MODEL BAYESIAN NETWORK UNTUK MENGANALISIS FAKTOR- FAKTOR PENYEBAB NON-TECHNICAL LOSSES PADA DISTRIBUSI ENERGI LISTRIK

Prosiding Seminar Nasional Manajemen Teknologi XXI Program Studi MMT-ITS, Surabaya 19 Juli 2014

MODEL BAYESIAN NETWORK UNTUK MENGANALISIS FAKTORFAKTOR PENYEBAB NON-TECHNICAL LOSSES PADA DISTRIBUSI ENERGI LISTRIK Achmad Fauqy Ashari 1), Erma Suryani 2), dan Arif Wibisono 3) 1) Program Studi Magister Teknik Informatika, Institut Teknologi Sepuluh Nopember, Jl. Raya ITS, Surabaya, 60111, Indonesia e-mail: [email protected] 2,3) Jurusan Sistem Informasi, Institut Teknologi Sepuluh Nopember ABSTRAK Perkembangan infrastruktur ketenagalistrikan yang ditingkatkan setiap tahunnya masih belum mampu mencukupi kebutuhan energi listrik dalam negeri. Sehubungan dengan permasalahan tersebut, maka salah satu cara untuk dapat mengatasinya adalah dengan menekan losses. Losses merupakan energi listrik yang hilang akibat masalah teknis atau technical losses (TL) dan non-teknis atau non-technical losses (NTL). NTL berkebalikan dengan TL yang terjadi secara alamiah, sehingga NTL dapat dicegah melalui penanganan yang tepat. Untuk dapat menangani permasalahan NTL pada bagian distribusi energi listrik, maka dibutuhkan model yang dapat menggambarkan akar permasalahan serta faktor-faktor penyebab. Penelitian ini menghasilkan model bayesian network (BN) yang reliabel dan valid menggambarkan faktorfaktor terkait NTL khususnya kategori electricity theft. Studi ini menghasilkan kesimpulan bahwa penanganan yang paling tepat untuk mengantisipasi faktor penyebab electricity theft adalah digital metering, pengelolaan KWh Meter dan P2TL, dimana jenis penanganan tersebut bergantung pada jenis tindakan pencurian energi listrik yang terbagi atas lima kategori. Lebih lanjut, faktor yang paling berpengaruh terhadap electricity theft adalah faktor certain event. Kata kunci: Distribusi Energi Listrik, Non-Technical Losses, Electricity Theft, Bayesian Network

PENDAHULUAN Tenaga listrik sebagai salah satu bentuk sumber daya energi memiliki berbagai kelebihan kualitatif dibandingkan dengan sumber daya energi primer lainnya seperti gas dan bahan bakar minyak. Berdasarkan data pemakaian energi final menurut jenisnya yang dihimpun Kementrian Energi dan Sumber Daya Mineral Republik Indonesia (KESDM RI, 2009), tingkat pemakaian tenaga listrik di Indonesia pada tahun 2008 mencapai 14,2% dari seluruh pemakaian energi. Persentase tersebut menempatkan tenaga listrik sebagai kebutuhan masyarakat urutan ketiga setelah bahan bakar minyak (47,1%) dan gas (21,0%). Selama ini pemenuhan tenaga listrik di Indonesia tidak hanya dilakukan oleh PT PLN (Persero) sebagai badan penyedia ketenagalistrikan nasional sesuai dengan Peraturan Pemerintah No.17 mengenai status Perusahaan Listrik Negara (PLN) yang ditetapkan sebagai Perusahaan Umum Listrik Negara dan sebagai Pemegang Kuasa Usaha Ketenagalistrikan (PKUK) (PT PLN, 2011), akan tetapi juga dilakukan oleh pihak swasta, koperasi, dan BUMD. Pada kenyataannya, perkembangan infrastruktur ketenagalistrikan yang terus ditingkatkan setiap tahunnya masih belum mampu mencukupi kebutuhan energi listrik dalam negeri. Tingginya pertumbuhan permintaan akan tenaga yang tidak dapat diimbangi oleh pertumbuhan ISBN : 978-602-70604-0-1 C-6-1


