Deteksi Pencurian Listrik Berdasarkan Anomali Pola Penggunaan Menggunakan Algoritma Isolation Forest Dan Random Forest

Abstract

Pencurian listrik merupakan salah satu tantangan kritis yang dihadapi oleh penyedia layanan energi, terutama di negara berkembang seperti Indonesia. Tindakan ini tidak hanya berdampak pada kerugian finansial yang signifikan, tetapi juga menimbulkan konsekuensi serius terhadap keandalan dan keamanan sistem kelistrikan nasional. Menurut laporan dari International Energy Agency (IEA), konsumsi listrik global diperkirakan meningkat pesat seiring dengan pertumbuhan penduduk dan urbanisasi global. Di tengah lonjakan permintaan ini, pencurian listrik menjadi hambatan utama dalam menjaga efisiensi distribusi energi serta stabilitas pasokan listrik bagi masyarakat. Pencurian yang tidak terdeteksi dapat memicu ketidakseimbangan beban, mempercepat kerusakan infrastruktur, menyebabkan pemadaman listrik secara tiba-tiba, bahkan meningkatkan risiko kecelakaan akibat instalasi ilegal yang tidak sesuai standar. Deteksi pencurian secara manual oleh petugas terbukti kurang efisien karena memerlukan banyak waktu, tenaga, serta tidak mampu menangani volume data pelanggan yang sangat besar. Proses ini juga rentan terhadap kesalahan dan berpotensi menimbulkan konflik dengan pelanggan jika tuduhan tidak didukung oleh bukti kuat. Sementara itu, kemajuan teknologi analitik data dan kecerdasan buatan telah dimanfaatkan untuk membangun sistem deteksi pencurian listrik yang lebih andal, efisien, dan mampu menangani data dalam skala besar. Identifikasi dini terhadap anomali dalam pola konsumsi listrik menjadi solusi potensial dalam mengatasi masalah ini. Dikarenakan pencurian listrik umumnya meninggalkan jejak berupa pola pemakaian yang menyimpang dari perilaku normal pelanggan dalam jangka waktu tertentu. Sistem yang mampu mendeteksi penyimpangan ini secara otomatis dapat membantu perusahaan dalam mengambil tindakan yang lebih tepat sasaran dan cepat, sekaligus menjaga kenyamanan serta kepercayaan pelanggan. Penelitian ini bertujuan untuk mendeteksi potensi pencurian listrik, dengan mengidentifikasi anomali dalam pola konsumsi pelanggan berbasis machine learning. Metode yang digunakan adalah algoritma Isolation Forest untuk mendeteksi outlier secara unsupervised dan Random Forest untuk mengklasifikasikan data yang telah diberi label. Dataset yang digunakan terdiri dari data jam nyala listrik bulanan pelanggan Perusahaan Listrik tahun 2024, yang belum memiliki label pencurian. Data ini dianalisis untuk menemukan perilaku konsumsi yang tidak wajar berdasarkan histori penggunaan. Model Isolation Forest berhasil mengidentifikasi sebanyak 3.956 pelanggan dengan pola konsumsi yang menyimpang. Data hasil deteksi ini kemudian dilabeli dan digunakan sebagai dasar pelatihan bagi algoritma Random Forest dalam tahap klasifikasi. Tantangan utama pada proses ini adalah ketimpangan jumlah antara data normal dan data anomali. Untuk mengatasi hal ini, digunakan teknik Synthetic Minority Over-sampling Technique (SMOTE) untuk menyeimbangkan jumlah sampel antar kelas. Evaluasi model dilakukan dengan empat skema berbeda, baik menggunakan maupun tanpa SMOTE, serta dua rasio pembagian data (80:20 dan 70:30). Skema 80:20 dengan penerapan SMOTE memberikan hasil terbaik dengan akurasi 98,71%, presisi 99,87%, recall 99,87%, dan F1-score 98,73%. Hal ini menunjukkan bahwa model dapat mengenali anomali dengan tingkat sensitivitas dan ketepatan yang tinggi. Dari keseluruhan hasil tersebut, dapat disimpulkan bahwa kombinasi algoritma Isolation Forest dan Random Forest mampu memberikan solusi yang efektif dan efisien untuk mendeteksi potensi pencurian listrik pada data pelanggan yang tidak berlabel dan memiliki distribusi kelas yang tidak seimbang. Pendekatan ini berpotensi besar untuk diterapkan secara nyata oleh perusahaan listrik lainnya sebagai sistem pendeteksian dini, guna meminimalisir kerugian, meningkatkan efisiensi operasional, serta menjaga kestabilan distribusi energi nasional.