Evolusi: Jurnal Sains dan Manajemen
ISSN:2338-8161 E-ISSN: 2657-0793
Vol 14 No.
1 Maret 2026 Perbandingan XGBoost dan Regresi Linier dalam Mendukung Estimasi Beban Pemanasan dan Beban Pendinginan Bangunan Ida Darwati Sistem Informasi.
Universitas Bina Sarana Informatika Indonesia * Corresponding Author.
E-mail:ida.
idd@bsi.
Abstrak Meminimalkan penggunaan alat pendingin dan pemanas ruang bangunan dapat diupayakan dengan adanya pertimbangan bahan bangunan yang digunakan, sehingga dapat memperhitungkan beban energi yang nantinya akan digunakan serta dapat menghemat penggunaan energi.
Pada penelitian ini, penulis memilih metode XGBoost dan regresi linier untuk dibandingkan dan memilih metode terbaik dalam estimasi beban pemanasan dan pendinginan bangunan.
Penulis membagi dataset menjadi data training dan data testing sebesar 75% sebagai data training serta 25% data testing, menggunakan 10-Fold Cross-Validation pada data training.
Dalam proses pengolahan data penulis menggunakan Jupyter Notebook dengan bahasa pemrograman python.
Hasil penelitian menggunakan metode regresi linier pada beban pemanasan dan pendinginan penulis memperoleh nilai RMSE sebesar 3, sedangkan nilai RMSE terkecil penulis dapatkan dengan menggunakan metode XGBoost sebesar 1 pada beban pemanasan dan pendinginan.
Kata kunci: Estimasi.
Regresi Linier.
XGBoost Abstract Minimizing the use of cooling and heating devices in buildings can be attempted by considering the building materials used, so that the energy load that will be used can be calculated, as well as saving energy use.
In this study, the author chose the XGBoost and linear regression methods to compare and determine the best methods in estimating the heating and cooling loads of \buildings.
The author divided the dataset into training data and testing data, 75% as training data and 25% as testing data, using 10-Fold Cross-Validation on training data.
In the data processing process, the author uses Jupyter Notebook with the Python programming The results of the study using the linear regression method on heating and cooling loads, the author obtained an RMSE value of 3, while the author obtained the smallest RMSE value using the XGBoost method of 1 on heating and cooling loads.
Keywords: Estimation.
Linear Regression.
XGBoost
Evolusi: Jurnal Sains dan Manajemen
ISSN:2338-8161 E-ISSN: 2657-0793
Pendahuluan Penggunaan jumlah energi dalam rumah tangga saat ini terjadi kenaikan, sehingga menjadi salah satu pemberi kontribusi dari keseluruhan energi diantarnnya dari perlalatan elektronik yang digunakan (Kiswantono, 2.
Kenaikan penggunaan energi ini menjadi pertimbangan dalam pengendalian energi untuk dapat lebih tepat guna agar menekan efek negatif yang dihasilkan, dengan cara mengupayakan penggunaan energi lebih efisien (Kiswantono, 2.
Pada penelitian Agus Kiswantono yang berjudul Transformasi Energi Rumah Tangga: Otomatisasi Beban Listrik dengan IOT, mengembangkan IOT sebagai pengendali efisiensi konsumsi energi dalam rumah tangga (Kiswantono, 2.
Diperlukan adanya kepedulian dari kita semua terhadap pemanasan global yang merupakan salah satu dampak dari tingginya pemakaian energi, diantaranya dari unsur bangunan (Marzuki & Purwanto.
Bangunan menyerupai gedung perkantoran dalam menunjang pengkondisian udara dapat menyentuh angka 55%, penerangan berada pada nilai 25% dan perangkat lain seperti peralatan elektronik berada pada cakupan 20% (Perkasa Alam et al.
, 2.
, yang menandakan banyaknya konsumsi yang digunakan sehingga saat pembangunan yang tinggi penting untuk memperhatikan karakteristik penerangan (Perkasa Alam et , 2.
