Decision Support System Berbasis Random Forest sebagai Instrumen Prioritisasi Pendayagunaan Aset Properti Idle PT PLN (Persero)

Muhammad Yasykur Roslan, Yudistira Hendra Permana, S.E., M.Sc., Ph.D.

2026 | Tugas Akhir | D4 Manajemen dan Penilaian Properti

Dari sekitar 5.457 lokasi properti idle PT PLN (Persero) yang tersebar di seluruh Indonesia, proses penyaringan dan penentuan prioritas pendayagunaannya selama ini hanya ditangani oleh empat orang di sub bidang pendayagunaan, karena PLN tidak memiliki subholding properti seperti Pertamina atau KAI. Ketimpangan antara skala portofolio dan kapasitas pengelola ini membuat tahap Penyusunan Data Aset Properti Potensial dalam Perdir 0001 dan Perlak 0004 bertumpu pada penilaian subjektif yang tidak konsisten antar unit. Penelitian ini merancang dan memvalidasi Decision Support System berbasis Random Forest yang menghasilkan propensity score, indeks kemiripan setiap aset idle terhadap profil aset dayaguna, sebagai instrumen penyaringan pada tahap pra-HBU. Model dilatih pada 3.142 aset idle dan 734 aset dayaguna, total 3.876 observasi, dengan 94 fitur yang merepresentasikan tiga pilar teoretis: pilar fisik lahan yang berlandaskan Optimal Lot Theory, pilar aksesibilitas lokasi yang berlandaskan bid-rent theory, dan pilar kondisi ekonomi wilayah, dengan fitur geospasial diekstraksi melalui GeoFeature Extractor yang dibangun khusus. Skor probabilitas dihitung menggunakan mekanisme out-of-bag untuk menghindari kontaminasi data latih, lalu disesuaikan dengan location score untuk mengoreksi dominasi variabel luas tanah yang menyumbang feature importance sebesar 27,01%, dominasi yang menurut ablation test tidak trivial karena AUC hanya turun 0,0079 tanpa variabel tersebut. Pada data uji, model mencapai AUC-ROC sebesar 0,9898 dan akurasi 95,62%, didukung validasi silang 5-fold dengan AUC rata-rata 0,9925±0,0016 serta kalibrasi probabilitas dengan Brier score 0,0300. Dari 3.113 aset yang diranking, 445 aset atau 14,3% teridentifikasi sebagai kandidat utama, memangkas sekitar 85,7% volume kandidat yang dievaluasi sebelum analisis Highest and Best Use dilaksanakan.

Among PT PLN (Persero)'s roughly 5,457 idle property locations across Indonesia, screening and prioritizing commercialization candidates has long fallen to just four staff in the utilization sub-division, since PLN, unlike Pertamina or KAI, has no dedicated property subholding. This mismatch in scale and capacity leaves the Identification of Potential Property Assets stage under Perdir 0001 and Perlak 0004 dependent on subjective, unit-by-unit judgment. This study designs and validates a Random Forest based Decision Support System producing a propensity score indicating how closely an idle asset resembles successfully commercialized assets, serving as a screening instrument at the pre-HBU stage. The model is trained on 3,876 observations comprising 3,142 idle and 734 successfully commercialized assets, using 94 features representing three theoretical pillars: physical lot characteristics from Optimal Lot Theory, locational accessibility from bid-rent theory, and regional economic conditions, with geospatial features extracted via a purpose built GeoFeature Extractor. Scores are computed through out-of-bag prediction to avoid training data contamination, then adjusted with a location viability score to correct for the land area variable's 27.01% share of feature importance, confirmed by ablation testing not to be trivial since removing it drops AUC by only 0.0079. On the test set, the model achieves an AUC-ROC of 0.9898 and 95.62?curacy, supported by 5-fold cross-validation yielding a mean AUC of 0.9925±0.0016 and well calibrated probabilities, Brier score 0.0300. Of the 3,113 ranked assets, 445, or 14.3%, are identified as priority candidates, cutting by roughly 85.7% the volume requiring evaluation before Highest and Best Use analysis.

Kata Kunci : aset idle, Decision Support System, machine learning, pendayagunaan aset, propensity score, Random Forest