan data uji 70%:30% sebesar 25.8198% yang terdiri dari 90 data latih dan 40 data uji. Sedangkan rata-rata nilai MAPE terbesar ada pada rasio data latih dan uji 20%:80% dan 10%:90% yaitu sebesar 30.1911% dan 30.1817%.
Gambar 4. Grafik Hasil Pengujian Rasio Data Latih dan Uji
Pengujian kedua dilakukan menggunakan parameter yaitu rasio data = 70%:30%, fungsi aktivasi sigmoid biner, input layer = 3, output
Gambar 5. Grafik Hasil Pengujian Jumlah Hidden Neuron
Gambar 6. Grafik Hasil Pengujian Jumlah Hidden Neuron Terhadap Waktu
Gambar 7. Grafik Hasil Pengujian Fungsi Aktivasi
5.6. KESIMPULAN DAFTAR PUSTAKA
Algoritme Extreme Learning Machine
Agarwal, Aarushi., Chandrayan, Spriha., S
dapat diimplementasikan pada permasalahan
Sahu Sitanshu., 2016. Prediction of
prediksi beban pemanasan dan pendinginan
Parkinson’s Disease using Speech
bangunan. Berdasarkan hasil pengujian maka
Signal with Extreme Learning
didapatkan kesimpulan bahwa jumlah data latih
Machine . Tersedia melalui : IEEE
dan uji, jumlah hidden neuron dan jenis fungsi Xplore Digital Library. aktivasi memiliki pengaruh terhadap nilai
AlHomoud., 2001. Computer-aided Building evaluasi MAPE dan waktu eksekusi. Dari hasil
Energy Analysis Techniques . Building
tersebut didapatkan rasio data latih dan data uji and Environment 36 (4), 421-433. terbaik ada pada rasio sebesar 70%:30%, hidden neuron terbaik dengan jumlah 1, serta fungsi Chou, J-S., Bui, D-K., 2014. Modeling Heating aktivasi terbaik adalah fungsi sigmoid biner. Dan and Cooling Loads by Artificial dengan parameter terbaik hasil dari pengujian
Intelligence for Energy-Efficient
tersebut diperoleh MAPE terbaik sebesar Building Design . Energy and Buildings, 24,73%. v. 82, p. 437-446. Dengan jumlah MAPE sebesar itu, sistem Duarte., Grasiele Regina et al., 2017. ini tergolong sistem yang memiliki akurasi
Comparison of Machine Learning
prediksi yang masih kurang. Pada penelitian
Techniques for Predicting Energy Loads in
selanjutnya diharapkan adanya algoritme Ambient. constr., Porto Alegre Buildings. optimasi parameter bobot input dan bias sebab , v. 17, n. 3, p. 103-115. pada penelitian kali ini nilai parameter tersebut
Fan C. & Xiao F., 2014. Development of masih diperoleh dari hasil random agar
Prediction Models for Next-Day menghasilkan hasil prediksi yang lebih baik.
Building Energy Consumption and Peak Learning Machine. 12th International Power Demand using Data Mining Joint Conference on Computer Science Techniques . Appl Energ;127:1-10. and Software Engineering (JCSSE), 190-194.
Handika, I Putu Susila., Giriantari, Ida Ayu., Dharma, Agus., 2016. Perbandingan Sugiyono, Agus., Anindhita, Wahid M.A Laode, Metode Extreme Learning Machine dan Adiarso., 2016. Outlook Energi Indonesia Particle Swarm Optimization Extreme 2016.
ISBN 978-602-74702-0-0.
Learning Machine untuk Peramalan BPPT:14.
Jumlah Penjualan Barang. Teknologi Sun Zhan-Li, Choi Tsan-Ming, Au Kin-Fan, Yu
Elektro, Vol. 15, No. 1, Januari-Juni Yong., 2008. Sales Forecasting using 2016. ISSN 1693-2951.
Extreme Learning Machine with
Harahap, Sabaruddin., Hamid, Abdul., Hidayat, Applications in Fashion Retailing .
Imam., 2014. Perhitungan Ulang Beban Decision Support System 46;411-419. Pendinginan Pada Ruang Auditorium
Tsanas
A, Xifara
A., 2012. Accurate Gedung Manggala Wanabakti Blok III
Quantitative Estimation of Energy Kementerian Kehutanan Jakarta. Performance of Residential Buildings Universitas Mercu Buana. Jakarta. Using Statistical Machine Learning Tools.
Pessenlehner, W., & Mahdevi, A., 2003.
Energy and Buildings, v. 49, p. 560-567. Building Morphology, Transparence,
Urge Vorsatz D, Cabeza LF, Serrano S, And Energy Performance. Eighth pp. Barreneche C, Petrichenko k., 2015.
International IBPSA Conference,
1025-1032. Heating and Cooling Energy Trends and
Drivers in Building . Renew Sust Energ Srimuang, W., & Intarasothonchun, S., 2015.
Rev 2015;41:85-98.
Classification Model of Network Intrusion using Weighted Extreme