PERNYATAAN ORIGINALITAS

Yang bertanda tangan di bawah ini:

1. Nama : LUKITA WAHYU PERMADI Tanda Tangan :

NIP : 9215918ZY
Jabatan : SPV II RENSIS

2. Nama : WILDAN IMANUR RAHMAN Tanda Tangan :

NIP : 9215885ZY
Jabatan : PLT MAN II REN

Dengan ini menyatakan bahwa paper yang berjudul Analisis Big Data Dalam Bisnis
Sistem Distribusi, adalah merupakan paper yang original dan belum pernah dibuat
sebelumnya baik di unit kami maupun di unit-unit PLN dan anak Perusahaan PLN.
Apabila dikemudian hari ada tuntutan/klaim mengenai paper yang dibuat maka kami
siap mempertanggung jawabkan segala konsekuensinya.
Demikian pernyataan ini dibuat dengan sebenarnya dan dapat dipergunakan
sebagaimana mestinya.

JAKARTA, NOVEMBER 2020

Penulis

LUKITA WAHYU P

i
 KATA PENGANTAR

Segala puji kami panjatkan hanyalah bagi Allah SWT yang telah memberikan rahmat
dan hidayah-Nya, sehingga penulis dapat menyelesaikan penulisan paper yang juga
merupakan bagian dari pelaksanaan Lomba HLN Competition 2020. Pada kesempatan ini,
penulis menyampaikan ucapan terima kasih kepada segenap pihak yang telah memberikan
kontribusi bagi pelaksanaan program ini.

Dalam proses penyusunan inovasi ini tentunya tidak lepas dari dukungan dan bimbingan
banyak pihak. Kami ucapkan banyak terima kasih kepada :

1. Bapak Arif Purnomo, Manajer UP3 Ciracas

2. Ibu Intan, Manager Bagian Pemasaran UP3 Ciracas
3. Bapak Eko Alam R, Manager Bagian Jaringan UP3 Ciracas
4. Rekan-rekan SPV UP3 Ciracas
5. Semua pihak yang terkait dalam pembuatan paper

Pada akhirnya, kami mengharapkan makalah ini dapat berguna bagi PT PLN (Persero)
terutama dalam meningkatkan pelayanan kepada pelanggan.

Jakarta, November 2020

Tim Penyusun

ii
 DAFTAR ISI

KATA PENGANTAR ........................................................................................................ ii

DAFTAR ISI ..................................................................................................................iii

CHAPTER 1: THE REASON BEHIND ................................................................................. 1

CHAPTER 2: WHAT IS YOUR IDEA .................................................................................. 3

2.1 Big Data ........................................................................................... 3

2.2 Machine Learning .............................................................................. 4

2.3 Data Visualization .............................................................................. 5

CHAPTER 3: HOW TO IMPLEMENT IT ............................................................................. 6

3.1 Big Data dalam Kegiatan Tambah Daya Super WOW ............................. 6

3.2 Big Data dalam Analisis Spasial Response Time Pelanggan ..................... 7

3.3 Big Data dalam Analisis Spasial Resiko Tegangan Drop .......................... 8

3.4 Big Data dalam Pemetaan Beban Trafo ................................................ 9

CHAPTER 4: IMPACT TO COMPANY .............................................................................. 11

4.1 Penajaman Analisa Data ................................................................... 11

4.2 Data Driven..................................................................................... 11

4.3 Predictive Analysis ........................................................................... 12

iii
 ABSTRAK

Banyaknya data yang dimiliki oleh PLN antara lain data APKT, AP2T, data Asset EAM, data
Masterjardis belum optimal digunakan dan tidak bersinergi satu sama lain. Data-data tersebut
apabila dioptimalkan untuk dianalisa akan menghasilkan “Data yang Berbicara”. Big Data
Analysis memungkinkan untuk dapat menganalisis data data yang besar untuk divisualisasikan.
Dari data yang divisualisasikan dapat dengan lebih mudah untuk membuat program kerja yang
lebih terarah dan efisien untuk mendukung program Jakarta Smart Electricity (JSE). Jakarta
Smart Electricity (JSE) adalah tekad yang diusung oleh PLN Unit Induk Distribusi Jakarta Raya
untuk menjadikan dan menghadirkan listrik yang handal sebagai penopang utama seluruh
kegiatan masyarakat yang ada di DKI Jakarta. Dengan Big Data Analysis dapat meningkatkan
penajaman analisa data, menjadikan data sebagai Data Driven dalam melaksanakan program
kerja, dan juga dapat menjadi Predictive Analysis dalam proses bisnis kelistrikan sistem
distribusi.

