Deteksi Anomali ML untuk PLN Jatim: Validasi Lebih Terarah
PLN Jawa Timur beralih dari query manual ke deteksi anomali berbasis machine learning: data mencurigakan ditandai otomatis dan dipantau di satu dashboard.
PLN Jawa Timur mengelola data pemakaian listrik pelanggan pascabayar dan prabayar dalam jumlah besar setiap bulan. Untuk menemukan pola pemakaian yang tidak wajar, Venturo membangun J-SHIELD, web app deteksi anomali berbasis machine learning yang menandai data mencurigakan secara otomatis dan menyajikannya di satu dashboard monitoring. Proyek ini menjadi contoh nyata layanan jasa pembuatan aplikasi machine learning untuk kebutuhan operasional perusahaan utilitas.
Dengan J-SHIELD, tim tidak lagi menghitung anomali lewat rumus query lalu memeriksa hasilnya satu per satu. Model Isolation Forest memberi skor pada setiap pelanggan, sehingga tim validasi bisa langsung fokus pada data yang benar-benar perlu dicek di lapangan.
| Klien | PLN Jawa Timur |
|---|---|
| Industri | Energi & ketenagalistrikan |
| Layanan | Dedicated Team Venturo |
| Platform | Web app (dashboard monitoring & pengelolaan data anomali) |
| Tech stack | React.js (frontend), Golang (backend & API), Python (machine learning, Isolation Forest) |
| Durasi | 1 bulan |
Tantangan
Sebelum J-SHIELD, identifikasi anomali konsumsi listrik masih dikerjakan secara manual. Masalah bisnis yang dihadapi tim:
- Proses lambat. Anomali dihitung dengan rumus berbasis query untuk setiap periode, lalu hasilnya diolah lagi sebelum bisa tampil di dashboard.
- Pemeriksaan satu per satu. Setiap hasil perhitungan harus dicek ulang oleh tim untuk memastikan data itu benar-benar anomali atau bukan.
- Hasil kurang konsisten. Validasi manual membuka peluang perbedaan penilaian antarpemeriksa dan antarperiode.
- Risiko fraud terlewat. Tanpa pengenalan pola otomatis, indikasi pemakaian tidak wajar sulit terdeteksi secara optimal.
Perbandingan proses deteksi anomali PLN Jawa Timur sebelum dan sesudah memakai machine learning.
Solusi
Venturo merancang J-SHIELD sebagai satu alur kerja utuh: data ditarik dari database, dinilai oleh model machine learning, divalidasi tim, lalu hasilnya dipantau manajemen. Backend Golang menangani API dan pemrosesan data, model Python menjalankan analisis Isolation Forest, dan dashboard React menyajikan hasilnya secara interaktif.
Alur kerja sistem deteksi anomali J-SHIELD dari penarikan data hingga dashboard laporan.
Kalkulasi otomatis untuk analis data
Analis cukup memilih rentang periode bulan-tahun (BLTH), dan sistem mengkalkulasi data anomali langsung dari database. Proses yang dulu memerlukan rumus query manual kini berjalan dalam tiga langkah: tentukan periode, ambil sumber data, lalu jalankan analisis ML. Fitur ini tersedia untuk pelanggan pascabayar maupun prabayar.
Halaman import data J-SHIELD untuk mengkalkulasi anomali per periode BLTH dengan analisis machine learning.
Daftar anomali dengan ML score untuk tim validasi
Hasil analisis tampil sebagai daftar pelanggan lengkap dengan tarif/daya, merek meter, lokasi gardu, pemakaian, baseline, persentase penurunan, perbandingan dengan rata-rata gardu, dan ML score. Setiap baris langsung diberi status Normal, Warning, atau Anomali, sehingga tim tahu data mana yang harus didahulukan.
Daftar data anomali pelanggan prabayar hasil deteksi Isolation Forest di J-SHIELD. Data pada gambar adalah data contoh.
Saat sebuah baris diklik, panel detail menampilkan analisis lengkap satu pelanggan: pembelian bulan ini, baseline rata-rata tiga bulan, persentase penurunan, skor anomali, grafik tren pembelian terhadap baseline dan rata-rata gardu, serta detail lokasinya. Tim validasi bisa menilai sebuah kasus tanpa membuka banyak laporan terpisah.