Pelaksanaan ide Bangunan Ramah Lingkungan merupakan capaian dari usaha pembangunan berkelanjutan dalam bidang rancang bangun, untuk mengoptimalkan konsumsi energi secara tepat (Safrini et al.
dan sejalan dengan perkembangan dan pengurangan resiko perubahan iklim (Widyakusuma, 2.
Saat ini bangunan tempat tinggal sudah ada yang memanfaatkan kaca tidak hanya Vol 14 No.
1 Maret 2026 untuk jendela tetapi sebagai pengganti dinding yang jika berhadapan langsung dengan sinar metahari dapat menyebabkan peningkatan temperatur dalam ruangan berubah menjadi sejuk (Susanti et al.
, jendela juga menjadi bagian yang tidak terpisahkan sebagai pengendalian perpindahan panas serta menurunkan (Widyakusuma, 2.
Beban pendinginan merupakan laju energi termal yang ditingkatkan atau diturunkan dari sebuah area agar dapat menjaga suhu dan kelembaban (Fachrony et al.
, 2.
Pada penelitian sebelumnya yang berjudul Implementasi Algoritme Extreme Learning Machine (ELM) untuk Prediksi Beban Pemanasan dan Pendinginan Bangunan penulis Alif Fachrony.
Imam Cholissodin Edy Santoso, menggunakan algoritma Extreme Learning Machine untuk memprediksi beban dari pemanasan dan pendinginan bangunan, dengan kesimpulan yaitu prediksi yang masih minim jika dilihat dari jumlah MAPE yang dihasilkan (Fachrony et al.
, 2.
Penelitian oleh Mutiara Fadhilatuzzahro dengan judul Prediksi Konsumsi Energi Termal Bangunan Menggunakan EPOCatBoots, menggunakan rasio perbandingan 70:30 dan 80:20, mendapatkan hasil penelitian bahwa model CatBoost dapat memberikan hasil prediksi sangat bagus (Fadhilatuzzahro.
Bahan dan Metode 1 Metode XGBoost merupakan gradient boosting yang dapat dioptimalkan dari segi laju dan kinerja (Lumbantoruan et al.
, 2.
Keunggulan XGBoost
Evolusi: Jurnal Sains dan Manajemen
ISSN:2338-8161 E-ISSN: 2657-0793
missing value, kemampuan tinggi dan paralelisasi (Lumbantoruan et al.
, 2.
Regresi linear berganda merupakan hubungan 2 variabel atau lebih variabel bebas atau variabel penyebab dengan variabel terikat atau variabel yang menerima akibat dari variabel bebas (Hasanah et al.
, 2.
Langkah Penelitian Berikut merupakan pada penelitian ini yaitu:
langkah-langkah Vol 14 No.
1 Maret 2026 untuk membandingkan dua metode yaitu XGBoost dan regresi linier, untuk menemukan metode terbaik dalam beban pemanasan dan pendinginan bangunan.
Menentukan Metode Terbaik Melalui pengolahan data akan diketahui nilai RMSE terkecil dari dua metode yang dibandingkan pada penelitian ini.
Hasil dan Pembahasan Dataset Penelitian Pada menggunakan dataset energy efficiency sebanyak 768 record yang penulis peroleh dari website UCI (Tsanas & Xifara, 2.
Tabel 1.
Dataset Energy Efficiency Rela
Com Ori
Glaz
Are Dist
0,98
0,98
0,98
0,98
Gambar 1.
Tahapan Penelitian Studi Literatur Dalam studi literatur penulis mencari sumber dari berbagai referensi sesuai dengan tema penelitian.
Pengumpulan Data Penulis memperoleh dataset energy efficiency dari website UCI (Tsanas & Xifara, 2.
sebanyak 768 record.
Pengolahan Data Penulis melakukan pengolahan data dengan bahasa pemrograman python A.
Sumber: (Tsanas & Xifara, 2.
Pada dataset penelitian ini terdapat 8 variabel X yaitu variabel independen .
ariabel beba.
dan 2 variabel Y sebagai variabel dependen .
ariabel terika.
Evolusi: Jurnal Sains dan Manajemen
ISSN:2338-8161 E-ISSN: 2657-0793
Vol 14 No.
