Decision Support System Berbasis Random Forest sebagai Instrumen Prioritisasi Pendayagunaan Aset Properti Idle PT PLN (Persero) A Random Forest-Based Decision Support System for Prioritizing Idle Property Asset Utilization at PT PLN (Persero)

Abstrak

Dari sekitar 5.457 lokasi properti idle PT PLN (Persero) yang tersebar di seluruh Indonesia, proses penyaringan dan penentuan prioritas pendayagunaannya selama ini hanya ditangani oleh empat orang di sub bidang pendayagunaan, karena PLN tidak memiliki subholding properti seperti Pertamina atau KAI. Ketimpangan antara skala portofolio dan kapasitas pengelola ini membuat tahap Penyusunan Data Aset Properti Potensial dalam Perdir 0001 dan Perlak 0004 bertumpu pada penilaian subjektif yang tidak konsisten antar unit. Penelitian ini merancang dan memvalidasi Decision Support System berbasis Random Forest yang menghasilkan propensity score, indeks kemiripan setiap aset idle terhadap profil aset dayaguna, sebagai instrumen penyaringan pada tahap pra-HBU. Model dilatih pada 3.142 aset idle dan 734 aset dayaguna, total 3.876 observasi, dengan 94 fitur yang merepresentasikan tiga pilar teoretis: pilar fisik lahan yang berlandaskan Optimal Lot Theory, pilar aksesibilitas lokasi yang berlandaskan bid-rent theory, dan pilar kondisi ekonomi wilayah, dengan fitur geospasial diekstraksi melalui GeoFeature Extractor yang dibangun khusus. Skor probabilitas dihitung menggunakan mekanisme out-of-bag untuk menghindari kontaminasi data latih, lalu disesuaikan dengan location score untuk mengoreksi dominasi variabel luas tanah yang menyumbang feature importance sebesar 27,01%, dominasi yang menurut ablation test tidak trivial karena AUC hanya turun 0,0079 tanpa variabel tersebut. Pada data uji, model mencapai AUC-ROC sebesar 0,9898 dan akurasi 95,62%, didukung validasi silang 5-fold dengan AUC rata-rata 0,9925±0,0016 serta kalibrasi probabilitas dengan Brier score 0,0300. Dari 3.113 aset yang diranking, 445 aset atau 14,3% teridentifikasi sebagai kandidat utama, memangkas sekitar 85,7% volume kandidat yang dievaluasi sebelum analisis Highest and Best Use dilaksanakan.

Kata kunci: aset idle, Decision Support System, machine learning, pendayagunaan aset, propensity score, Random Forest