Panel detail anomali pelanggan berisi ML score, baseline, dan grafik tren pembelian. Data pada gambar adalah data contoh.
Verifikasi lapangan lewat Check SPH dan Check EPM
Hasil model tidak berhenti di layar. Melalui Check SPH, status setiap pelanggan dicek dari hasil kalkulasi ML lalu dicatat ke log anomali. Melalui Check EPM, hasil verifikasi lapangan berupa status Sesuai atau Temuan dimasukkan kembali ke sistem dan memperbarui flag anomali. Dengan begitu, keputusan di lapangan dan hasil model selalu tercatat di tempat yang sama.
Halaman Check EPM untuk mencatat hasil verifikasi lapangan dan memperbarui flag anomali.
Dashboard monitoring untuk manajemen
Manajemen memantau sebaran anomali lewat Peta Anomali Jawa Timur yang bisa difilter per bulan, tahun, Unit PLN, dan Unit UP. Titik hijau menandai pelanggan dengan hasil EPM normal, titik merah menandai temuan anomali.
Dashboard deteksi anomali J-SHIELD dengan peta sebaran anomali konsumsi listrik di Jawa Timur.
Di bawahnya, tabel Rekap Kinerja Unit merangkum jumlah target operasi (TO) anomali dan warning, hasil pemeriksaan, temuan per kategori, saldo TO, perolehan kWh, dan hit-rate untuk setiap unit. Ringkasan angka di bagian bawah memberi gambaran kinerja seluruh unit dalam sekali lihat.
Rekap kinerja unit berisi jumlah target operasi, hasil pemeriksaan, dan hit-rate per unit PLN. Data pada gambar adalah data contoh.
Keunggulan
- Deteksi anomali otomatis. Isolation Forest mengenali pola pemakaian yang menyimpang dari baseline pelanggan dan rata-rata gardu, tanpa rumus query yang ditulis ulang setiap periode.
- Indikasi fraud lebih cepat terlihat. Pelanggan dengan penurunan pemakaian atau pembelian yang tidak wajar langsung ditandai Anomali atau Warning, lengkap dengan skornya.
- Validasi terarah. Tim memeriksa data berdasarkan prioritas skor, bukan seluruh data satu per satu, dan hasil verifikasi lapangan tercatat kembali di sistem.
- Penilaian konsisten. Semua pelanggan dinilai dengan model dan kriteria yang sama di setiap periode.
- Analisis dan pelaporan fleksibel. Filter lengkap (status, tarif, unit, gardu, rentang daya, rentang ML score, pelanggan potensial, riwayat anomali) dan ekspor Excel memudahkan penyusunan laporan.
Filter data anomali berdasarkan status, tarif, unit, gardu, daya, dan rentang ML score di J-SHIELD.
Hasil
J-SHIELD selesai dibangun dalam satu bulan oleh Dedicated Team Venturo. Perubahan utama yang dirasakan tim PLN Jawa Timur:
- Perhitungan anomali kini berjalan otomatis dari database per periode, tanpa query manual.
- Tim validasi bekerja dari daftar prioritas berbasis ML score, bukan memeriksa seluruh data satu per satu.
- Seluruh pelanggan pascabayar dan prabayar dinilai dengan model yang sama, sehingga hasilnya lebih konsisten.
- Hasil deteksi, verifikasi lapangan, dan kinerja tiap unit tersaji di satu dashboard yang siap dipakai untuk mengambil keputusan.
Butuh sistem berbasis machine learning untuk data operasional Anda?
Banyak perusahaan menyimpan data yang sebenarnya bisa bekerja lebih keras: mendeteksi kejanggalan, memprediksi risiko, atau memprioritaskan pekerjaan tim. Venturo membantu merancang model dan membangun aplikasinya sekaligus, dari backend, mesin analisis, hingga dashboard yang dipakai sehari-hari. Lihat juga studi kasus Aplikasi Edukasi AI untuk Siswa: Geometri Jadi Interaktif sebagai contoh proyek AI kami yang lain.
Jika Anda ingin memulai proyek serupa dengan tim yang langsung siap bekerja, kenali layanan Dedicated Team yang bekerja seperti tim internal Anda dan konsultasikan kebutuhan Anda bersama kami.
