Perpustakaan Digital ITB
Gangguan jaringan distribusi tenaga listrik akibat cuaca ekstrem merupakan
tantangan operasional utama bagi PT PLN (Persero) karena berdampak langsung
pada keandalan pasokan, indeks keandalan SAIDI dan SAIFI, serta biaya
pemeliharaan jaringan. Kondisi geografis Indonesia yang rawan bencana
hidrometeorologi menjadikan kemampuan memprediksi gangguan berbasis data
cuaca sebagai kebutuhan operasional yang mendesak. Penelitian ini
membandingkan kinerja tiga keluarga model pembelajaran mesin, yaitu model
linear, berbasis pohon, dan sekuensial, dalam memprediksi gangguan jaringan
distribusi dari data cuaca harian, serta menguji apakah penggabungan model
(hybrid) melalui stacking mampu mengungguli model tunggal pada data dengan
ketidakseimbangan kelas ekstrem.
Dataset terdiri atas 2.803.926 baris hasil integrasi riwayat gangguan berpenyebab
cuaca dari aplikasi APKT dengan data cuaca harian Open-Meteo sepanjang 1
Januari sampai 31 Desember 2024, mencakup empat unit induk PLN, yaitu UID
Jawa Barat, UIW Sulawesi Utara, Tengah, dan Gorontalo, UIW Sulawesi Selatan,
Tenggara, dan Barat, dan UIW Sumatera Selatan-Jambi-Bengkulu. Kelas positif
berjumlah 7.899 kejadian atau 0,28% dari seluruh baris, sehingga rasio kelas
mencapai 1:354. Pra-pemrosesan mencakup penghapusan duplikat, penskalaan
RobustScaler, serta seleksi fitur melalui matriks korelasi dan Variance Inflation
Factor yang menyisakan 11 fitur cuaca. Transformasi Yeo-Johnson diuji sebagai
dua jalur eksperimen terpisah, yaitu dengan dan tanpa transformasi. Validasi
menggunakan forward chaining sembilan fold dengan bulan uji April sampai
Desember agar model selalu diuji pada data masa depan. Empat model dasar, yaitu
Weighted Logistic Regression (WLR), XGBoost, Random Forest, dan Gated
Recurrent Unit (GRU) dengan Focal Loss, digabungkan melalui stacking temporal
dengan meta learner regresi logistik teregularisasi L1 dan L2 serta kalibrasi Platt
dan Isotonic, menghasilkan 90 konfigurasi pada masing-masing jalur. Metrik utama
adalah PR-AUC, dilengkapi Recall, Precision, F2, G-Mean, dan Balanced
Accuracy pada ambang optimal.
Hasil evaluasi menunjukkan WLR sebagai model terbaik secara konsisten. Pada
evaluasi per fold, WLR memperoleh PR-AUC rata-rata 0,0395, sekitar empat belas
ii
kali prevalensi kelas positif (0,0395/0,0028 ? 14,1), mengungguli Random Forest
0,0025, XGBoost 0,0023, dan GRU 0,0021. Pada protokol stacking, WLR mencapai
PR-AUC 0,0411 tanpa transformasi dan 0,0568 dengan Yeo-Johnson. Eksperimen
menyeluruh atas 90 konfigurasi membuktikan bahwa model tunggal WLR tetap
menjadi konfigurasi terbaik dibandingkan seluruh kombinasi dua, tiga, maupun
empat model; pencarian bobot weighted average turut menegaskannya dengan
menempatkan bobot 0,84 pada WLR. Temuan ini menunjukkan hubungan cuaca
dan gangguan efektif didekati secara linear, sekaligus memberi keuntungan praktis
berupa model yang sederhana, cepat dilatih, dan mudah diinterpretasikan oleh unit
operasional. Pengaruh Yeo-Johnson terbukti spesifik terhadap jenis model:
menstabilkan pelatihan GRU dari 0,0021 menjadi 0,0057, sementara WLR bekerja
optimal pada distribusi asli. Kalibrasi Platt lebih stabil dengan rata-rata 0,0241
dibandingkan Isotonic 0,0094. Uji ketahanan temporal menunjukkan sinyal
prediktif melekat kuat pada cuaca hari kejadian, dengan PR-AUC 0,0054 pada
horizon T+1.
Berdasarkan karakteristik tersebut, model diposisikan sebagai alat bantu penentuan
prioritas kegiatan inspeksi dan pemeliharaan preventif harian, selaras dengan
kerangka manajemen pemeliharaan distribusi yang berlaku di PLN, sementara
pengembangan menuju sistem peringatan dini diarahkan pada integrasi data
ramalan cuaca dan kondisi aset. Kontribusi penelitian ini mencakup penyediaan
tolok ukur kinerja empat keluarga model pada data gangguan nyata dengan rasio
1:354, bukti empiris bahwa model tunggal dapat mengungguli penggabungan
model pada kelas positif yang sangat langka, serta penetapan uji ketahanan
temporal sebagai prosedur baku penilaian kelayakan model prediksi gangguan.