AZANNI, Adhe Akbar (2025) Analisis Kinerja Model Random Forest, Extra Tress, dan Xgboost Dalam Prediksi Nilai Daya Listrik. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Adhe Akbar Azanni-H1A022019-Skripsi-2025.pdf.pdf Download (98kB)
	PDF (Legalitas) LEGALITAS-Adhe Akbar Azanni-H1A022019-Skripsi-2025.pdf Restricted to Repository staff only Download (523kB)
	PDF (Abstrak) ABSTRAK-Adhe Akbar Azanni-H1A022019-Skripsi-2025.pdf Download (81kB)
	PDF (BabI) BAB-I- Adhe Akbar Azanni-H1A022019-Skripsi-2025.pdf.pdf Restricted to Repository staff only until 16 October 2026. Download (201kB)
	PDF (BabII) BAB-II- Adhe Akbar Azanni-H1A022019-Skripsi-2025.pdf Restricted to Repository staff only until 16 October 2026. Download (514kB)
	PDF (BabIII) BAB-III- Adhe Akbar Azanni-H1A022019-Skripsi-2025.pdf Restricted to Repository staff only until 16 October 2026. Download (403kB)
	PDF (BabIV) BAB-IV- Adhe Akbar Azanni-H1A022019-Skripsi-2025.pdf Restricted to Repository staff only Download (873kB)
	PDF (BabV) BAB-V- Adhe Akbar Azanni-H1A022019-Skripsi-2025.pdf.pdf Download (146kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Adhe Akbar Azanni-H1A022019-Skripsi-2025.pdf Download (165kB)
	PDF (Lampiran) LAMPIRAN-Adhe Akbar Azanni-H1A022019-Skripsi-2025.pdf Restricted to Repository staff only Download (100kB)

Abstract

Kemajuan teknologi 4.0 telah membawa perubahan signifikan di berbagai sektor, termasuk bidang industri, melalui penerapan machine learning (ML) yang mampu meningkatkan efisiensi serta mendukung pengambilan keputusan yang lebih tepat. Salah satu permasalahan penting dalam sektor energi adalah prediksi nilai daya listrik yang akurat untuk mendukung efisiensi operasional dan pemantauan energi. Penelitian ini bertujuan untuk membandingkan kinerja tiga algoritma ensemble learning, yaitu Random Forest, Extra Trees, dan XGBoost, dalam memprediksi nilai daya listrik berdasarkan data primer yang diperoleh dari powermeter. Dataset yang digunakan berjumlah 3100 data yang memuat parameter listrik berupa daya, tegangan, arus, frekuensi, dan faktor daya. Penggunakan metode Split Data serta K-Fold Cross Validation (5-Fold dan 10-Fold). Evaluasi kinerja dilakukan menggunakan lima metrik regresi, yaitu MAPE, MAE, MSE, RMSE dan R². Hasil penelitian menunjukkan bahwa ketiga model memiliki performa yang sangat baik dengan nilai MAPE < 1% dan R² > 0,98. Di antara ketiganya, Random Forest Regression menghasilkan kinerja terbaik dengan nilai error terendah dan R² tertinggi (0.9914) pada validasi 5-Fold, sehingga terbukti lebih unggul dibandingkan Extra Trees dan XGBoost. Saran penelitian selanjutnya adalah memperluas variasi dataset serta mengintegrasikan model terbaik ke dalam sistem monitoring energi real-time berbasis IoT guna mendukung implementasi industri cerdas.

Actions (login required)

View Item