1 Maret 2026 Gambar 4.
Scatter Perbandingan Variabel Independen dan Cooling Load Gambar 2.
Histogram Variabel Independen Gambar 2 menampilkan histogram dari 8 variabel independen yaitu relative compactness, surface area, wall area, roof area, overall height, orientation, glazing area dan glazing area distribution.
Gambar 3.
Scatter Perbandingan Variabel Independen dan Heating Load Gambar 3 memperlihatkan diagram persebaran antara 8 variabel independen dengan heating load.
Relative compactness dan heating load diwakili dengan warna hitam, surface area dan heating load warna biru, wall area dan heating load berwarna orange, roof area dan heating load warna kuning, overall height dan heating load warna ungu, warna hijau untuk orientation dan heating load, warna abu-abu mewakili glazing area dan heating load serta glazing area distribution dan heating load diwakili dengan warna merah.
Pada gambar 4 ditampilkan diagram persebaran antara 8 variabel independen dengan cooling load.
Relative compactness dan cooling load ditandai warna hitam, surface area dan cooling load diwakili warna biru, wall area dan cooling load berwarna orange, warna kuning untuk roof area dan cooling load, warna ungu untuk overall height dan cooling load, warna hijau mewakili orientation dan cooling load, warna abu-abu untuk glazing area dan cooling load serta warna merah menandai glazing area distribution dan cooling load.
Pengolahan Data dengan Metode XGBoost Penulis mengolah data energy efficiency dengan metode XGBoost menggunakan Jupyter Notebook bahasa pemrograman Dari 768 record, penulis membagi menjadi data training sebesar 75% dan data testing 25% secara acak dengan pola yang sama, total pohon keputusan sebesar 200, 05 untuk learning rate, nilai 10 untuk max depth, subsample dan colsample bytree 8 dan 10-Fold Cross-Validation pada data training, sehingga diperoleh nilai RMSE sebagai berikut:
Gambar 5.
Nilai RMSE Heating Load
dengan Metode XGBoost
Pada gambar 5 menampilkan nilai Evolusi: Jurnal Sains dan Manajemen
ISSN:2338-8161 E-ISSN: 2657-0793
RMSE dari pengolahan estimasi beban pemanasan menggunakan metode XGBoost Gambar 6.
Nilai RMSE Cooling Load dengan Metode XGBoost Gambar 6 menunjukkan nilai RMSE dari pengolahan estimasi beban pendinginan dengan metode XGBoost sebesar 1.
Pengolahan Data dengan Metode Regresi Linier Penulis membandingkan pengolahan data XGBoost dengan regresi linier, pada sub bab ini pembahasan mengenai hasil dari menggunakan metode regresi linier dengan Jupyter Notebook dan bahasa pemrograman Penulis juga membagi data training sebanyak 75% dan data testing sebesar 25% secara acak dan dengan pola yang sama serta 10-Fold Cross-Validation pada data training, berikut ini nilai RMSE yang Gambar 7.
Nilai RMSE Heating Load dengan Metode Regresi Linier Gambar 7 menunjukkan nilai RMSE dari pengolahan estimasi beban pemanasan dengan metode Regresi Linier sebesar 3.
Gambar 8.
Nilai RMSE Cooling Load dengan Metode Regresi Linier Pada gambar 8 menampilkan nilai RMSE dari pengolahan estimasi beban pendinginan menggunakan metode Regresi Linier sebesar 3.
Vol 14 No.
1 Maret 2026 Kesimpulan Berdasarkan pengolahan data energy efficiency dengan menggunakan metode XGBoost dan regresi linier dalam estimasi bangunan, dengan metode XGBoost pada memperoleh nilai RMSE sebesar 1, pendinginan menggunakan regresi linear memperoleh nilai RMSE sebesar 3.
Maka dapat disimpulkan pada penelitian ini metode XGBoost lebih baik dibandingkan dengan metode regresi linier dalam pengolahan dataset energy efficiency, ditandai dengan nilai RMSE yang lebih Referensi