Perpustakaan Digital ITB

Kerugian finansial akibat Non-Technical Losses (NTL), seperti pemakaian listrik secara ilegal, menjadi tantangan besar bagi PT PLN (Persero) di Indonesia, dengan tingkat akurasi program Penertiban Pemakaian Tenaga Listrik (P2TL) dalam mendeteksi fraud masih di bawah 20%. Penelitian ini bertujuan mengembangkan model deteksi fraud berbasis anomali menggunakan algoritma Unsupervised Learning, antara lain Local Outlier Factor (LOF), Isolation Forest (IF), dan One- Class Support Vector Machine (OCSVM) untuk meningkatkan akurasi dan efisiensi program P2TL saat ini. Metode penelitian mencakup pengembangan feature engineering dengan agregasi fitur secara temporal dan statistis (rolling, growth rate, load factor) serta seleksi fitur berbasis korelasi dan pembobotan fitur menggunakan Entropy Weight Method (EWM). Data pelanggan dipartisi berdasarkan kapasitas daya untuk mengurangi heterogenitas. Pemodelan menggunakan algoritma LOF, IF, dan OCSVM dilakukan untuk menghitung skor deteksi anomali, menentukan persentase anomali bulanan, dan mengklasifikasikannya menjadi fraud atau non-fraud berdasarkan nilai ambang batas tertentu. Kinerja model dievaluasi menggunakan data validasi. Hasil penelitian menunjukkan bahwa kombinasi clustering, algoritma LOF, IF, dan seleksi fitur berbasis matriks korelasi dan pembobotan fitur menggunakan EWM secara konsisten meningkatkan kinerja deteksi fraud. Namun, partisi data berdasarkan kapasitas daya menghasilkan kinerja terbaik, dengan model LOF mencatatkan F1-Score 72.78% dan Precision 65.71% pada pelanggan dengan kapasitas daya 450 VA. IF unggul dalam efisiensi waktu pemrosesan untuk daya lebih tinggi, sementara OCSVM unggul dalam Precision tetapi membutuhkan waktu pemrosesan yang lebih lama. Secara keseluruhan, model LOF yang diusulkan memberikan peningkatan yang signifikan dalam deteksi fraud dan mendukung efektivitas pelaksanaan program P2TL.