Perpustakaan Digital ITB

Deteksi anomali pada data pembacaan meter listrik berbasis Automatic Meter Reading (AMR) menjadi penting untuk mendeteksi penyimpangan seperti pencurian listrik atau kesalahan teknis pada peralatan. Penelitian ini berfokus pada penerapan dan analisis tiga pendekatan utama, yaitu One-Class SVM (OCSVM), Deep Support Vector Data Description (DeepSVDD), dan Autoencoder dalam mendeteksi anomali pada dataset listrik dengan skenario standalone maupun hybrid. Dataset yang digunakan berisi data time-series yang mencakup fitur tegangan, arus, sudut arus, serta informasi tambahan seperti tarif pelanggan. Tujuan penelitian adalah mengevaluasi efektivitas masing-masing model standalone dalam mendeteksi anomali dan mengusulkan metode perbaikan melalui kombinasi dengan model Random Forest serta penambahan fitur berupa skor anomali dan fitur temporal. Pada skenario pertama OCSVM diterapkan sebagai model standalone. Model ini menunjukkan performa yang moderat dalam deteksi anomali. Pendekatan kedua menggunakan DeepSVDD, model berbasis neural network yang mempelajari representasi laten dari data normal dan meminimalkan jarak ke centroid dalam ruang fitur laten. Model ini memberikan fleksibilitas lebih besar dalam menangkap pola kompleks dibandingkan OCSVM. Pendekatan ketiga menggunakan Autoencoder, yang melibatkan rekonstruksi data input dan menghitung error rekonstruksi sebagai skor anomali. Autoencoder memberikan kemampuan yang baik dalam menangkap pola hubungan antar fitur. Sebagai langkah perbaikan, masing-masing pendekatan standalone diintegrasikan dengan model Random Forest. Pada pendekatan ini, skor anomali yang dihasilkan oleh model standalone ditambahkan sebagai fitur baru pada data validasi dan tes, kemudian digunakan untuk melatih Random Forest sebagai model klasifikasi akhir. Random Forest dipilih karena kemampuannya menangani data dengan distribusi tidak seimbang serta memberikan probabilitas klasifikasi yang dapat dievaluasi menggunakan metrik seperti AUC-ROC. Hasil eksperimen menunjukkan bahwa kombinasi model standalone dengan Random Forest memberikan peningkatan yang signifikan dalam performa, terutama dalam metrik seperti precision, recall, dan F1-score serta perbaikan kinerja pada False Positive dan False Negative. Model ii DeepSVDD dengan Random Forest secara umum menunjukkan hasil terbaik menggunakan data tes dengan Accuracy 0.9805, Precision 0.9805, Recal 0.9804 dan F1-Score 0.9805 dengan AUC 0.9946, menunjukkan bahwa DeepSVDD lebih stabil dalam menghadapi data baru dan lebih baik dalam menangkap representasi anomali.