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 Santoso

  Program 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