PENERAPAN ALGORITMA GAUSSIAN NAIVE BAYES UNTUK KLASIFIKASI TINGKAT RISIKO PELANGGAN POTENSIAL PENUNGGAK TAGIHAN LISTRIK PADA DATA PLN
DOI:
https://doi.org/10.70248/jcsit.v3i4.4434Abstract
Penunggakan pembayaran tagihan listrik pascabayar merupakan salah satu permasalahan yang berdampak pada arus kas PT Perusahaan Listrik Negara (Persero). Mekanisme penanganan tunggakan yang masih bersifat reaktif menyebabkan biaya operasional yang tinggi sehingga diperlukan pendekatan prediktif berbasis data untuk mengidentifikasi pelanggan berisiko sejak dini. Penelitian ini menerapkan algoritma Gaussian Naive Bayes untuk mengklasifikasikan tingkat risiko pelanggan listrik pascabayar PLN UP3 Makassar Selatan ke dalam tiga kategori, yaitu Rendah, Sedang, dan Tinggi, berdasarkan pola historis pembayaran. Data riwayat pembayaran diagregasi menjadi 670 data pelanggan dengan delapan atribut prediktor. Tahapan penelitian meliputi preprocessing data, standardisasi menggunakan StandardScaler, seleksi fitur dengan SelectKBest (ANOVA F-test), pembagian data 80:20 menggunakan Stratified Split, optimasi hyperparameter var_smoothing melalui Bayesian Optimization, serta evaluasi akhir menggunakan 5-Fold Stratified Cross Validation. Hasil pengujian menunjukkan model memperoleh akurasi sebesar 85,07%, dengan precision, recall, dan F1-score tertinggi pada kelas Rendah (0,90; 0,84; 0,87) dan performa lebih rendah pada kelas Tinggi (0,74; 0,57; 0,64) akibat jumlah data yang tidak seimbang. Atribut jumlah pembayaran tepat waktu, jumlah keterlambatan, dan status pembayaran bulan terakhir merupakan fitur yang paling berpengaruh dalam proses klasifikasi. Hasil ini menunjukkan bahwa Gaussian Naive Bayes efektif digunakan sebagai model pendukung Early Warning System bagi PLN dalam mengidentifikasi pelanggan yang berpotensi menunggak.
Kata Kunci: Tunggakan Listrik, Gaussian Naive Bayes, Klasifikasi, Risiko Pelanggan, Data Mining.
References
Batubara, D. N., Windarto, A. P., & Irawan, E. (2022). Analisis Prediksi Keterlambatan Pembayaran Listrik Menggunakan Komparasi Metode Klasifikasi Decision Tree dan Support Vector Machine. JURIKOM (Jurnal Riset Komputer), 9(1), 102. https://doi.org/10.30865/jurikom.v9i1.3833
Evardo, wigi julio. (2024). Implementasi Metode Gaussian Naive Bayes Untuk Segmentasi Tagihan Pajak Piutang Perusahaan Studi Kasus (KPP Pratama Jakarta Kalideres).
Fitrianah, D., Dwiasnati, S., H, H. H., & Baihaqi, K. A. (2021). Penerapan Metode Machine Learning untuk Prediksi Nasabah Potensial menggunakan Algoritma Klasifikasi Naïve Bayes. Faktor Exacta, 14(2), 92. https://doi.org/10.30998/faktorexacta.v14i2.9297
Khoirunnisa, T. (2025). mplementasi Algoritma Naïve Bayes Untuk Klasifikasi Kesulitan Mahasiswa Dalam Pembelajaran Jarak Jauh (PJJ). 2, 306–312.
Mahendra, I. B., Sunarya, I. M. G., & Wirawan, I. M. A. (2025). Comparison of Multinomial, Bernoulli, and Gaussian Naïve Bayes for Complaint Classification in Pro Denpasar Application. JUITA: Jurnal Informatika, 13(1), 77–86. https://doi.org/10.30595/juita.v13i1.24828
Maipasha, B. (2025). IMPLEMENTASI DATA MINING K-MEANS CLUSTERING TUNGGAKAN REKENING LISTRIK PASCABAYAR (Studi Kasus : PT PLN Persero ULP Tualang). 6(0), 167–186.
Mustriyanto, abiyoga bagus, Habibi, M., Subekti, D., & Fajar, S. (2022). Perbandingan Metode Decision Tree Dan Naive Bayes Classifier Pada Analisis Sentimen Pengguna Layanan Pt Perusahaan Listrik Negara (Pln). Teknomatika: Jurnal Informatika Dan Komputer, 15(2), 53–61. https://doi.org/10.30989/teknomatika.v15i2.1131
Nugraha, R. H., Purwitasari, D., & Raharjo, A. B. (2022). K-Means Dan XGBoost Untuk Analisis Perilaku Pembayaran Rekening Listrik Pelanggan (Studi Kasus : PLN ULP PANAKKUKANG). JUTI: Jurnal Ilmiah Teknologi Informasi, 20(2), 84–98.
Prayesy, P., Pujakesuma, A., & Qisthiano, M. R. (2025). Evaluasi Kinerja Random Forest dan Naïve Bayes untuk Prediksi Risiko Kredit Berdasarkan Pekerjaan Debitur. Explore, 15(2), 114–120. https://doi.org/10.35200/ex.v15i2.175
Rachman, R., & Handayani, R. N. (2021). Klasifikasi Algoritma Naive Bayes Dalam Memprediksi Tingkat Kelancaran Pembayaran Sewa Teras UMKM. Jurnal Informatika, 8(2), 111–122. https://doi.org/10.31294/ji.v8i2.10494
Rahayu, woro isti, Prianto, C., & Novia, ema ainun. (2021). PERBANDINGAN ALGORITMA K-MEANS DAN NAÏVE BAYES UNTUK MEMPREDIKSI PRIORITAS PEMBAYARAN TAGIHAN RUMAH SAKIT BERDASARKAN TINGKAT KEPENTINGAN PADA PT. 13(2), 1–8.
Siregar, B. J. (2023). PENYELESAIAN TUNGGAKAN REKENING LISTRIK PELANGGAN MELALUI PELAKSANAAN PENERTIBAN PEMAKAIAN TENAGA LISTRIK (P2TL) OLEH PT. PLN PERSERO. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis, 53(1), 1–19. http://publications.lib.chalmers.se/records/fulltext/245180/245180.pdf%0Ahttps://hdl.handle.net/20.500.12380/245180%0Ahttp://dx.doi.org/10.1016/j.jsames.2011.03.003%0Ahttps://doi.org/10.1016/j.gr.2017.08.001%0Ahttp://dx.doi.org/10.1016/j.precamres.2014.12
Yusuf Ramadhan Nasution, Suhardi Suhardi, & Ilham Hafiz Satrio. (2024). Penerapan Algoritma Klasifikasi Naïve Bayes Untuk Analisis Sentimen Tentang Pemilu 2024. Elkom: Jurnal Elektronika Dan Komputer, 17(2), 495–502. https://doi.org/10.51903/elkom.v17i2.2053
