PERHITUNGAN KAJIAN KELAYAKAN FINANSIAL PROSES PASANG BARU LISTRIK DENGAN PERLUASAN JARINGAN MENGGUNAKAN MACHINE LEARNING

Dhudhik Arief Hadiyanto, Prof. Ir. Selo, S.T., M.T., M.Sc., Ph.D., IPU, ASEAN Eng. ; Dr. Ir. Guntur Dharma Putra, , S.T., M.Sc.

2025 | Tesis | S2 Teknologi Informasi

Proses pasang baru listrik dengan perluasan jaringan memerlukan kajian kelayakan finansial sebagai dasar pertimbangan dalam penentuan investasi infrastruktur ketenagalistrikan. Kajian ini menjadi komponen krusial dalam menilai kelayakan suatu proyek berdasarkan permohonan calon pelanggan. Parameter yang digunakan dalam analisis kelayakan meliputi NPV (Net Present Value), IRR (Internal Rate of Return) dan PP (Payback Period), yang secara umum digunakan sebagai indikator untuk menilai kelayakan finansial suatu pekerjaan. Saat ini, proses perhitungan parameter-parameter tersebut masih dilakukan secara manual melalui lembar kerja (workbook), sehingga memerlukan waktu yang cukup lama dan berpotensi menimbulkan ketidakpuasan pelanggan akibat keterlambatan dalam memperoleh informasi perkembangan permohonan. Beberapa penelitian dan studi yang membahas tentang kajian kelayakan finansial dan Machine Learning telah banyak dilakukan namun masih terpisah-pisah dan tidak saling berhubungan satu sama lain, beberapa masih terbatas pada metode perhitungan manual dan belum mempertimbangkan penggunaan Machine Learning. Untuk mendapatkan kajian kelayakan finansial yang efisien, cepat, dan terukur, diperlukan sistem yang dapat melakukan proses perhitungan untuk menentukan keputusan dengan cepat. Sistem pemodelan Machine Learning dengan metode Supervised Learning dipilih untuk mengimplementasikan kajian kelayakan tersebut untuk menyederhanakan asumsi tentang hubungan antar variabel dan mampu menangkap interaksi kompleks antar variable. Penelitian ini menyajikan perbandingan beberapa model Supervised Learning, antara lain Elastic Net, Ridge Regression, Linear Regression, Random Forest, Lasso Regression, XGBoost dan SVM (Support Vector Machine), hasil pemodelan yang terbaik selanjutnya digunakan untuk menjadi landasan sebuah prototipe berbasis web (localhost) yang berfungsi untuk melakukan perhitungan parameter kajian kelayakan finansial dengan menampilkan grafik, arus kas kumulatif dan tabel arus kas tahunan. Diharapkan dari penelitian ini  dapat mendukung proses pasang baru listrik dengan perluasan jaringan agar berjalan lebih cepat dan efisien, terutama dalam hal perhitungan kaijan kelayakan finansial, sehingga manajemen dapat menghasilkan kesimpulan yang tepat serta menjaga dan meningkatkan citra baik PLN secara keseluruhan sebagai Badan Usaha Milik Negara (BUMN) melalui pelayanan yang unggul.

The process of installing new electricity with network expansion requires a financial feasibility study as a basis for consideration in determining investment in electricity infrastructure. This study is a crucial component in assessing the feasibility of a project based on prospective customer requests. The parameters used in the feasibility analysis include NPV (Net Present Value), IRR (Internal Rate of Return), and PP (Payback Period), which are generally used as indicators to assess the financial feasibility of a project. Currently, the calculation of these parameters is still done manually using spreadsheets, which takes a considerable amount of time and may lead to customer dissatisfaction due to delays in obtaining information about the progress of their applications. Several studies and research on financial feasibility studies and Machine Learning have been conducted, but they remain separate and unrelated to one another. Some are still limited to manual calculation methods and have not considered the use of Machine Learning. To achieve an efficient, fast, and measurable financial feasibility study, a system is needed that can perform calculations to make decisions quickly. A Machine Learning modeling system using the Supervised Learning method was chosen to implement the feasibility study to simplify assumptions about the relationships between variables and capture complex interactions between variables. This study presents a comparison of several Supervised Learning models, including Elastic Net, Ridge Regression, Linear Regression, Random Forest, Lasso Regression, XGBoost, and SVM (Support Vector Machine). The best modeling results are then used as the foundation for a web-based prototype (localhost) that performs financial feasibility study parameter calculations, displaying graphs, cumulative cash flow, and annual cash flow tables. It is hoped that this research will support the process of new electricity connections with network expansion to run more quickly and efficiently, particularly in terms of financial feasibility calculations, enabling management to draw accurate conclusions and maintain and enhance PLN's overall image as a State-Owned Enterprise (SOE) through excellent service.

Kata Kunci : Proses, kajian, kelayakan, listrik, instalasi, Machine Learning, Supervised Learning, PLN.