<![CDATA[Pencurian listrik menjadi tantangan signifikan bagi PT PLN (Persero), khususnya di Unit Induk Wilayah Kalimantan Timur & Utara (UIW Kaltimra), karena berdampak pada kerugian finansial, penurunan kualitas layanan, dan potensi risiko keselamatan publik. Penelitian ini bertujuan mengembangkan sistem pendeteksian pencurian listrik berbasis kecerdasan buatan dengan memanfaatkan data konsumsi listrik pelanggan AMR (Automatic Meter Reading) yang sangat besar dan memiliki distribusi yang tidak seimbang serta tidak sepenuhnya berlabel. Sistem yang diusulkan mengintegrasikan tiga pendekatan bertahap, yaitu anomaly detection menggunakan Isolation Forest dan Autoencoder untuk mendeteksi konsumsi tidak normal, positive-unlabeled learning dengan algoritma XGBoost, serta graph-based learning menggunakan Graph Convolutional Network (GCN) yang memanfaatkan keterkaitan spasial antar pelanggan. Pendekatan ini merupakan kebaruan dari sisi metodologi, karena menggabungkan ketiga teknik secara terpadu dalam satu pipeline deteksi, berbeda dari studi sebelumnya yang umumnya hanya menggunakan satu atau dua metode secara terpisah. Hasil implementasi menunjukkan bahwa XGBoost mencapai akurasi 92,21% dan AUC Score 83,86%, dengan recall fraud 57,8%. Sementara GCN menunjukkan kinerja lebih baik dengan akurasi 91,87%, AUC Score 87,18%, dan recall fraud meningkat menjadi 80,96%. Pendekatan multi-tahap ini membuktikan keefektifan kombinasi anomaly detection, semi-supervised learning, dan graph-based learning dalam mendeteksi pencurian listrik berskala besar dan heterogen, serta memberikan kontribusi nyata untuk meningkatkan sistem Penertiban Pemakaian Tenaga listrik (P2TL) di PLN.]]>
