KLASIFIKASI STATUS PENYELESAIAN MASALAH KELISTRIKAN PELANGGAN PLN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOAR (KNN)
Abstract
klasifikasi data pelanggan PT PLN Persero Medan berdasarkan atribut-atribut seperti petugas, tarif, daya, dan status pelanggan. Masalah yang dihadapi dalam penelitian ini adalah bagaimana mengidentifikasi pola yang ada dalam data pelanggan dan memprediksi status pelanggan dengan tingkat akurasi yang tinggi. Hasil implementasi menunjukkan bahwa algoritma KNN mampu mengidentifikasi pola data secara efektif, menghasilkan tingkat akurasi sebesar 70%. Akurasi ini menunjukkan bahwa model memiliki kemampuan yang cukup baik dalam memprediksi status pelanggan. Namun, meskipun hasil ini cukup memuaskan, masih terdapat ruang untuk perbaikan. Peningkatan akurasi dapat dilakukan melalui penyesuaian nilai k untuk menemukan parameter yang lebih optimal atau dengan menerapkan teknik pra-pemrosesan data yang lebih mendalam, seperti normalisasi dan penghapusan atribut yang kurang relevan.Penelitian ini juga menegaskan pentingnya evaluasi terhadap kinerja model dalam berbagai kondisi data, khususnya dalam menangani dataset yang lebih besar dan lebih kompleks. Dengan demikian, implementasi KNN dalam penelitian ini tidak hanya memberikan gambaran tentang penerapan metode klasifikasi dalam data mining, tetapi juga membuka peluang pengembangan lebih lanjut untuk meningkatkan keandalan dan efektivitas model.
Full Text:
PDFReferences
Abdullah, D., Prasetyo, M., Raharja, U., Ita Erlina, C., & Karim, A. (2020). Sistem Informasi Peleyanan Dan Keluhan Pelanggan di PT.PLN (1st ed.). CV. SEFA Bumi Persada. https://repository.unimal.ac.id/5594/1/BUKU DAHLAN-MUHAJIR.pdf
Abu-Hamdeh, N. H., Salilih, E. M., Alsulami, R. A., Rawa, M. J. H., Aljinaidi, A. A., Alazwari, M. A., Eltaher, M. A., Almitani, K. H., Abulkhair, H. A., Alnefaie, K. A., Abusorrah, A. M., & Sindi, H. F. (2021). The effects of incident solar radiation on the collector efficiency using coolant hybrid nanofluid via simulation of solar tower system with the parallel heat exchangers. Journal of the Taiwan Institute of Chemical Engineers, 124, 106–115. https://doi.org/https://doi.org/10.1016/j.jtice.2021.04.063
Cholil, S. R., Handayani, T., Prathivi, R., & Ardianita, T. (2021). Implementasi Algoritma Klasifikasi K-Nearest Neighbor (KNN) Untuk Klasifikasi Seleksi Penerima Beasiswa. IJCIT (Indonesian Journal on Computer and Information Technology), 6(2), 118–127. https://doi.org/10.31294/ijcit.v6i2.10438
Elamim, A., Hartiti, B., Barhdadi, A., Haibaoui, A., Lfakir, A., & Thevenin, P. (2018). Photovoltaic output power forecast using artificial neural networks. Journal of Theoretical and Applied Information Technology, 96(15), 5116–5126. https://centralesupelec.hal.science/hal-02434084
Feriawan, A. D., Musta’in, Munit, & Reknadi, D. B. (2024). Klasifikasi layanan pengaduan di smk nu 2 kedungpring lamongan menggunakan metode algoritma k-nn. JURNAL KHATULISTIWA INFORMATIKA, 12(2), 98–106. https://ejournal.bsi.ac.id/ejurnal/index.php/khatulistiwa/article/view/24696
Karina, J. M., Anisa, S., & Hamdani. (2022). Studi Komparasi Kwh Meter Pascabayar Dengan Kwh Meter Prabayar Tentang Akurasi Pengukuran Terhadap Tarif Listrik Yang Bervarias. Jurnal Darma Agung, 30(1), 488–506. https://ejurnal.darmaagung.ac.id/index.php/jurnaluda/article/view/2230
Pasaribu, J. P. K. (2022). Dampak Dari Keterlibatan Menggunakan Listrik Pintar Dari Daya Beli Masyarakat Pada Ekonomi Rumah Tangga. Management and Sustainable Development Journal, 4(1). https://doi.org/10.46229/msdj.v4i1.427
Rismayanti, Devayanti, B., & Fadillah, N. (2024). Persepsi masyarakat terhadap efektivitas pembangunan infrasruktur di kota makassar. EDUSOS: Jurnal Edukasi Dan Ilmu Sosial, 01(01), 16–20.
Septria, P., Asnawati, A., & Fredricka, J. (2022). Comparison of the K-Nearest Neighbor Method and the Naive Bayes Method in Classification of Eligibility for Lending. Jurnal Komputer, Informasi Dan Teknologi, 2(2), 529–542. https://doi.org/10.53697/jkomitek.v2i2.952
Widaningsih, S., Suheri, A., & Fauziyana, T. T. (2024). Penerapan Data Mining Menggunakan Algoritma K- Nearest Neighbor untuk Penentuan Penerimaan Proposal Hibah. Jurnal Media Teknik Dan Sistem Industri, 8(1), 9. https://doi.org/10.35194/jmtsi.v8i1.2696
DOI: http://dx.doi.org/10.36723/juri.v16i2.728
Refbacks
- There are currently no refbacks.
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial 4.0 Internasional.
View My Stats