Perpustakaan Digital ITB

Listrik merupakan kebutuhan vital dalam kehidupan modern, dan pengelolaan pembayaran rekening listrik menjadi krusial bagi keberlangsungan layanan serta stabilitas finansial perusahaan penyedia listrik seperti PLN. Identifikasi potensi keterlambatan pembayaran oleh pelanggan menjadi langkah strategis untuk memungkinkan tindakan preventif yang efektif. Penelitian ini mengembangkan model prediksi keterlambatan pembayaran menggunakan dua metode machine learning, yaitu Bidirectional Long Short-Term Memory (LSTM) dan Random Forest Regressor , berdasarkan data historis pelanggan dari periode 2018–2023. Proses penelitian mencakup preprocessing data untuk memastikan konsistensi dan akurasi, pembagian data menjadi set pelatihan dan set pengujian, serta pelatihan model menggunakan kedua algoritma. Bidirectional LSTM menunjukkan kemampuan yang kompetitif dalam menangkap pola temporal data sekuensial. Konfigurasi terbaik (learning rate 0.00005, batch size 8, epoch 100) menghasilkan nilai validation error sebesar 0.243 dan validation accuracy tertinggi sebesar 56.2%. Model ini lebih unggul dalam mempelajari pola kompleks meskipun memerlukan tuning hyperparameter yang tepat untuk mengurangi risiko overfitting. Di sisi lain, Model Random Forest menunjukkan performa terbaik dalam mengenali pola statistik jangka panjang dengan nilai Mean Absolute Error (MAE) terendah sebesar 0.00387 dan akurasi 99,96% pada fitur Moving Average 12 bulan. Algoritma ini juga menunjukkan efisiensi optimal dengan jumlah pohon antara 100–200, memberikan prediksi yang stabil tanpa mengorbankan waktu komputasi. Hasil penelitian menunjukkan bahwa kedua model efektif dalam memprediksi pelanggan yang berpotensi terlambat membayar tagihan listrik. Penelitian ini memberikan kontribusi signifikan bagi PLN dalam mendukung pengambilan keputusan berbasis data, memungkinkan strategi mitigasi seperti pemberitahuan dini atau pengaturan ulang jadwal pembayaran untuk mengurangi risiko tunggakan pembayaran.