Electricity Fraud Detection Using Hybrid BILSTM–CNN Architecture

Agus Haryadi, Syukron Abu Ishaq Alfarozi, S.T., Ph.D.;Ir. Azkario Rizky Pratama, S.T., M.Eng, Ph.D., IPM.

2025 | Tesis | S2 Teknologi Informasi

PLN, penyedia listrik nasional Indonesia, terus menghadapi tantangan yang terus-menerus dari pencurian listrik, yang mengakibatkan kerugian finansial yang signifikan dan inefisiensi operasional. Pendekatan deteksi tradisional, seperti inspeksi manual, telah menunjukkan efektivitas yang rendah, dengan tingkat keberhasilan yang dilaporkan sekitar 4,16%. Penelitian sebelumnya memperkenalkan model Bidirectional Long Short-Term Memory (Bi-LSTM) yang ditingkatkan dengan regularisasi L2 dan pembobotan kelas, yang meningkatkan kemampuan deteksi hingga tingkat keberhasilan 6,42?ngan memanfaatkan pola temporal dalam perilaku konsumsi. Dengan mengembangkan fondasi ini, penelitian ini mengusulkan arsitektur pembelajaran mendalam hibrida yang menggabungkan Bi-LSTM dengan Convolutional Neural Networks (CNN) untuk menangkap ketergantungan sekuensial dan anomali penggunaan lokal. Pendekatan terintegrasi ini secara signifikan meningkatkan kinerja pada dataset yang sangat tidak seimbang, mencapai tingkat keberhasilan 25,26% yang mewakili peningkatan substansial dibandingkan metode sebelumnya. Dengan menggabungkan komponen pembelajaran temporal dan spasial, model ini menunjukkan peningkatan ketahanan, skalabilitas, dan presisi dalam mengidentifikasi aktivitas curang dalam data penggunaan listrik. Meskipun studi ini berfokus pada data konsumsi listrik pascabayar, yang dicirikan oleh siklus penagihan bulanan tetap, penelitian selanjutnya harus mengeksplorasi kumpulan data yang lebih kompleks dan dinamis, seperti data dari Infrastruktur Pengukuran Lanjutan (AMI) dan sistem pelanggan prabayar. Tidak seperti data pascabayar, konsumsi prabayar didasarkan pada perilaku pembelian yang tentatif dan tidak teratur, yang memperkenalkan variabilitas tambahan dan membutuhkan teknik pemodelan temporal yang lebih canggih. Mengintegrasikan data dari AMI, yang menawarkan pengukuran real-time beresolusi tinggi, dapat lebih meningkatkan kemampuan model untuk mendeteksi anomali halus dan pola kecurangan jangka pendek. Mengatasi karakteristik unik dari jenis data ini akan meningkatkan generalisasi dan penerapan praktis model deteksi kecurangan berbasis AI di seluruh basis pelanggan PLN yang lebih luas.

PLN, the national electricity provider of Indonesia, continues to face persistent challenges from electricity theft, resulting in significant financial losses and operational inefficiencies. Traditional detection approaches, such as manual inspections, have demonstrated low effectiveness, with reported hit rates around 4.16%. Previous research introduced Bidirectional Long Short-Term Memory (Bi-LSTM) models enhanced with L2 regularization and class weighting, which improved detection capability to a hit rate of 6.42% by leveraging temporal patterns in consumption behavior. Expanding on this foundation, the present study proposes a hybrid deep learning architecture that combines Bi-LSTM with Convolutional Neural Networks (CNN) to capture both sequential dependencies and localized usage anomalies. This integrated approach significantly improves performance on highly imbalanced datasets, achieving a hit rate of 25.26% representing a substantial improvement over prior methods. By incorporating temporal and spatial learning components, the model demonstrates increased robustness, scalability, and precision in identifying fraudulent activities within electricity usage data. While this study focuses on postpaid electricity consumption data, characterized by fixed monthly billing cycles, future research should explore more complex and dynamic datasets, such as those from Advanced Metering Infrastructure (AMI) and prepaid customer systems. Unlike postpaid data, prepaid consumption is based on tentative, irregular purchasing behavior, which introduces additional variability and requires more sophisticated temporal modeling techniques. Integrating data from AMI, which offers high-resolution, real-time measurements, could further improve the model’s ability to detect subtle anomalies and short-duration fraud patterns. Addressing the unique characteristics of these data types will enhance the generalizability and practical deployment of AI-driven fraud detection models across PLN's broader customer base.

Kata Kunci : Computational intelligence system, Fraud Detection, Artificial Intelligence, Consumption Patterns, Nontechnical loss, pattern classification.