Analisis Daftar Tunggu Pemasangan Baru PT PLN (Persero) Menggunakan Algoritma Pengelompokan K-Means

Gambar Ilustrasi AI

FORMOSA NEWS - Medan - Memetakan Antrean Pasang Baru Listrik: Algoritma K-Means Bantu PT PLN (Persero) Optimalkan Pelayanan Publik. Penelitian yang dilakukan oleh Ernawati dan Dewi Agushinta R. dari Universitas Gunadarma dalam artikel penelitian yang dipublikasikan pada Formosa Journal of Computer and Information Science (FJCIS) edisi Vol. 5 No. 1 Tahun 2026 menyoroti bahwa secara spesifik memetakan wilayah dengan beban kerja tertinggi agar manajemen PT PLN (Persero) dapat mengambil keputusan strategis berbasis data untuk meningkatkan mutu pelayanan nasional.

Penelitian yang dilakukan oleh Ernawati dan Dewi Agushinta R. dari Universitas Gunadarma menyoroti bahwa Keterlambatan penanganan pasang baru tidak hanya berpotensi menurunkan citra perusahaan di mata publik, melainkan juga memberikan dampak finansial yang nyata akibat adanya kewajiban memberikan kompensasi kepada pelanggan.

Menyederhanakan Data Kompleks Melalui Algoritma K-Means
Metodologi yang digunakan dalam studi kuantitatif ini mengandalkan algoritma K-Means Clustering yang dijalankan melalui perangkat lunak analisis RapidMiner. Secara sederhana, algoritma ini bekerja dengan cara mempartisi data antrean pasang baru dari kuartal terakhir tahun 2024 ke dalam beberapa kelompok (klaster) berdasarkan kedekatan karakteristiknya. Proses komputasi dilakukan secara berulang (iteratif) hingga diperoleh pembagian wilayah yang stabil dan objektif. Para peneliti membagi data nasional tersebut ke dalam tiga kategori utama, yaitu klaster volume antrean tinggi (C1), klaster volume antrean sedang (C2), dan klaster volume antrean rendah (C3). Validitas hasil pengelompokan ini kemudian diuji menggunakan metode Davies-Bouldin Index (DBI). Pengujian ini menghasilkan skor akhir sebesar 0,486, yang berarti model pengelompokan yang dibuat memiliki tingkat akurasi yang sangat baik, struktur antarklaster yang jelas, dan bebas dari bias atau asumsi acak.

Temuan Utama: Jawa Timur dan Jawa Tengah Dominasi Daftar Antrean Tertinggi
Hasil analisis data mining ini mengidentifikasi kesenjangan penyebaran beban kerja yang sangat mencolok di berbagai wilayah Indonesia. Dari total unit operasional yang diteliti, algoritma berhasil memetakan wilayah secara presisi:

• Klaster 1 (Volume Tinggi - 6 Wilayah): Wilayah Distribusi (UID) Jawa Timur menempati urutan pertama dengan akumulasi antrean pasang baru terbesar mencapai 69.892 permohonan. Posisi berikutnya diikuti oleh UID Jawa Tengah & DIY (57.851), Wilayah (UIW) Sulawesi Selatan, Tenggara, dan Barat (56.870), UIW Sumatra Selatan, Jambi, dan Bengkulu atau S2JB (47.516), UID Jawa Barat (42.957), serta UIW Kalimantan Selatan dan Tengah (41.755).
  
• Klaster 2 (Volume Sedang - 7 Wilayah): Kelompok ini mencakup wilayah transisi yang dinilai relatif stabil namun memiliki potensi lonjakan pertumbuhan pelanggan, di antaranya UIW Sulawesi Tengah, UIW Papua dan Barat, UIW Nusa Tenggara Timur, UID Bali, UIW Aceh, UIW Sumatra Barat, dan UIW Bangka Belitung.
  
• Klaster 3 (Volume Rendah - 9 Wilayah): Kategori ini mendominasi secara jumlah anggota namun memiliki angka antrean terendah, termasuk di dalamnya UIW Riau dan Kepulauan Riau, UIW Kalimantan Timur, UIW Maluku dan Maluku Utara, UIW Nusa Tenggara Barat, UID Jakarta Raya, dan UID Banten.
  

Selain pengelompokan wilayah, riset ini juga mengevaluasi capaian Tingkat Mutu Pelayanan (TMP). Tercatat bahwa 55 persen dari total permohonan pasang baru berhasil diselesaikan dalam target waktu ideal 5 hari tanpa perluasan jaringan. Namun, terdapat 45 persen sisa permohonan yang gagal memenuhi target waktu tersebut akibat kompleksitas teknis lapangan.

Manfaat dan Dampak Nyata Bagi Kebijakan Operasional
Riset dari Universitas Gunadarma ini memberikan kontribusi yang sangat signifikan bagi dunia usaha dan kebijakan pengelolaan infrastruktur publik. Dengan ditemukannya konsentrasi antrean di enam wilayah prioritas utama (Klaster 1), manajemen PT PLN (Persero) kini tidak lagi meraba-raba dalam merumuskan strategi operasional. Alokasi sumber daya manusia, peralatan teknis, maupun material logistik kini dapat difokuskan langsung ke wilayah yang mengalami tekanan layanan tertinggi untuk mencegah potensi kerugian finansial akibat pembayaran kompensasi. Penulis menekankan dalam kajian akademisnya bahwa tingginya antrean pada Klaster 1 dipengaruhi kuat oleh faktor eksternal seperti kepadatan penduduk, urbanisasi, dan geliat aktivitas ekonomi regional. Sementara itu, kendala penyelesaian 45 persen sisa permohonan umumnya dipicu oleh tantangan perluasan jaringan, kondisi geografis yang sulit ditembus, serta prosedur birokrasi perizinan tambahan. Segmentasi strategi penanganan pun menjadi mutlak: wilayah berbeban tinggi memerlukan percepatan dan perluasan kapasitas, wilayah sedang membutuhkan stabilisasi, dan wilayah rendah dapat dijadikan acuan model manajemen efisiensi.

Profil Penulis
Ernawati, dari Universitas Gunadarma, merupakan peneliti yang memfokuskan keahliannya pada bidang Ilmu Komputer, Analisis Data (Data Science), dan optimasi sistem pelayanan berbasis teknologi informasi digital.
Dewi Agushinta R., adalah dosen sekaligus pakar senior di Universitas Gunadarma dengan spesialisasi mendalam pada pemodelan algoritma kecerdasan buatan, algoritma data mining, serta implementasi teknologi komputer untuk efisiensi manajemen industri.

Sumber Riset
Ernawati, Dewi Agushinta R 2026, Analysis of PT PLN (Persero)'s New Installation Waiting List Using the K-Means Clustering Algorithm. Formosa Journal of Computer and Information Science (FJCIS) 2026. Vol. 5, No. 1, Halaman 63-82
DOI: https://doi.org/10.55927/fjcis.v5i1.16429
URL: https://journal.formosapublisher.org/index.php/fjcis