APLIKASI DATA MINING UNTUK MEMPREDIKSI BESARNYA PENGGUNAAN LISTRIK RUMAH TANGGA DENGAN METODE DECISION TREE C4.5

ROMADHONI, ASRORUL LAILY (2018) APLIKASI DATA MINING UNTUK MEMPREDIKSI BESARNYA PENGGUNAAN LISTRIK RUMAH TANGGA DENGAN METODE DECISION TREE C4.5. undergraduate thesis, Universitas Muhammadiyah Gresik.

Preview	Text 9. Intisari.pdf Download (276kB) | Preview
Preview	Text 11. BAB I.pdf Download (566kB) | Preview
Preview	Text 12. BAB II.pdf Download (1MB) | Preview
Preview	Text 13. BAB III.pdf Download (3MB) | Preview
	Text 14. BAB IV.pdf Restricted to Registered users only Download (1MB)
Preview	Text 15. BAB V.pdf Download (475kB) | Preview

Abstract

Tarif dasar listrik (TDL) adalah tarif harga jual listrik yang dikenakan oleh pemerintah untuk para pelanggan PLN. PLN memiliki golongan tarif pelanggan subsidi dan non-subsidi. Mayoritas pelanggan PLN adalah golongan R1-900 VA. Pada semester awal 2017, terjadi transisi golongan R1 900VA akan dibedakan menjadi R-1/900 VA yang masih mendapatkan tarif subsidi dan R-1/900 VA-RTM (Rumah Tangga Mampu) yang subsidinya dicabut. Karena adanya pencabutan subsidi bagi golongan R-1/900 VA pembayaran listrik menjadi lebih tinggi sehingga sedikit lebih membebani pelanggan. Penyebab lain pembengkakan tarif penggunaan listrik adalah kurang bijaknya pelanggan dalam penggunaan listrik. Untuk mengurangi terjadinya pembengkakan pembayaran listrik perlu dilakukan prediksi besarnya tarif listrik pada pelanggan listrik rumah tangga. Penelitian ini menerapkan teknik data mining klasifikasi dengan menggunakan metode decision tree C4.5 untuk menentukan kelas besarnya tarif penggunaan listrik yaitu kelas sedang atau kelas tinggi. Atribut yang digunakan pada penelitian ini terdiri dari 5 variabel, yaitu luas rumah, daya listrik, jumlah perlengkapan, jumlah tanggungan, dan pendapatan perbulan. Pengujian sistem dilakukan sebanyak tiga kali pengujian. Data yang digunakan didapatkan dari kuisoner warga Gresik dan sekitarnya. Berdasarkan hasil pengujian didapatkan bahwa pada pengujian kedua menghasilkan akurasi tertinggi mencapai 72,73%

Item Type:	Thesis (undergraduate)
Subjects:	Engineering > Informatics Engineering Engineering
Divisions:	Faculty of Engineering > Informatics Engineering Study Program
Depositing User:	Shandy Rahma Ramadhan, S.IIP
Date Deposited:	06 Nov 2018 12:42
Last Modified:	08 Mar 2019 06:14
URI:	http://eprints.umg.ac.id/id/eprint/606

Actions (login required)

View Item