Perpustakaan Digital ITB

Automatic Meter Reading (AMR) merupakan salah satu solusi digital PLN dalam meningkatkan efisiensi pencatatan konsumsi listrik konsumen secara real-time. Tantangan utama dalam hasil pencatatan dari AMR yaitu keberadaan data yang hilang, dikarenakan beberapa hal seperti gangguan transmisi, kesalahan jaringan atau perangkat, dan human error. Data yang hilang akan menyulitkan dalam melakukan proses analisis, sehingga dapat memunculkan bias terhadap kehadiran anomali dalam konsumsi listrik. Pendekatan deteksi anomali umumnya menggunakan data yang lengkap, namun dalam praktiknya kondisi selain Missing Completely At Random justru lebih sering dijumpai pada data AMR. Hal ini memerlukan penggunaaan metode imputasi yang mampu mempertahankan karakteristik asli dari data konsumsi listrik. Proses penelitian meliputi praproses data, imputasi nilai yang hilang, pemilihan fitur yang relevan, serta transformasi data. Beberapa metode imputasi yang dapat digunakan seperti interpolasi linier, Multiple Chain by Chained Equation (MICE), MICE K-Nearest Neighbor (MICE KNN), hybrid interpolasi liner dan Long Short-Term Memory (LSTM). Penelitian ini menghasilkan pendekatan antara imputasi dengan deteksi anomali berbasis unsupervised learning, studi kasus pada data konsumsi listrik Konsumen Tegangan Tinggi (KTT) dari AMR. Hasil pengujian menunjukkan bahwa metode interpolasi linier mampu melakukan imputasi pola konsumsi listrik yang selanjutnya dapat meningkatkan kinerja model deteksi anomali seperti Local Outlier Factor (LOF) dan Isolation Forest (IF). Pada metode yang menggunakan interpolasi linier, kombinasi Interpolasi Linier dengan IF menghasilkan jumlah true positive tertinggi yaitu 63 data, meningkat sekitar 70,27% dibandingkan IF tanpa imputasi. Sementara itu, Interpolasi Linier dengan LOF dapat mendeteksi 51 true positive, atau meningkat sekitar 168,42% dibandingkan LOF tanpa imputasi.