Perpustakaan Digital ITB

Pencurian energi listrik dan anomali pemakaian tenaga listrik menjadi tantangan utama bagi perusahaan utilitas karena menyebabkan kerugian finansial, gangguan pasokan listrik, hingga risiko kebakaran akibat korsleting atau beban berlebihan. Berbeda dengan penelitian sebelumnya yang lebih banyak berfokus pada pelanggan pascabayar, penelitian ini berfokus pada pelanggan prabayar yang memiliki karakteristik yang berbeda. Pelanggan pascabayar membayar tagihan setiap bulan, sedangkan pelanggan prabayar membeli energi di awal yang dapat digunakan untuk beberapa bulan ke depan. Selain itu, pelanggan prabayar belum dilengkapi sistem pembacaan konsumsi listrik secara real-time dan masih menggunakan kWh meter satu arah/offline. Penelitian ini mengembangkan deteksi anomali pemakaian tenaga listrik pada pelanggan prabayar dengan pendekatan berbasis data dan algoritma machine learning berbasis supel'Vised learning yaitu Classical Classijier (Logistic Regression, KNN, Decision Tree) dan Ensemble Classijier (AdaBoost, Random Forest, XGBoost) dengan penanganan ketidakseimbangan data menggunakan SMOTE oversampling atau undersampling. Teknik data capturing diterapkan dalam membentuk dataset pelatihan dengan melakukan cut ojf data transaksi pelanggan prabayar sebelum adanya inspeksi pemeriksaan. Hal tersebut bertujuan untuk menggambarkan perilaku pelanggan sebelum pemeriksaan dilakukan dan untuk mereduksi rentang waktu data yang digunakan. Hasil penelitian menunjukkan bahwa XGBoost dengan teknik penanganan ketidakseimbangan SMOTE undersampling dan teknik data capturing memberikan performa terbaik dengan nilai F 1-Score dan hit rate yang tinggi dibandingkan model lainnya, terutama saat diuji pada data baru atau data testing. Penelitian ini memberikan kontribusi dalam pengembangan solusi berbasis machine learning untuk mendeteksi anomali pemakaian tenaga listrik pada pelanggan prabayar.