Perpustakaan Digital ITB

Deteksi anomali pada data konsumsi energi listrik merupakan salah satu pendekatan penting dalam mengidentifikasi pencurian energi pada sistem Advanced Metering Infrastructure (AMI). Namun, sebagian besar metode Time Series Anomaly Detection (TSAD) berbasis deep learning memerlukan data berlabel dalam jumlah besar, sedangkan data pencurian energi listrik relatif sulit diperoleh dan memiliki distribusi yang tidak seimbang. Metode Contrastive Representation Learning for Time Series Anomaly Detection (CARLA) menawarkan pendekatan self-supervised learning yang mampu mempelajari representasi hanya dari data normal. Akan tetapi, mekanisme anomaly injection pada CARLA masih menggunakan anomali sintetis tanpa pengetahuan domain sehingga belum sepenuhnya merepresentasikan karakteristik manipulasi konsumsi energi listrik yang terjadi pada sistem AMI. Penelitian ini mengusulkan Electricity-aware Anomaly Injection (EAI) sebagai pengembangan mekanisme anomaly injection berbasis pengetahuan domain kelistrikan. Metode yang diusulkan mengintegrasikan pola malicious attack pada smart meter, seperti Flat Reduction Attack, Dynamic Reduction Attack, Selective Bypass Attack, Average Consumption Attack, Dynamic Average Attack, dan Load Reordering Attack, ke dalam tahap self-supervised contrastive learning pada CARLA. Dengan demikian, negative samples yang digunakan selama proses pembelajaran lebih mendekati karakteristik pencurian energi listrik dibandingkan anomali sintetis umum. Evaluasi dilakukan melalui dua tahap, yaitu reproduksi implementasi CARLA menggunakan dataset benchmark MSL dan SMAP, serta pengujian menggunakan dataset pelanggan PLN. Hasil eksperimen menunjukkan bahwa implementasi CARLA berhasil direproduksi dengan performa yang mendekati publikasi asli sehingga layak dijadikan baseline. Pengujian pada dataset pelanggan PLN dengan skema evaluasi berskala penuh (27 file latih serta 8 file uji) menunjukkan bahwa Electricity-aware Anomaly Injection dengan agregasi mean memberikan deteksi level-file terbaik pada metrik berbasis peringkat, dengan AU-PR 0,9429 dan AU-ROC 0,8667, sedikit mengungguli injeksi anomali tanpa pengetahuan domain (baseline) yang mencapai AU-PR 0,9250 dan AU-ROC 0,8000 dengan F1-macro setara (0,8730). Namun, himpunan uji hanya memuat lima pelanggan anomali, sehingga indikasi manfaat integrasi pengetahuan domain ini masih perlu divalidasi pada himpunan uji berlabel yang lebih besar. Kontribusi utama penelitian ini adalah mengintegrasikan pengetahuan domain pencurian energi listrik ke dalam mekanisme self-supervised contrastive representation learning melalui Electricity-aware Anomaly Injection tanpa mengubah arsitektur inti CARLA. Pendekatan ini menyediakan mekanisme injeksi anomali berbasis domain yang menghasilkan pretext task lebih menantang dan membuka peluang pengembangan metode self-supervised anomaly detection yang lebih adaptif terhadap karakteristik domain aplikasi, dengan catatan bahwa manfaat deteksinya masih perlu divalidasi pada himpunan uji berlabel yang lebih besar.