penyediaan tenaga listrik telah menyebabkan timbulnya kondisi krisis penyediaan tenaga listrik di beberapa daerah, hal ini menyebabkan terhambatnya perkembangan ekonomi daerah tersebut pada khususnya dan nasional pada umumnya. Sehubungan dengan permasalahan tersebut, maka salah satu cara untuk dapat memenuhi kebutuhan akan tenaga listrik khususnya di Indonesia adalah dengan meningkatkan efisiensi pendistribusian energi listrik melalui penekanan terhadap losses. Losses atau susut, merupakan energi listrik yang hilang selama proses transformasi atau transmisi hingga distribusi energi listrik, akibat masalah teknis yang kemudian disebut technical losses (TL) dan masalah non-teknis yang kemudian disebut non-technical losses (NTL). Berdasarkan laman resmi KESDM RI (KESDM RI, 2012), Pemerintah akan terus berupaya menurunkan losses PT PLN (Persero), pada tahun 2013 losses secara nasional ditargetkan hanya 8,5%. Pada bagian transmisi, umumnya losses yang terjadi saat ini adalah technical losses (TL) dengan besaran sekitar 2,1-2,2%, sehingga permasalahan utama adalah pada bagian distribusi. NTL berkebalikan dengan TL yang terjadi secara alamiah, sehingga NTL tidak hanya dapat diminimalisasi saja, tetapi juga dapat dicegah melalui penanganan yang tepat (Ibrahim, 2000). NTL atau susut non-teknis, terjadi akibat faktor eksternal dari infrastruktur ketenagalistrikan seperti pencurian energi listrik, kesalahan pencatatan meter pelanggan, konfigurasi jaringan, dan lain sebagainya (Nagi, 2010). Untuk dapat mengurangi NTL pada bagian distribusi energi listrik, maka dibutuhkan suatu model yang dapat menggambarkan akar permasalahan, faktor-faktor penyebab, serta pola yang terjadi terkait dengan NTL khususnya pencurian energi listrik. Oleh karenanya studi ini bertujuan untuk mengembangkan model bayesian network yang dapat digunakan untuk analisis faktor penyebab NTL tersebut. Bayesian network (BN) merepresentasikan interaksi antar variabel atau faktor kedalam bentuk jaringan yang dapat dibangun berdasarkan pengetahuan (knowledge), data, ataupun kombinasi keduanya. Dua keunggulan utama dari pendekatan ini adalah kemampuannya yang memungkinkan pengetahuan pakar (expert knowledge) untuk dapat dimasukkan kedalam model, serta memungkinkan manusia untuk dapat memahami dan menafsirkan model dengan mudah (Johansson, 2007). Beberapa peneliti yang menggunakannya seperti (Cruz, 2007); (Sahin, 2007); (Tylman, 2008); (Melo, 2008); (Li, 2013) telah membuktikan bahwa pendekatan ini dapat digunakan untuk membantu dalam proses pengidentifikasian berbagai permasalahan pada berbagai bidang atau displin ilmu. Hasil akhir dari penelitian ini adalah model BN yang dapat digunakan untuk menganalisis akar permasalahan, faktor-faktor penyebab, serta pola dari NTL yang terjadi pada bagian distribusi energi listrik serta dapat membantu pihak-pihak terkait dalam memberikan rekomendasi penanganan terkait NTL pada distribusi energi listrik tersebut. METODE Metodologi yang digunakan penulis sebagai panduan pengerjaan penelitian terbagi atas empat tahapan utama yaitu observasi, analisis dan desain, validasi dan implementasi, analisis hasil dan simpulan. Tahap Observasi Tahapan ini meliputi serangkaian proses studi literatur, observasi, dan wawancara dengan para pakar. Para pakar yang menjadi narasumber utama dalam penelitian ini adalah pihak operasional PT PLN (Persero) yang terjun langsung dalam penanganan NTL. Tahap ini dilakukan untuk mendapatkan data yang dibutuhkan dan gambaran langsung mengenai objek penelitian. Selanjutnya, dilakukan proses identifikasi faktor-faktor terkait permasalahan NTL yang kemudian digunakan sebagai input pada tahapan selanjutnya. ISBN : 978-602-70604-0-1 C-6-2


Tahap Analisis dan Desain Tahapan ini meliputi proses analisis untuk menghasilkan faktor-faktor terkait NTL sebagai komponen penyusun causative diagram. Lebih lanjut, pada tahap ini menghasilkan desain kuisioner sesuai dengan model causative diagram tersebut. Peneliti melakukan survey terhadap 30 responden terkait dengan NTL untuk mengartikulasi tacit knowledge mereka. Secara umum penerapan metode BN pada penelitian ini sama seperti yang dilakukan oleh (Bastos, 2009) yang juga menerapkan metode yang sama untuk kasus NTL, hanya saja terdapat perbedaan pada tujuan penelitian dimana pada penelitian tersebut, peneliti sebelumnya bertujuan mencari korelasi antara faktor consumer group dan religion terhadap NTL. Sementara pada penelitian ini bertujuan untuk menganalisis faktor-faktor penyebab NTL, disamping adanya pembentukan conditional probability table (CPT) yang tidak terdapat pada penelitian sebelumnya. Tahap Validasi dan Implementasi Tahapan ini meliputi proses validasi terhadap data primer penelitian yang berupa kuisioner, dengan tujuan untuk menghasilkan model BN yang reliabel dan valid melalui proses uji realibilitas dan validitas. Uji realibilitas bertujuan untuk mengetahui apakah hasil pengukuran dari kuesioner relatif konsisten dan dapat dipercaya. Uji validitas bertujuan untuk mengukur apa yang diinginkan dan mengungkap data dari variabel yang diteliti secara tepat (Sugiyono, 2012). Proses pada tahap ini akan berlanjut jika hasil analisis tersebut menghasilkan data yang valid dan reliabel. Langkah selanjutnya adalah pembentukan CPT yang berdasarkan dua sumber data, yaitu data primer yang diperoleh berdasarkan hasil kuisioner dan kedua adalah data sekunder yang diperoleh berdasarkan data historis dan studi literatur. Proses akhir dari tahap ini adalah analisis sentivitas (sensitivity analysis) yang berfungsi untuk melihat suatu pengaruh yang terjadi akibat suatu keadaan yang berubah. Pada studi ini, analisis sensitivitas digunakan untuk melihat keterkaitan suatu node dengan node lainnya yang didasarkan pada fungsi entropy, sehingga dapat dicari suatu node yang paling berpengaruh terhadap node lainnya (Marcot, 2012). Tahap Analisis Hasil dan Simpulan Tahapan ini terdiri atas rangkaian proses analisis dan pembahasan terhadap hasil penelitian. Proses tersebut untuk mendapatkan kesimpulan dari hasil penelitian dan rekomendasi bagi pihak terkait dengan model BN sehingga membantu mereka dalam menemukan akar permasalahan, faktor-faktor penyebab, serta pola NTL pada distribusi energi listrik. HASIL DAN DISKUSI Faktor-Faktor Penyebab NTL Tujuan penelitian ini berfokus kepada faktor utama penyebab NTL, yaitu unpaid energy yang kemudian disebut dengan electricity theft, adalah energi yang tidak terbayarkan yang bersumber dari tidak adanya pembayaran dikarenakan penggunaan energi listrik secara ilegal atau pencurian energi listrik. Berdasarkan penelitian (Suryamongkol, 2002), pendapat Pakar Hukum (Sutrisni, 2012), serta Pakar Ketenagalistrikan (Romi, 2013), menghasilkan beberapa kategori dalam tindakan pelangggaran atau pencurian energi listrik, khususnya pada bagian distribusi sebagai berikut: 1. Pencurian Kategori 1, adalah segala bentuk tindakan pelanggaran atau pencurian yang berkaitan dengan segel atau yang biasa disebut dengan segel tera yang terpasang pada ISBN : 978-602-70604-0-1 C-6-3


2. 3. 4. 5.

Alat Pengukur dan Pembatas (APP), namun pelanggaran pada kategori ini tidak mempengaruhi batas daya dan tidak mempengaruhi pengukuran energi. Pencurian Kategori 2, adalah segala bentuk tindakan pelanggaran atau pencurian yang mempengaruhi batas daya listrik. Pencurian Kategori 3, adalah segala bentuk tindakan pelanggaran atau pencurian yang mempengaruhi pengukuran energi listrik. Pencurian Kategori 4, adalah segala bentuk tindakan pelanggaran atau pencurian yang bukan berasal dari kesalahan pelanggan. Pencurian Kategori 5, adalah segala bentuk tindakan pelanggaran yang berkaitan dengan pengalihan fungsi atau tarif.

Beberapa komponen atau faktor yang secara langsung atau tidak langsung dapat mempengaruhi NTL yang menjadi fokus penelitian adalah seperti yang ditunjukkan pada Gambar 1 yang merupakan causative diagram yang menggambarkan faktor penyebab NTL dimana setiap faktor memilki state masing-masing. Control Theft Categories

Handled Successfully Other Factors Electricity Theft RegisteredConsumerTypes

Recording Meter Types

Certain Event

Education

Occupation

Power Consumption

Industrial Types

Calendar

IslamicCalendar

Gambar 1. Causative Diagram Electricity Theft

Dari hasil pengujian reliabilitas didapatkan hasil bahwa faktor “Industrial Types” adalah tidak reliabel sehingga harus dihapuskan dari desain awal model. Dari hasil pengujian validitas didapatkan hasil bahwa state “No School” dan “Post Graduate” pada faktor education, serta state “Cigarette” dan “Others” adalah tidak valid, sehingga harus dihapuskan dari desain awal model BN.

ISBN : 978-602-70604-0-1 C-6-4


Model Bayesian Network Control Digital_Metering Cables_Management Trafo_Management Recording_Meter_Managem... Mechanical_Training Routine_Supervision

Handled_successfully TheftCategories Individual 69.1 Group 30.9

Yes No

36.6 63.4

Other_factors Equipment_Availability 25.0 Schedule_of_Control 25.0 Handling_Time 25.0 HR_Availability 25.0

ElectricityTheft Category_1 14.8 Category_2 23.9 Category_3 47.9 Category_4 10.8 Category_5 2.64

Recording_meter_types Manual 53.8 Digital 46.2 EducationalStatus Primary_School 8.90 Middle_School 13.5 High_School 31.3 Diploma 24.8 Graduate 21.5

RegisteredConsumerTypes Household Industry

CertainEvent Religious_Festival Wedding Harvest Special_Interest Calendar

January February March April May June July August September October November December

8.09 8.50 8.50 8.50 8.50 8.50 8.30 8.30 8.30 8.30 8.10 8.10

12.9 28.7 5.32 53.1 IslamicCalendar

Muharram Safar Rabbiul_Awal Rabbiul_Akhir Jumadil_Awal Jumadil_Akhir Rajab Syaban Ramadan Shawwal Dzulqoidah Dzulhijjah

76.4 23.6

16.7 16.7 16.7 16.7 16.7 16.7

Power_consumption Low 51.9 Medium 32.5 High 15.6

Occupation Peasant 6.63 Fisherman 4.98 Unemployed 2.31 Government_Officer 5.42 Self_Employed 39.3 Private_Employee 41.3

9.56 7.72 9.56 7.72 7.72 7.72 7.72 7.72 9.56 7.72 7.72 9.56

Gambar 2. Model BN Electricity Theft

Pada model BN yang telah dihasilkan seperti yang ditunjukkan pada Gambar 2, dapat dilakukan suatu pengujian melalui proses inference yang berdasarkan pada perhitungan joint probability, untuk mendapatkan suatu knowledge yang terbagi atas lima skenario. Pada skenario pertama, berfokus kepada faktor teknik pencurian energi listrik kategori 1. Hasil menunjukkan bahwa penanganan yang paling tepat untuk menangani teknik pencurian energi listrik kategori 1 adalah melalui digital metering dengan probabilitas 30,5%. Lebih lanjut, pola antar node yang terjadi pada skenario ini, 85,7% teknik ini dilakukan secara individu, dan 78,4% dilakukan oleh pelanggan rumah-tangga, khususnya 58,5% pelaku merupakan pekerja swasta dengan latar pendidikan Diploma (33,3%), SMA (28,4%), SMP (27,2%), dengan 53,9% dilakukan terhadap KWh Meter tipe konvensional. Selain itu, pencurian energi listrik kategori 1 ini umumnya terjadi pada bulan-bulan hijriyah tertentu yaitu Muharram, Rabbiul Awal, Ramadan, dan Dzulhijah dengan masing-masing probabilitas 11,5%, yang biasanya terjadi pada acara keagamaan dan keperluan pribadi dengan masingmasing probabilitas 33,3%, serta pernikahan dengan probabilitas 31%. Rekomendasi untuk pihak terkait berdasarkan hasil skenario pertama adalah perlunya peningkatan intensitas dan kualitas penanganan melalui digital metering dan pengelolaan KWh Meter khususnya pada acara-acara keagamaan, pernikahan, ataupun keperluan pribadi yang biasanya terjadi pada bulan-bulan Muharram, Rabbiul Awal, Ramadhan, dan Dzulhijah, dengan sasaran utama pelanggan rumah-tangga berdaya listrik rendah (<1300 Watt) khususnya yang berlatar belakang pekerjaan pegawai swasta atau berlatar belakang pendidikan SMP hingga Diploma. Pada skenario kedua, berfokus kepada faktor teknik pencurian energi listrik kategori 2. Hasil menunjukkan bahwa penanganan yang paling tepat untuk menangani teknik pencurian energi listrik kategori 2 adalah melalui digital metering dengan probabilitas 26,6%. Lebih lanjut, pola antar node yang terjadi pada skenario ini, 53,7% teknik ini dilakukan secara individu, dan 50,9% dilakukan oleh pelanggan rumah-tangga, serta 44,1% dilakukan oleh pelaku yang berlatar belakang pekerjaan wiraswasta dengan latar pendidikan SMA (31,7%), SMP (30,5%), dan SD (29,3%). Selain itu, pencurian energi listrik kategori 2 ini umumnya terjadi pada acara pernikahan dengan probabilitas 77,8%. Rekomendasi untuk pihak terkait berdasarkan hasil skenario kedua adalah perlunya peningkatan intensitas dan kualitas penanganan melalui digital metering, pengelolaan KWh Meter, pelatihan mekanik, dan P2TL khususnya pada acara-acara pernikahan, dengan sasaran utama pelanggan rumah-tangga ISBN : 978-602-70604-0-1 C-6-5


berdaya listrik rendah (<1300 Watt) hingga sedang (1300-3500 Watt) yang berlatar belakang pekerjaan wiraswasta dan pegawai swasta atau berlatar belakang pendidikan SD hingga SMA. Pada skenario ketiga, berfokus kepada faktor teknik pencurian energi listrik kategori 3. Hasil menunjukkan bahwa penanganan yang paling tepat untuk menangani teknik pencurian kategori 3 adalah melalui pengelolaan KWh Meter dengan probabilitas 37,9%, Lebih lanjut, pola antar node yang terjadi pada skenario ini, 84,4% teknik ini dilakukan secara individu, dan 93,3% dilakukan oleh pelanggan rumah-tangga, serta 53,7% dilakukan terhadap KWh Meter tipe konvensional. Lebih lanjut, 43,9% dilakukan oleh pelaku yang berlatar belakang pekerjaan wiraswasta dan diikuti dengan latar belakang pekerjaan pegawai swasta sebesar 38,6%, dimana pelaku memiliki latar pendidikan SMA (32,5%), Sarjana (31,3%), dan Diploma (30%). Selain itu, pencurian energi listrik kategori 3 ini umumnya terjadi untuk keperluan pribadi dengan probabilitas 84,9%. Rekomendasi untuk pihak terkait berdasarkan hasil skenario ketiga adalah perlunya peningkatan intensitas dan kualitas penanganan melalui pengelolaan KWh Meter, P2TL, dan pelatihan mekanik dengan sasaran utama pelanggan rumah-tangga berdaya listrik rendah (<1300 Watt) hingga sedang (1300-3500 Watt) yang berlatar belakang pekerjaan wiraswasta dan pegawai swasta atau berlatar belakang pendidikan SMA hingga Sarjana. Pada skenario keempat, berfokus kepada faktor teknik pencurian energi listrik kategori 4. Hasil menunjukkan bahwa penanganan yang tepat untuk menangani teknik pencurian kategori 4 adalah melalui pelatihan mekanik dengan probabilitas 36,9%. Lebih lanjut, pola antar node yang terjadi pada skenario ini, 89,7% teknik ini dilakukan secara kelompok, dengan 60% dilakukan terhadap KWh Meter tipe konvensional. Lebih lanjut, 43,3% dilakukan oleh pelaku yang berlatar belakang pekerjaan pegawai swasta dan diikuti dengan latar belakang pekerjaan wiraswasta sebesar 40%, dimana pelaku memiliki latar pendidikan Sarjana (35,1%), Diploma (32,5%), dan SMA (28,6%). Selain itu, pencurian energi listrik kategori 4 ini umumnya terjadi pada bulan-bulan hijriyah tertentu yaitu Muharram, Rabbiul Awal, Ramadan, dan Dzulhijah dengan masing-masing probabilitas 11,2%, yang biasanya digunakan untuk keperluan pribadi dan acara pernikahan dengan masing-masing probabilitas sebesar 33,7%, dan diikuti dengan acara keagamaan dengan probabilitas sebesar 30,1%. Rekomendasi untuk pihak terkait berdasarkan hasil skenario keempat adalah perlunya peningkatan intensitas dan kualitas penanganan melalui pelatihan mekanik, pengelolaan KWh Meter, dan P2TL khususnya pada acara-acara keagamaan, pernikahan, ataupun keperluan pribadi yang biasanya terjadi pada bulan-bulan Muharram, Rabbiul Awal, Ramadhan, dan Dzulhijah, dengan sasaran utama pelanggan yang berlatar belakang pekerjaan pegawai swasta dan wiraswasta atau berlatar belakang pendidikan SMA hingga Sarjana. Pada skenario kelima, berfokus kepada faktor teknik pencurian energi listrik kategori 5. Hasil menunjukkan bahwa penanganan yang paling tepat untuk menangani teknik pencurian energi listrik kategori 5 adalah melalui P2TL dengan probabilitas 33,3%. Lebih lanjut, pola antar node yang terjadi pada skenario ini, 78,6% teknik ini dilakukan secara individu, dan 96,7% dilakukan oleh pelanggan rumah-tangga, dengan 62,5% dilakukan terhadap KWh Meter tipe konvensional. Lebih lanjut, 36,4% dilakukan oleh pelaku yang berlatar belakang pekerjaan wiraswasta dan diikuti dengan latar belakang pekerjaan swasta sebesar 22,7%, dimana pelaku memiliki latar pendidikan SMA (32,5%), Diploma (31,3%), dan Sarjana (30,1%). Selain itu, pencurian energi listrik kategori 4 ini umumnya terjadi pada bulan-bulan hijriyah tertentu yaitu Muharram, Rabbiul Awal, Ramadan, dan Dzulhijah dengan masing-masing probabilitas 10,1%, yang biasanya digunakan untuk keperluan pribadi dengan probabilitas sebesar 45,5%. Rekomendasi untuk pihak terkait berdasarkan hasil skenario kelima adalah perlunya peningkatan intensitas dan kualitas penanganan melalui P2TL khususnya pada bulan-bulan Muharram, Rabbiul Awal, Ramadhan, dan Dzulhijah, dengan ISBN : 978-602-70604-0-1 C-6-6


sasaran utama pelanggan rumah-tangga berdaya listrik rendah (<1300 Watt) hingga sedang (1300-3500 Watt) yang berlatar belakang pekerjaan wiraswasta dan pegawai swasta atau berlatar belakang pendidikan SMA hingga Sarjana. Analisis Sensitivitas Analisis sensitivitas yang dilakukan pada model BN faktor electricity theft Studi ini menghasilkan kesimpulan bahwa faktor yang paling berpengaruh terhadap faktor electricity theft adalah faktor certain event. Untuk mengetahui besarnya pengaruh faktor certain event terhadap faktor electricity theft, maka hasil pengujian terhadap model BN sebagai berikut: 1. Untuk setiap penambahan event religious festival, dapat meningkatkan potensi electricity theft kategori 1 sebesar 23,5%. 2. Untuk setiap penambahan event wedding, dapat meningkatkan potensi electricity theft kategori 2 sebesar 40,7%. 3. Untuk setiap penambahan event harvest, dapat meningkatkan potensi electricity theft kategori 3 sebesar 6,6%. 4. Untuk setiap penambahan event special interest, dapat meningkatkan potensi electricity theft kategori 3 sebesar 40,7%. KESIMPULAN DAN SARAN Kesimpulan dari penelitian ini adalah sebagai berikut: 1. Penanganan yang tepat dalam menangani teknik pencurian kategori 1 adalah digital metering. Penanganan yang tepat dalam menangani teknik pencurian kategori 2 adalah digital metering. Penanganan yang tepat dalam menangani teknik pencurian kategori 3 adalah pengelolaan KWh Meter. Penanganan yang tepat dalam menangani teknik pencurian kategori 4 adalah pelatihan mekanik. Penanganan yang tepat dalam menangani teknik pencurian kategori 5 adalah melalui P2TL. 2. Berdasarkan hasil analisis senstivitas terkait faktor penyebab electricity theft, disimpulkan bahwa faktor yang paling berpengaruh adalah faktor certain event. Sehubungan dengan kesimpulan tersebut, maka beberapa saran yang dapat dipertimbangkan untuk pengembangan penelitian lebih lanjut adalah sebagai berikut: 1. Pengembangan model BN melalui penambahan atau pembaharuan dataset, state, maupun faktor lain yang relevan (seperti: aspek cuaca, teknologi, dsb) untuk memperbaiki akurasi, meningkatkan kompleksitas serta menambah kontribusi model. 2. Pengembangan model BN terkait dengan faktor TL (technical losses) pada distribusi energi listrik, sehingga dapat terintegrasi dengan model BN yang dihasilkan pada penelitian ini. DAFTAR PUSTAKA Bastos, P. R., Souza, B. A., & Ferreira, N. (2009). Diagnosis of Nontechnical Energy Losses Using Bayesian Networks. International Conference on Electricity Distribution. Cruz-Ramíreza, Nicandro & et all. (2007). Diagnosis of breast cancer using Bayesian networks: A case study. Computers in Biology and Medicine 37, 1553-1564. Ibrahim, E. S. (2000). Management of loss reduction projects for power distribution systems. Electric Power Systems Research 55 , 49-56.

ISBN : 978-602-70604-0-1 C-6-7


Johansson, F., & Falkman, G. (2007). Detection of vessel anomalies - a Bayesian network approach. (pp. 395-400). Skövde: School of Humanities and Informatics, University of Skövde. KESDM RI. (2009). Master Plan Pembangunan Ketenagalistrikan 2010 s.d 2014. Jakarta: KESDM RI. KESDM RI. (2012, October 1). Tahun 2013, Susut Jaringan (Losses) 8,5%. Retrieved March 1, 2013, from KESDM RI: http://www.esdm.go.id/berita/listrik/39-listrik/5973-tahun2013-susut-jaringan-losses-85-.html Li, D., Yang, H. Z., & Liang, X. F. (2013). Prediction analysis of a wastewater treatment system using a Bayesian network. Environmental Modelling & Software 40, 140-150. Marcot, B. G. (2012). Metrics for evaluating performance and uncertainty of Bayesian network models. Ecological Modelling 230, 50-62. Melo, A. C., & Sanchez, A. J. (2008). Software maintenance project delays prediction using Bayesian Networks. Expert Systems with Applications 34 , 908–919. Nagi, J., Yap, K. S., Tiong, S. K., Ahmed, S. K., & Mohamad, M. (2010). Nontechnical Loss Detection for Metered Customers in Power Utility Using Support Vector Machines. IEEE TRANSACTIONS ON POWER DELIVERY VOL.25, 1162-1171. PT PLN. (2011). Profil Perusahaan. Retrieved June 3, 2013, from PT PLN (Persero): http://www.pln.co.id/?p=102 Romi, R. (2013, Juni). Non-Technical Losses di Kepulauan Madura. (A. F. Ashari, Interviewer). Sahin, F., Yavuz, M., Arnavut, Z., & Uluyol, O. (2007). Fault diagnosis for airplane engines using Bayesian networks and distributed particle swarm optimization. Parallel Computing 33, 124-133. Sugiyono. (2012). Metode Penelitian Pendidikan (Pendekatan Kuantitatif, Kualitatif dan R&D). Bandung: Alfabeta. Suryamongkol, D. (2002). Non-Technical Losses in Electrical Power Systems. Ohio: Ohio University. Sutrisni. (2012). Tinjauan Yuridis Tentang Pencurian Aliran Listrik . In Jendela Hukum Vol.5 (pp. 2-25). Sumenep: Universitas Wiraraja. Tylman, W. (2008). Anomaly-Based Intrusion Detection Using Bayesian Networks. Third International Conference on Dependability of Computer Systems DepCoSRELCOMEX (pp. 211-218). Wroclaw University of Technology.

ISBN : 978-602-70604-0-1 C-6-8

MODEL BAYESIAN NETWORK UNTUK MENGANALISIS FAKTOR- FAKTOR PENYEBAB NON-TECHNICAL LOSSES PADA DISTRIBUSI ENERGI LISTRIK

Recommend Documents