<![CDATA[Alat Pengukur dan Pembatas (APP) memiliki peran penting dalam menjamin akurasi transaksi energi listrik antara pelanggan dan PT PLN (Persero). APP yang mengalami deviasi dapat menyebabkan kerugian finansial, baik bagi perusahaan maupun pelanggan, sekaligus meningkatkan angka susut energi (losses). Penelitian ini bertujuan untuk menganalisis nilai deviasi APP pada sistem pengukuran tidak langsung di wilayah kerja PT PLN (Persero) UP3 Belitung serta mengintegrasikan pendekatan Machine Learning untuk mendukung deteksi dini deviasi. Metode penelitian mencakup analisis on-desk dengan aplikasi Amicon, monitoring data pemakaian bulanan (DPM), serta pengujian lapangan menggunakan alat tera WS2330. Hasil pengukuran manual menunjukkan adanya deviasi signifikan pada pelanggan tegangan menengah, khususnya PT Tommy Utama dan PT Timah TBK, yang disebabkan oleh kerusakan trafo arus (CT), kesalahan instalasi/wiring, serta kondisi lingkungan seperti kubikel yang lembab. Perbaikan teknis berupa penggantian CT dan perbaikan instalasi mampu menurunkan deviasi hingga sesuai standar SPLN. Sebagai penguatan analisis, digunakan algoritma Machine Learning berupa Decision Tree untuk klasifikasi APP (normal vs bermasalah) dan Random Forest Regressor untuk prediksi deviasi kWh. Hasil pengujian menunjukkan bahwa Decision Tree memiliki akurasi 92%, sementara Random Forest menghasilkan nilai RMSE sebesar 0,15, yang menunjukkan kemampuan prediksi cukup baik. Kebaruan (novelty) penelitian ini terletak pada integrasi pengukuran manual dengan analisis berbasis ML untuk mendukung monitoring APP secara lebih efektif. Penelitian ini berkontribusi pada peningkatan sistem monitoring PLN dan memberikan rekomendasi praktis dalam upaya menekan kerugian akibat deviasi APP.]]>
