Update Artikelilmiah: 50647

ADHE AKBAR AZANNI

NIM

Judul Artikel

Abstrak (Bhs. Indonesia)

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.

Abtrak (Bhs. Inggris)

The Advances 4.0 technology have brought significant changes to various sectors, including industry, through the application of machine learning (ML), 
which can improve efficiency and support more accurate decision-making. One important issue in the energy sector is the prediction of accurate electricity values to support operational efficiency and energy monitoring. This study aims to compare the performance of three ensemble learning algorithms, namely Random Forest, Extra Trees, and XGBoost, in predicting electrical power values based on primary data obtained from power meters. The dataset used consists of 3100 data points containing electrical parameters such as power, voltage, current, frequency, and power factor.  The Split Data method and K-Fold Cross Validation (5-Fold and 10-Fold) were used. Performance evaluation was carried out using five regression metrics, namely MAPE, MAE, MSE, RMSE, and R². The results showed that all three models performed very well with MAPE values < 1% and R² > 0.98. Among the three, Random Forest Regression produced the best performance with the lowest error value and the highest R² (0.9914) in 5-Fold validation, proving to be superior to Extra Trees and XGBoost. Further research suggestions include expanding the dataset variation and integrating the best model into an IoT-based real-time energy monitoring system to support smart industry implementation.

Kata kunci

Pembimbing 1

Pembimbing 2

Pembimbing 3

Tahun

Jumlah Halaman