TELEWORKING MONITORING SYSTEM USING NILM AND K-NN ALGORITHMS: A STRATEGY FOR SUSTAINABLE SMART CITIES

Working from home or teleworking has become a common practice for most office employees during certain special situations such as pandemic. One of the challenges faced by employers, however, is monitoring workers who are working from home. Webcam, live video feed, or mobile phone tracking deemed to be intrusive. Therefore, in this work, a non-intrusive monitoring approach is used to effectively help employers to keep track of teleworking employees through specific electrical appliances operating condition while maintaining users’ privacies. This strategy uses non-intrusive load monitoring (NILM) approach to recognize four electrical appliances’ switching events used during teleworking measured from a single power point. Together with an event classification method known as K-Nearest Neighbor (k-NN) algorithm, the teleworking event and duration can be identified. The results were presented using classification metrics that consist of confusion matrix and accuracy score. An accuracy of up to 62% has been achieved for the classifier. It is observed that the similarity of appliances’ power usage affects the model accuracy and confusion matrix is constructed to help identify the number of events that are correctly classified as well as wrongly classified. Results from NILM and k-NN strategy can be implemented in the smart city towards sustainability to create a sustainable and employees well-being. It is also useful for an organization to evaluate an employee’s performance who opt for teleworking. ABSTRAK: Bekerja dari rumah telah menjadi amalan biasa bagi kebanyakan pekerja-pekerja pejabat semasa situasi khas tertentu seperti wabak penyakit. Salah satu cabaran yang dihadapi oleh para majikan, adalah memantau para pekerja yang bekerja dari rumah. Kamera web, suapan video langsung atau penjejakan telefon mudah alih adalah dianggap mengganggu privasi. Oleh itu, dalam kajian ini, pendekatan pemantauan tidak mengganggu privasi digunakan untuk membantu para majikan dengan berkesan menjejak para pekerja yang bekerja dari rumah melalui keadaan operasi peralatan-peralatan elektrik tertentu sambil mengekalkan privasi pengguna. Strategi ini menggunakan pendekatan pemantauan beban elektrik tanpa gangguan (NILM) untuk mengenali empat situasi pensuisan peralatan-peralatan elektrik yang digunakan semasa bekerja dari rumah diukur dari satu titik kuasa. Bersama-sama dengan kaedah-kaedah pengkelasan situation yang dikenali sebagai algoritma K-Nearest Neighbor (k-NN), acara bekerja dari rumah dan tempoh boleh dikenal pasti. Keputusan telah dibentangkan menggunakan metrik klasifikasi yang terdiri daripada matriks kekeliruan dan skor ketepatan. Ketepatan sehingga 62% telah dicapai untuk pengkelasan. Adalah diperhatikan bahawa persamaan penggunaan kuasa peralatan-peralatan elektrik mempengaruhi ketepatan model dan matriks kekeliruan dibina untuk membantu mengenal pasti bilangan peristiwa yang dikelaskan dengan betul serta dikelaskan secara salah. Hasil daripada strategi NILM dan k-NN boleh dilaksanakan di bandar pintar ke arah kemampanan untuk mewujudkan kesejahteraan para pekerja dan mampan. Ia juga berguna untuk organisasi menilai prestasi para pekerja yang memilih untuk bekerja dari rumah.