Pengelompokan K-Means Profil Beban Harian Pelanggan Listrik Rumah Tangga

Info proyek

• Bidang studiTeknik Elektro
• JenjangSkripsi (S1)
• Jenis metodeMachine Learning
• Perkiraan pengerjaan± 3 hari kerja
• Perangkatkmeans, silhouette, zscore (Statistics and Machine Learning Toolbox)
• HargaRp 350.000 - Rp 2.100.000

Tujuan analisis

Memprediksi kelompok profil beban dari fitur beban puncak dan faktor beban menggunakan K-Means (kmeans).

Variabel

Contoh hasil

• 3Clusters k
• 652.904Within-cluster SS
• 0.73Mean silhouette
• 506.238Calinski-Harabasz
• 30.417Smallest cluster (%)
• 35Largest cluster (%)

K-means membagi data load profile cluster, peak load, dan load factor menjadi 3 klaster dengan rata-rata silhouette 0.730 dan indeks Calinski-Harabasz 506.2; klaster terkecil memuat 30.4% observasi.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang K-Means (kmeans)

kmeans membagi data menjadi k klaster dengan meminimalkan jarak titik ke pusat klaster. Cocok untuk segmentasi data numerik ketika jumlah klaster dapat diperkirakan, misalnya segmentasi pelanggan atau wilayah.

Langkah pengerjaan

1. 1Pilih fitur numerik dan standarisasi dengan zscore
2. 2Jalankan kmeans untuk beberapa nilai k dengan Replicates
3. 3Pilih k dengan rata-rata silhouette atau evalclusters
4. 4Latih model akhir dengan inisialisasi kmeans++
5. 5Profilkan klaster dengan rata-rata fitur
6. 6Plot klaster dan centroid

Asumsi yang perlu diperiksa

• Klaster kira-kira bulat dan berukuran mirip
• Fitur distandarisasi karena berbasis jarak
• Outlier ditangani karena memengaruhi centroid

Membaca dan melaporkan hasil

Laporkan alasan pemilihan k (silhouette atau siku), ukuran dan profil tiap klaster. Tekankan bahwa klaster adalah temuan eksploratif yang bergantung pada fitur dan skala.

Contoh kode MATLAB

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

rng(8);
mu = [0 0; 4 4; 0 5; 5 0];
X = [];
for k = 1:4
    X = [X; mvnrnd(mu(k,:), eye(2), 100)];
end
X = zscore(X);
peak_load = X(:, 1);
load_factor = X(:, 2);

ks = 2:8;
sil = zeros(size(ks));  sse = zeros(size(ks));
for i = 1:numel(ks)
    [idx, ~, sumd] = kmeans(X, ks(i), 'Replicates', 10, 'Start', 'plus');
    sil(i) = mean(silhouette(X, idx));
    sse(i) = sum(sumd);
    fprintf('k = %d  silhouette = %.3f  SSE = %.1f\n', ks(i), sil(i), sse(i));
end
[~, ib] = max(sil);
kbest = ks(ib);
[load_profile_cluster, C] = kmeans(X, kbest, 'Replicates', 10, 'Start', 'plus');
fprintf('Chosen k = %d, cluster sizes: %s\n', kbest, mat2str(accumarray(load_profile_cluster, 1)'));

figure;
subplot(1,2,1); plot(ks, sse, '-o'); xlabel('k'); ylabel('Total within-cluster SSE');
subplot(1,2,2); gscatter(peak_load, load_factor, load_profile_cluster); hold on;
plot(C(:,1), C(:,2), 'kx', 'MarkerSize', 12, 'LineWidth', 2);

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum