JURNAL TEKNIK POMITS Vol. 1, (2012) 1-5
1
Pembuatan Aplikasi Pendeteksi Anomali Pada Pola Konsumsi Listrik Pelanggan Kota Surabaya Menggunakan Algoritma Klasterisasi Berbasis Densitas Achmad Zainuddin Zakariya, Arif Djunaidy, Renny Pradina Kusumawardani Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Surabaya, 60111, Indonesia Telp: (031) 5939214, Fax : (031) 5964965 E-mail :
[email protected]
Abstrak— Pemantauan konsumsi tenaga listrik merupakan salah satu usaha yang dilakukan oleh PT. PLN (Persero) Distribusi Jawa Timur untuk menghindari terjadinya penggunaan listrik secara ilegal atau pencurian listrik oleh pelanggan. Pada saat ini pemantauan dilakukan dengan mendeteksi pelanggan yang konsumsi listriknya pada bulan terakhir mengalami kenaikan yang signifikan dibandingkan dengan bulan sebelumnya. Cara deteksi anomali konsumsi listrik seperti ini kurang efektif dan kurang memadai karena deteksi anomali hanya didasarkan pada pola konsumsi listrik dua bulan terakhir. Dalam tugas akhir ini dibuat aplikasi pendeteksi anomali pada pola konsumsi listrik pelanggan menggunakan algoritma klasterisasi berbasis densitas. Dalam aplikasi ini, deteksi anomali dilakukan dengan membandingkan beberapa atribut data pelanggan yang merepresentasikan pola konsumsi listrik dari setiap pelanggan di suatu area pada kurun waktu tertentu. Berdasarkan perbandingan nilai masing-masing atribut tersebut, aplikasi pendeteksi anomali berbasis densitas akan mengelompokkan sejumlah pelanggan yang memiliki kedekatan pola konsumsi listrik sampai dengan nilai minimum tertentu. Kelompok pelanggan yang tidak memenuhi nilai minimum tersebut akan dianggap sebagai pelanggan dengan pola konsumsi listrik yang mengalami anomali. Aplikasi pendeteksi anomali berbasis densitas berbasis web yang telah berhasil
diimplementasikan diujicobakan terhadap satu set data pelanggan PT PLN (Persero) Distribusi Jawa Timur untuk Kota Surabaya dengan tipe daya 900 VA mulai dari bulan April 2011 sampai Maret 2012. Hasil uji ocba menunjukkan bahwa aplikasi pendeteksi anomali mampu menghasilkan sekelompok pelanggan yang terindikasi mengalami anomali konsumsi listrik dengan lebih efektif dan memadai dibandingkan dengan cara manual yang selama ini dilakukan oleh PT. PLN (Persero) Distribusi Jawa Timur. Pola Konsumsi Listrik, Deteksi Kata kunci: Anomali, Algoritma Klasterisasi Berbasis Densitas I.
PENDAHULUAN
PT PLN (Persero) merupakan badan usaha milik Negara yang memiliki kewajiban menyediakan tenaga listrik di Indonesia. Usaha penyediaan tenaga listrik terdiri dari serangkaian proses yang dimulai dari pembangkit tenaga listrik, saluran transmisi, hingga distribusi ke pelanggan listrik. Pendistribusian tenaga listrik Kota Surabaya dikelola oleh PT PLN (Persero) Distribusi Jawa Timur. PT PLN (Persero) Distribusi Jawa Timur merupakan salah satu unit operasional di wilayah Jawa Bali. Pemantauan konsumsi tenaga listrik merupakan salah satu usaha yang dilakukan oleh PT PLN (Persero) Distribusi Jawa Timur sebagai bentuk upaya pengelolaan distribusi tenaga listrik. Pemantauan ini dilakukan perusahaan agar tidak mengalami kerugian dalam pendistribusian tenaga listrik. Adanya penggunaan listrik secara ilegal atau
JURNAL TEKNIK POMITS Vol. 1, (2012) 1-5 pencurian listrik oleh pelanggan merupakan salah satu penyebab kerugian yang dialami oleh perusahaan dalam mendistribusikan listrik. Bentuk pencurian listrik antara lain memperbesar daya dan memanipulasi kwh meter. Selain perusahaan, masyarakat setempat juga dirugikan apabila terjadi penggunaan listrik secara ilegal. Kerugian yang dialami oleh masyarakat misalnya tegangan menjadi turun dan mempengaruhi alat-alat rumah tangga yang menggunakan listrik. Di samping itu, juga dapat merusak instalasi jaringan listrik. Beberapa indikasi ketidaknormalan konsumsi listrik seorang pelanggan adalah apabila konsumsi listriknya dianggap melebihi daya yang dimiliki atau terjadi penurunan konsumsi listrik secara drastis dalam jangka waktu tertentu. Pelanggan dengan pola konsumsi seperti itu selanjutnya akan dimasukkan ke dalam daftar pelanggan yang harus diinvestigasi lebih lanjut. Investigasi yang dilakukan selanjutnya adalah memeriksa meter listrik yang terpasang di rumah pelanggan. Operasi penertiban aliran listrikpun akan dilakukan apabila benar–benar terbukti terjadi penyalahgunaan tenaga listrik. Pemantauan konsumsi listrik dengan jumlah pelanggan yang cukup banyak dan area yang luas membutuhkan pengukuran yang tepat dan efektif. Hal itu dikarenakan pola konsumsi listrik setiap pelanggan cenderung fluktuatif. Proses pendeteksian dan identifikasi ketidaknormalan dalam distrbusi listrik juga dilakukan pada sektor kelistrikan di Brazil untuk mengurangi kerugian akibat adanya penggunaan listrik illegal. Hasil analisa ini mampu memperkirakan, mengevaluasi, dan mengawasi sekelompok pelanggan dengan pola konsumsi listrik yang tidak normal karena menggunakan listrik secara ilegal atau kerusakan meter listrik[2]. II.
TINJAUAN PUSTAKA
A. Deteksi Anomali Deteksi anomali adalah salah satu teknik penggalian data untuk menemukan objek–objek yang dianggap tidak memenuhi kriteria dibandingkan sekumpulan objek yang lain. Kriteria tersebut dapat didefinisikan melalui nilai atribut yang dimiliki sebuah objek. Jika sebuah objek memiliki lebih dari satu atribut, maka bisa saja sebuah objek dikatakan sebagai anomali apabila satu dari beberapa atribut
2 yang dimiliki objek tersebut memiliki nilai yang tidak memenuhi kriteria sedangkan nilai atribut yang lain memenuhi kriteria objek normal pada umumnya. Oleh karena itu pemilihan atribut-atribut untuk mendefinisikan sebuah objek anomali harus dilakukan secara spesifik agar mampu menentukan objek anomali dengan benar[1]. Salah satu penerapan deteksi anomali adalah untuk mendeteksi adanya pencurian atau kecurangan dalam sebuah transaksi. Deteksi adanya kecurangan atau pencurian dapat diterapkan dalam pengelolaan dan pengawasan pola konsumsi tenaga listrik. Adanya anomali dari kelompok pelanggan yang memiliki pola konsumsi tenaga listrik di luar rata– rata pelanggan yang lain [2]. B. Anomali Pada Konsumsi Listrik Konsumsi tenaga listrik dalam suatu area dapat dikenali melalui analisa load profile. Load profile merupakan representasi dari pola konsumsi listrik seorang pelanggan di suatu area tertentu. Load profile digunakan oleh beberapa perusahaan pendistrubusi dan pembangkit tenaga listrik untuk mendeteksi adanya anomali dalam konsumsi listrik. Anomali tersebut merupakan salah satu indikasi adanya pencurian listrik, gangguan meter, dan atau kebocoran listrik [2] dan [4]. Untuk membentuk pola konsumsi tenaga listrik perlu dilakukan analisa terhadap data pelanggan listrik di suatu area. Dari analisa data pelanggan dapat dihasilkan atribut-atribut yang sesuai untuk merepresentasikan pola konsumsi tenaga listrik. Pada salah satu penelitian yang dilakukan oleh Dos Angelos, Saveedra, Cortez, & de Souza[2], proses pendeteksian dan identifikasi anomali dalam distribusi listrik menggunakan 5 buah atribut. Tiga atribut yang pertama yaitu ratarata konsumsi listrik pelanggan, konsumsi listrik maksimum pelanggan, dan standar deviasi dari konsumsi listrik pelanggan dalam rentang waktu tertentu. 2. 1. Uji rbandingan teknik deteksi anomali pada dataldimensi (
C. Density-Based Spatial Clustering Density-based spatial clustering(DBSCAN) pertama kali digunakan pada tahun 1996 untuk menemukan cluster pada suatu kumpulan objek dalam jumlah besar dan dengan bentuk yang tidak bulat berdasarkan kepadatan[3]. Algoritma
JURNAL TEKNIK POMITS Vol. 1, (2012) 1-5 DBSCAN dapat digunakan untuk mendeteksi anomali dari kumpulan objek. Konsep dari algoritma DBSCAN adalah sebagai berikut : 1. Epsilon (eps). Epsilon adalah jarak yang menentukan kedekatan antara suatu objek dengan objek lain disekitarnya. Objek – objek yang memenuhi nilai epsilon dikatakan memiliki kedekatan dengan suatu objek yang diamati[6]. 2. Jumlah objek minimum (minpts). Minpts menentukan pembentukan cluster. Suatu cluster akan dibentuk jika jumlah objek yang berdekatan telah melebihi dari nilai minimum (minpts) yang diberikan[6]. 3. Selanjutnya algoritma ini menamai objek– objek yang terletak dekat dengan nilai epsilon yang diberikan disebut objek core sedangkan objek–objek yang memiliki kedekatan dengan objek core disebut dengan objek border. Di luar itu, objek – objek yang bukan merupakan objek core atau border merupakan suatu outlier atau anomali[6].
3 Login merupakan fungsi untuk memvalidasi pengguna sebelum menggunakan fungsi lainnya pada aplikasi ini. b. Memilih area dan rentang waktu. Fungsi ini dilakukan untuk memilih area deteksi anomali dan waktu deteksi anomali. c. Melakukan praproses data. Fungsi ini digunakan untuk membentuk pola konsumsi listrik pelanggan dalam rentang waktu tertentu. d. Memasukkan parameter deteksi anomali. Melalui fungsi ini pengguna dapat memasukkan nilai parameter deteksi anomali. Deteksi anomali. e. Deteksi anomali merupakan fungsi untuk mendeteksi pelanggan anomali Fungsi dapat dijalankan ketika pengguna telah melakukan praproses data. f. Logout. Logout digunakan saat pengguna selesai menggunakan aplikasi. Berikut ini adalah antarmuka fungsi aplikasi pendeteksi anomali. uc Aplikasi pendeteksi anomali Apl i kasi
Memilih area
«incl ude» Praproses Data
III. IMPLEMENTASI Akurasi aplikasi dalam mendeteksi anomali bergantung pada dua parameter yaitu epsilon dan minimum point. Oleh karena itu dalam uji deteksi anomali terlebih dahulu dilakukan uji coba epsilon dan minimum point. Uji coba epsilon dan minimum point digunakan untuk mendapatkan nilai epsilon dan minimum point yang sesuai pada proses deteksi anomali pelanggan listrik. Uji coba dilakukan pada 54 pelanggan listrik. Terdapat 23 pelanggan anomali dalam kelompok tersebut. Pelanggan anomali yang digunakan dalam uji coba ini adalah pelanggan anomali yang pernah tercatat dalam pelanggan yang ditindaklanjuti pada Maret 2012. Desain dan Fungsi Aplikasi Aplikasi pendeteksi anomali ini merupakan aplikasi berbasis web menggunakan arsitektur mvc. Ilustrasi arsitektur mvc ditunjukkan oleh gambar Aplikasi memiliki 6 fungsi. Fungsi aplikasi digambarkan dalam diagram usecase. Gambar 5.1 menunjukkan diagram usecase dari aplikasi. Berikut ini adalah 6 fungsi dalam aplikasi yaitu: a. Login
«precedes» Login «extend» Pengguna «precedes»
(from Aktor) «precedes»
M endeteksi Anomali «incl ude»
Logout
Memasukkan Parameter Deteksi Anomali
Gambar 5. 1. Diagram usecase
Gambar 5. 2. Ilustrasi arsitektur mvc
IV.
PEMBAHASAN
A. Analisis Epsilon dan Minimum Point
JURNAL TEKNIK POMITS Vol. 1, (2012) 1-5 Pada kondisi tertentu, semakin besar nilai minimum points yang diberikan, objek anomali yang terdeteksi akan bertambah. Hal ini dikarenakan peluang sebuah objek untuk membentuk sebuah klaster dalam nilai epsilon tersebut semakin kecil. Kondisi lainnya seperti yang terlihat pada tabel 5.1 dan 5.2, semakin besar nilai epsilon, maka semakin kecil kemungkinan deteksi anomali yang dapat ditemukan. Hal itu dikarenakan sebagian besar objek mampu memenuhi syarat minimum points pada nilai epsilon tersebut sehingga objek-objek tersebut dimasukkan dalam klaster. Tabel 5. 1. Uji coba dengan epsilon 0.1
Epsilon
Minimum Poin
0.1
1 2 3 4 5 6 7 8 9 10 11 12
Jumlah anomali yang terdeteksi tidak ada 12 14 14 20 25 31 34 34 43 43 50
Jumlah klaster 16 3 3 3 2 1 1 1 1 1 1 0
Tabel 5. 2. uji coba dengan epsilon 0.2
Epsilon
0.2
Minimum Poin
Jumlah anomali yang terdeteksi
Jumlah Klaster
1
tidak ada
5
2
2
2
3
2
2
4
4
1
5
5
1
6
10
1
7
10
1
8
10
1
9
11
1
10
11
1
B. Deteksi Anomali Dari hasil uji coba deteksi pelanggan yang diduga anomali oleh PT.PLN (Persero) Distribusi
4 Jawa Timur di bulan Maret 2012, akan tetapi aplikasi juga mendeteksi pelanggan normal sebagai anomali dalam rentang waktu mulai April 2011 sampai Maret 2012. Seperti yang ditunjukkan pada tabel 5.3, nilai dari salah satu atribut pelanggan yang terdeteksi sebagai anomali lebih besar dari pemakaian rata-rata unit dimana pelanggan tersebut tinggal. Oleh karena itu pelanggan tersebut dideteksi oleh aplikasi sebagai anomali. Tabel 5. 3. Hasil deteksi anomali Nomor urut
Pemakaian rata-rata
Pemakaian maksimum
76* 421 553* 562 651* 654 684
113.0 772.0 290.5 231.0 165.0 253.0 835.0
226.0 882.0 581.5 462.0 300.0 96.0 964.0
Standar Deviasi pemakaian 113.0 110.0 290.5 231.0 135.0 157.0 128.0
Pemakaian rata-rata unit 176.9 176.9 176.9 176.9 176.9 176.9 176.9
(*) pelanggan yang diduga anomali oleh PT. PLN (persero) Distribusi Jawa Timur
KESIMPULAN Berdasarkan pada hasil uji coba dapat ditarik kesimpulan sebagai berikut : a. Dari hasil uji coba penentuan nilai epsilon dan minimum points didapatkan bahwa nilai epsilon dan minimum points mempengaruhi proses klasterisasi dan deteksi anomali. Hal tersebut sesuai dengan konsep algoritma yang digunakan, dimana untuk membentuk sebuah klaster dari sejumlah objek, maka klaster tersebut harus memenuhi syarat minimum points untuk nilai epsilon yang diberikan. b. Dari hasil uji coba deteksi anomali, berdasarkan perbandingan nilai atribut-atribut yang merepresentasikan pola konsumsi listrik pelanggan dalam kurun waktu tertentu, aplikasi yang dibangun mampu mengelompokkan sejumlah pelanggan yang memiliki kedekatan pola konsumsi listrik sampai minimum point tertentu, serta mendeteksi pelanggan yang tidak memenuhi minimum point tersebut sebagai anomali. c. Rentang waktu yang disarankan untuk melakukan pemantauan deteksi anomali adalah pada enam bulan terakhir konsumsi listrik. Hal ini didasarkan pada hasil uji coba yang menunjukkan bahwa pelanggan-pelanggan anomali yang memiliki frekuensi kemunculan yang tinggi merupakan pelanggan anomali yang terdeteksi baik dalam kurun waktu kurang dari enam bulan atau lebih dari enam bulan.
JURNAL TEKNIK POMITS Vol. 1, (2012) 1-5 SARAN Aplikasi pendeteksi anomali berbasis densitas yang dibuat dalam tugas kahir ini perlu dikembangkan lebih lanjut untuk dapat digunakan mendeteksi kemungkinan terjadinya kecurangan konsumsi listrik untuk berbagai jenis daya pelanggan (bukan hanya untuk tipe 900 VA saja). Selain itu, adanya penambahan modul untuk menentukan nilai parameter epsilon dan minimum points yang terbaik untuk data yang akan dilakukan analsisi anomali merupakan salah satu kemungkinan pengembangan yang berarti.
• •
•
•
UCAPAN TERIMAKASIH Penulis mengucapkan terimakasih kepada Allah SWT atas segala kelancaran yang diberikan. Kedua orang tua penulis dan keluarga besar penulis yang telah memberikan kasih doa, serta bimbingan yang diberikan. Bapak Prof.Ir. Arif Djunaidy, M.Sc, Ph.D dan Ibu Renny Pradina Kusumawardani, S.T, M.T selaku dosen pembimbing tugas akhir yang telah memberikan arahan dan dukungan dalam pengerjaan tugas akhir ini. Seluruh dosen pengajar beserta karyawan di Jurusan Sistem Informasi, Fakultas Teknologi Informasi ITS yang memberikan banyak bantuan selama masa penulis berkuliah. PT. PLN (Persero) Distribusi Jawa Timur atas izin yang diberikan untuk pengambilan data. DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
Pang-Ning Tang, M. S. (2006). Introduction to Data Mining. Boston: Pearson Education, Inc. Eduardo Werley S. dos Angelos, O. R. (2011). Detection and Identification of Abnormalities in Customer Consumptions in Power Distribution Systems. IEEE , 17. Martin Ester, H.-P. K. (1996). A DensityBased Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Proceedings of 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96), (pp. 226-231). H. Nizar, Z. Y. (2006). Load Profiling and Data Mining Techniques in Electricity Deregulated Market. Power Engineering
5
[5]
[6]
Society General Meeting, 2006. IEEE (pp. 1-7). Montreal,Que: IEEE. J. Nagi, A. M. (2008). Non-Technical Loss Analysis for Detection of Electricity Theft using Support Vector Machines. 2nd IEEE International Conference on Power and Energy (PECon 08), (pp. 907 912 ). Mete ÇELİK, F. D.-Ç. (2011). Anomaly Detection in Temperature Data Using DBSCAN Algorithm. Innovations in Intelligent Systems and Applications (INISTA), 2011 International Symposium on (pp. 91-95). Istanbul: IEEE.
