Perpustakaan Digital ITB

Pencurian listrik merupakan tantangan besar yang dihadapi PT PLN (Persero), terutama dalam pengelolaan 27 juta pelanggan pascabayar yang sebagian besar masih menggunakan meter tradisional. Identifikasi dan penanganan pencurian listrik semakin kompleks, memerlukan pendekatan yang lebih efisien. Tidak seperti meter pintar, meter tradisional tidak memiliki kemampuan komunikasi, sehingga deteksi pencurian listrik masih bergantung pada proses manual. Penelitian ini mengembangkan model deteksi pencurian listrik berbasis machine learning untuk mengoptimalkan proses penetapan Target Operasi (TO), yakni daftar pelanggan yang menjadi target verifikasi lapangan. Dengan menganalisis penggunaan listrik bulanan, khususnya pada segmen rumah tangga dengan daya 450 VA penerima subsidi pemerintah, model ini dirancang untuk mengoptimalkan pembentukan TO yang masih dilakukan secara manual, dengan tujuan mengurangi pengamatan subjektif sekaligus membantu subsidi dialokasikan tepat sasaran. Data konsumsi listrik bulanan pelanggan pascabayar PLN digunakan sebagai pendekatan baru dalam deteksi pencurian listrik, berbeda dengan penelitian lain yang umumnya menggunakan data terbuka dan meter pintar. Berbagai model klasifikasi diuji, termasuk Decision Tree, Random Forest, K-Nearest Neighbors, Logistic Regression, dan Naive Bayes, dengan Random Forest menunjukkan kinerja terbaik dalam berbagai simulasi pengujian. Penelitian ini juga memperkenalkan metode evaluasi bertahap yang meningkatkan akurasi dengan penyaringan berlapis, di mana hasil deteksi dari model pencurian tiga kali disaring kembali pada model pencurian dua dan satu kali, menghasilkan TO yang lebih akurat. Kombinasi algoritma Random Forest dan K-Nearest Neighbors menghasilkan kinerja terbaik dengan akurasi 0,89, presisi 0,83, recall 0,98, F1-Score 0,90, dan AUC 0,89. Temuan ini menawarkan manfaat praktis bagi PLN melalui proses penetapan TO yang lebih objektif dan terstandarisasi, mengurangi kesalahan manusia, serta meningkatkan efisiensi operasional.