Perpustakaan Digital ITB

Sistem Pemantauan Penggunaan Energi Listrik (SiElis) yang dikembangkan oleh Laboratorium Manajemen Energi sudah di implementasi di banyak gedung dan akan terus mengalami peningkatan. Meskipun begitu, SiElis saat ini memiliki beberapa keterbatasan. Pertama, tidak adanya redudansi data sehingga ketika database yang digunakan bermasalah maka seluruh sensor tidak dapat mengirim data. Kedua, ketika banyak pengguna yang secara tiba - tiba mengakses halaman web SiElis dan terjadi lonjakan transaksi data di database dalam rentang waktu tertentu dapat mengakibatkan kegagalan database. Oleh karena itu, reliabilitas dari SiElis perlu ditingkatkan dengan meningkatkan reliabilitas dari database. Berdasarkan dua keterbatasan diatas maka diperlukan redudansi dari database dan kemampuan untuk beradaptasi terhadap perubahan transaksi data yang terjadi secara tiba - tiba dalam rentang waktu tertentu. Salah satu caranya adalah dengan membuat cluster database SQL dengan menggunakan konsep replikasi. Agar dapat beradaptasi dengan beban transaksi yang datang tiba - tiba maka cluster SQL ini akan diimplementasikan di atas kubernetes. Hasil pengujian menunjukan kinerja SiELis dengan cluster SQL masih dibawah kinerja SiELis jika menggunakan NoSQL dan untuk transaksi dibawah 900/900 transaksi per detik nilai latensinya juga masih dibawah SiELis jika menggunakan SQL tunggal yaitu MySQL. Tetapi untuk nilai latensi di atas 900/900 SiELis dengan cluster SQL memiliki kinerja lebih baik dibandingkan jika menggunakan MySQL. Meskipun nilai latensi tidak lebih baik dari NoSQL dan MySQL ketika transaksi rendah,nilai latensi masih dibawah 500 milidetik sehingga nilainya masih dapat diterima. Selanjutnya dilakukan pemodelan menggunakan pendekatan polinomial dan dihasilkan model dengan polinomial orde 3 untuk latensi input data dengan rata - rata nilai R2 0.9202 tetapi ketika diuji nilai kesalahan yang diperoleh 19.32%. Sementara untuk latensi baca data dihasilkan model dengan polinomial orde 5 dengan rata - rata nilai R2 0.7641 tetapi ketika diuji dengan data pengukuran nilai kesalahan yang diperoleh 66.37%. Kedua pengujian tersebut menunjukan terjadinya overfitting pada model sehingga diperlukan perbaikan ada model. Overfitting tersebut menunjukan bahwa pendekatan polinomial untuk keseluruhan data tidak dapat diimplementasikan untuk menggambarkan nilai latensi SiELis dengan cluster SQL, namun diperlukan tahap lebih lanjut agar kesalahan yang didapatkan semakin kecil. Pemisahan titik ukur menjadi dua rentang dan setiap rentang memiliki pendekatan model yang berbeda dilakukan untuk mengurangi dampak kesalahan estimasi latensi input data dan baca data. Sehingga kesalahan estimasi latensi input data dapat dikurangi menjadi 9.11% dengan pendekatan polinomial orde 2 dan kesalahan estimasi latensi baca data menjadi 14.34% dengan pendekatan polinomial orde 3.