PENENTUAN DAYA LISTRIK MENGGUNAKAN METODE DECISION TREE DI DESA TEBARA
DOI:
https://doi.org/10.62567/micjo.v1i1.45Keywords:
Algoritma C45, Daya Listrik, Desa TebaraAbstract
Listrik merupakan salah satu kebutuhan dasar masyarakat dan merupakan salah satu kebutuhan hajat hidup orang banyak, sehingga perlu diatur dan disediakan oleh negara sesuai amanah undang-undang 1945 pasal 33. Subsidi diberikan dengan tujuan agar ketersediaan listrik dapat terpenuhi, serta membantu pelanggan yang kurang mampu dan masyarakat yang belum terjangkau pelayanan PT. Berdasarkan hasil evaluasi BKF dengan German International Cooperation (GIZ) terhadap subsidi listrik yang diberikan kepada kelompok pelanggan R1-450 VA dan R1-900 VA yang berlaku saat ini menunjukkan subsidi listrik tidak tepat sasaran, karena 5,9 juta pelanggan R1-450 VA dan 14,4 juta pelanggan R1-900 VA adalah kelompok rumah tangga yang telah mampu karena termasuk dalam pengeluaran per kapita lebih dari Rp.1 juta per bulan. Guna mengurangi risiko salah sasaran tersebut, perlu dilakukan klasifikasi dalam pemberian subsidi listrik berdasarkan kriteria-kriteria tertentu yang telah menjadi standar di PT. PLN menggunakan data mining dengan metode decision tree. Berdasarkan evaluasi dan hasil pengujian bab sebelumnya dengan dataset 50 data, 70 data dan 100 data produksi yang telah dilakukan, maka hasil pengukuran Confusion Matrix dalam penerapan data mining untuk memprediksi target Desa Tebara dengan metode Decision Tree (Algoritma C4.5) pada pengujian 50 data menghasilkan akurasi 74%, precision 60% dan recall 83,33%. Pada pengujian 70 data menghasilkan akurasi 81,43%, precision 76,92% dan recall 74,07%. Pada pengujian 100 data menghasilkan akurasi 82%, precision 76,67% dan recall 67,65%. Jadi untuk data uji lebih banyak akan menghasilkan akurasi yang lebih tinggi.
Downloads
References
Afianti, Sonya K, Diah Safitri Sudarno. 2014. Klasifikasi Wilayah De Perdesaan da Desa Perkotaan Wilayah Kabupaten Semarang Dengan Support Vector Machine. Jurnal Gaussian Vol. 3 No. 4, 751-760.
Greenbarg. 2016. Meta-Learning in Decision Tree Induction. Switzerland: Springer International Publishing.
Lewis, R.C., Booms, B.H. (1983). The marketing aspects of service quality. Proceeding Marketing: American Marketing Association, Chicago.
Marsudi, D. 2006. Operasi Sistem Tenaga Listrik. Edisi Ke 2. Yogyakarta: Graha Ilmu
Nisa, I. M. K., & Nooraeni, R. (2020). Penerapan Metode Random Forest Untuk Klasifikasi Wanita Usia Subur Di Perdesaan Dalam Menggunakan Internet (SDKI 2017). Jurnal MSA (Matematika dan Statistika sertaA plikasinya), 8(1), 72-76.
Shanefield, D. J. 2001. Industrial Electronics for Engineers, Chemists, and Technicians. New York: William Andre Publishing.
Sari, M. S. (2014). Klasifikasi Wilayah Desa Perdesaan dan Desa Perkotaan Wilayah Kabupaten Semarang Dengan Support Vector Machine. Jurnal Gaussian Vol. 3 No. 4, 751-760.
Sumarwati, N. K. (2018). Mengklasifikasikan Desa Perkotaan dan Desa Perdesaan Di Kabupaten Klungkung Menggunakan Metode Mamdani. E-Journal Matematika Vol. 7(3), 203-2010.
Yhudi. P. Tanjung, S. Sentinuwo, and A. Jacobus. 2016. Penentuan Daya Listrik Rumah Tangga Menggunakan Metode Decision Tree. ejournal.unsrat.ac.id.
Badan Pusat Statistik., 2015, Indonesia - Survei Sosial Ekonomi Nasional 2014 (Gabungan), Jakarta.
Kementerian PUPR. (2014). Bahan Informasi Rencana Program dan Kegiatan Di Pulau Jawa, Bali dan Nusa Tenggara 2015. Lombok: Kementerian PUPR.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Trisno Trisno, Aristo Tagu Bore, Titus Kurra
![Creative Commons License](http://i.creativecommons.org/l/by-sa/4.0/88x31.png)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.