Pemodelan dan Prediksi Indikasi Pelanggaran Pemakaian Energi Listrik menggunakan Convolutional Neural Network

Achiru, Mujammal (2025) Pemodelan dan Prediksi Indikasi Pelanggaran Pemakaian Energi Listrik menggunakan Convolutional Neural Network. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6047222041-Master_Thesis.pdf Restricted to Repository staff only until 1 April 2027. Download (1MB) | Request a copy

Abstract

Pemodelan dan prediksi indikasi pelanggaran pemakaian energi listrik merupakan langkah penting dalam mengidentifikasi penggunaan energi yang tidak wajar, yang memungkinkan PT PLN (Persero) untuk mencegah atau menertibkan penyalahgunaan tersebut. Penertiban Pemakaian Tenaga Listrik (P2TL) yang efektif dapat meningkatkan efisiensi sistem penyaluran tenaga listrik dan mendukung keberlanjutan pendapatan perusahaan. Dengan adanya pemodelan ini, PT PLN (Persero) dapat menentukan Sasaran Operasi (SO) secara lebih akurat, sehingga proses penertiban dapat dilaksanakan lebih efektif dan efisien. Salah satu tantangan utama dalam pemodelan ini adalah kompleksitas data yang digunakan, yang sangat beragam dan berasal dari berbagai sumber. Data pemakaian energi listrik ini mencakup berbagai informasi yang memerlukan pengolahan yang teliti dan mendalam. Proses ini memerlukan pemahaman yang kuat mengenai konsep statistika, analisis data, serta keterampilan dalam penggunaan perangkat lunak dan bahasa pemrograman yang tepat untuk menghasilkan prediksi yang akurat dan dapat diandalkan. Penelitian ini menggunakan metode Convolutional Neural Network (CNN) untuk memodelkan dan memprediksi indikasi pelanggaran pemakaian energi listrik. CNN dipilih karena kemampuannya dalam mengidentifikasi pola-pola yang tersembunyi dalam data yang besar dan kompleks. Hasil penelitian ini menunjukkan bahwa model CNN yang dibangun mampu memberikan prediksi yang baik terhadap indikasi pelanggaran penggunaan energi listrik. Dibandingkan dengan Sasaran Operasi (SO) sebelumnya, model CNN menunjukkan efektivitas yang lebih tinggi, dengan hit rate sebesar 17% berbanding 9%. Dengan demikian, hasil penelitian ini diharapkan dapat memberikan kontribusi signifikan bagi PT PLN (Persero) dalam meningkatkan akurasi penentuan Sasaran Operasi (SO) sehingga pelaksanaan penertiban dapat dilaksanakan lebih tepat sasaran dan efektif.
=================================================================================================================================
Modeling and predicting indications of electricity consumption violations is a crucial step in identifying irregular energy usage, enabling PT PLN (Persero) to prevent or address such misuse. Effective enforcement of Electricity Usage Control (P2TL) can enhance the efficiency of the electricity distribution system and support the sustainability of the company's revenue. Through this modeling, PT PT PLN (Persero) can more accurately determine Operational Targets (SO), thus making the enforcement process more effective and efficient. One of the main challenges in this modeling is the complexity of the data, which is diverse and sourced from various platforms. The electricity consumption data involves multiple pieces of information that require careful and thorough processing. This process demands a strong understanding of statistical concepts, data analysis, and proficiency in software tools and programming languages to generate accurate and reliable predictions. This study uses the Convolutional Neural Network (CNN) method to model and predict indications of electricity consumption violations. CNN was chosen for its ability to identify hidden patterns in large and complex datasets. The results show that the developed CNN model can provide accurate predictions of electricity consumption violations. Compared to the previous Operational Target (SO), the CNN model shows higher effectiveness, with a hit rate of 17% compared to 9%. As a result, the findings of this study are expected to contribute significantly to PT PLN (Persero) by improving the accuracy of Operational Target (SO) determination, ensuring that the enforcement process is more targeted and effective.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	pemodelan, prediksi, pelanggaran, Penertiban Pemakaian Tenaga Listrik (P2TL), Sasaran Operasi (SO), CNN, PT PLN (Persero), modeling, prediction, violations, Electricity Usage Control (P2TL), Operational Targets (SO)
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK3030 Electric power distribution systems
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 78201-System And Technology Innovation
Depositing User:	Mujammal Achiru
Date Deposited:	31 Jan 2025 07:38
Last Modified:	31 Jan 2025 07:38
URI:	http://repository.its.ac.id/id/eprint/117456

Actions (login required)

View Item