Laporan Kerja Praktik Performance Analysis of Support Vector Machine (SVM) for Classifying Abnormal Electricity Usage International Course Program (ICP)

Abstract

Penyimpangan konsumsi listrik dari pola normal (penggunaan tidak wajar) merupakan penyebab utama kerugian non-teknis (NTL) yang merugikan penyedia layanan listrik, baik akibat kesalahan pengukuran, gangguan teknis, maupun indikasi penyalahgunaan. Penelitian ini menganalisis kinerja algoritma *Support Vector Machine* (SVM) dalam mengklasifikasikan penggunaan listrik ke dalam kategori normal dan tidak wajar menggunakan dataset dunia nyata yang terdiri dari 10.800 catatan *smart meter* dari 360 pelanggan di tiga wilayah di Kerala, India, selama periode 30 hari. Tiga fungsi kernel SVM—linear, *radial basis function* (RBF), dan polinomial—dievaluasi berdasarkan dua skenario fitur: skenario fitur lengkap (mencakup penyimpangan konsumsi dari nilai yang diharapkan) dan skenario fitur kontekstual (tidak menyertakan informasi penyimpangan, hanya menggunakan karakteristik rumah tangga dan lingkungan). Pra-pemrosesan data meliputi penanganan nilai yang hilang, rekonstruksi nilai energi menggunakan hubungan matematis antar- variabel, pengodean kategorikal, standardisasi fitur, dan pembagian data latih-uji secara *stratified* dengan rasio 80:20. Hiperparameter dioptimalkan melalui *grid search* dengan validasi silang *stratified k-fold*. Hasil penelitian menunjukkan bahwa pada skenario fitur lengkap, kernel RBF mencapai kinerja terbaik dengan akurasi 91,34%, presisi 97,27%, *recall* 82,59%, skor-F1 89,33%, dan AUC 0,934, mengungguli kernel linear dan polinomial. Pada skenario fitur kontekstual tanpa informasi penyimpangan, kinerja menurun secara signifikan pada semua kernel (akurasi terbaik 63,47% dengan RBF), yang menunjukkan bahwa fitur penyimpangan konsumsi merupakan faktor utama dalam deteksi anomali, sedangkan demografi rumah tangga dan karakteristik lingkungan memiliki daya prediksi yang jauh lebih terbatas. Temuan ini sejalan dengan penelitian sebelumnya yang melaporkan keunggulan kernel RBF dalam deteksi pencurian/anomali listrik berbasis SVM. Penelitian ini menyimpulkan bahwa SVM dengan kernel RBF merupakan metode yang efektif untuk mengklasifikasikan penggunaan listrik yang tidak wajar ketika fitur penyimpangan tersedia, meskipun kinerjanya sangat bergantung pada kualitas dan relevansi fitur masukan. Deviation of electricity consumption from normal patterns (abnormal usage) is a major contributor to non technical losses (NTL) that harm utility providers, whether caused by metering errors, technical faults, or indications of misuse. This study analyzes the performance of the Support Vector Machine (SVM) algorithm in classifying electricity usage into normal and abnormal categories using a real world dataset of 10,800 smart meter records from 360 customers across three regions in Kerala, India, over a 30 day period. Three SVM kernel functions linear, radial basis function (RBF), and polynomial were evaluated under two feature scenarios: a full feature scenario (including consumption deviation from expected values) and a contextual feature scenario (excluding deviation information, using only household and environmental characteristics). Data preprocessing included missingvalue handling, reconstruction of energy values using mathematical relationships between variables, categorical encoding, feature standardization, and an 80:20 stratified train test split. Hyperparameters were optimized through grid search with stratified k-fold crossvalidation. Results show that under the full feature scenario, the RBF kernel achieved the best performance with 91.34% accuracy, 97.27% precision, 82.59% recall, 89.33% F1-score, and an AUC of 0.934, outperforming the linear and polynomial kernels. Under the contextual-feature scenario without deviation information, performance dropped substantially across all kernels (best accuracy 63.47% with RBF), indicating that consumption-deviation features are the primary driver of anomaly detection, while household demographic and environmental characteristics have far more limited predictive power. These findings align with prior studies reporting the superiority of the RBF kernel in SVM based electricity theft/anomaly detection. The study concludes that SVM with an RBF kernel is an effective method for classifying abnormal electricity usage when deviation features are available, though its performance strongly depends on the quality and relevance of the input features.