Kata Kunci : Jakarta Smart Electricity, Big Data Analysis, Data Driven, Predictive Analysis

iv
 1 CHAPTER 1:
THE REASON BEHIND

Sebagai Perusahan yang bertugas menyediakan listrik ke seluruh Masyarakat, PLN dituntut
untuk senantiasa menyediakan listrik yang handal dan berkualitas. Jakarta Smart Electricity
(JSE) adalah tekad yang diusung oleh PLN Unit Induk Distribusi Jakarta Raya untuk menjadikan
dan menghadirkan listrik yang handal sebagai penopang utama seluruh kegiatan masyarakat
yang ada di DKI Jakarta. Jakarta Smart Electrity (JSE) terdiri dari 5 pilar utama, yaitu Smart
Mobility, Smart Infrastructure, Smart Service, Smart Business dan Smart Living. Salah satu
dari 5 pilar tersebut adalah Smart Service yang berarti PLN UID Jakarta Raya harus dapat
memberikan layanan prima bagi seluruh Pelanggannya dan menjadi perusahan utilitas yang
menyediakan energy listrik yang handal dan berkualitas bagi seluruh Pelanggannya. Saat ini
PLN telah membuka berbagai media untuk memberikan pelayanan terbaik bagi seluruh
pelanggan, mulai dari layanan PB-PD hingga layanan pengaduan apabila ada ketidakpuasan
yang dialami pelanggan terkait layanan PLN. Berbagai catatan permohonan pelanggan
maupun laporan gangguan pelanggan telah tersimpan rapi pada sistem PLN melalui Aplikasi
Pelayanan Terpusat maupun Aplikasi Pengaduan Terpusat. Adanya aplikasi tersebut berfungsi
untuk menghimpun segala permohonan maupun laporan pelanggan agar segala permohonan
dan laporan pelanggan dapat ditindaklanjuti dan termonitor dengan baik yang akhirnya dapat
meningkatkan Kepuasan Pelanggan.

Dengan adanya Aplikasi-aplikasi tersebut, saat ini telah banyak data-data yang dimiliki PLN
terkait Pelanggan baik dari sisi konsumsi energi listrik, rupiah pembayaran, history gangguan
dan jenis gangguan yang dialami pelanggan, kondisi asset PLN serta masih banyak data-data
lain yang tersebar di berbagai aplikasi yang ada di PLN. Sebagai contoh di AP2T terdapat data-
data terkait Pelanggan, mulai dari pemakaian energy listrik, Rp pembayaran, tagihan susulan
serta masih banyak data-data lainnya. Di APKT terdapat data-data terkait Laporan Pelanggan,
mulai dari jumlah laporan pelanggan, respon dan recovery time terkait gangguan yang dialami
pelanggan, jenis gangguan serta masih banyak data-data lainnya. Selain itu terdapat juga data
data Asset EAM dan data inspeksi dan pengukuran beban Masterjardis yang sampai saat ini
belum dilakukan analisis secara maksimal.

Data-data tersebut sampai saat ini masih tersimpan dengan baik pada sistem PLN, namun
data-data tersebut belum dioptimalkan untuk dianalisa keterkaitan data yang satu dengan data
yang lain. Akhirnya data-data tersebut hanya akan menjadi tumpukan data dan menjadi
sebatas catatan dari event-event yang terjadi di waktu yang lalu. Data-data tersebut apabila

1
dioptimalkan untuk dianalisa akan menghasilkan “Data yang Berbicara” yaitu hasil analisa data
yang dapat digunakan sebagai alat untuk menentukan arah yang harus diambil PLN untuk
meminimalisir kerugian akibat gangguan serta memaksimalkan penjualan dan pendapatan.
Hal ini mutlak untuk segera dilakukan PLN mengingat sangat terbatasnya anggaran investasi
dan operasi sehingga harus dilakukan prioritas pekerjaan yang paling berdampak bagi
pendapatan maupun citra PLN di masyarakat.

Big Data Analysis memungkinkan untuk dapat menganalisis data data yang besar untuk
divisualisasikan. Dari data yang divisualisasikan dapat dengan lebih mudah untuk membuat
program kerja yang lebih terarah dan efisien untuk mendukung program Jakarta Smart
Electricity (JSE).

2
 2 CHAPTER 2:
WHAT IS YOUR IDEA

Big Data Analysis (Analisis Big Data) adalah proses pengujian set data yang besar untuk
menemukan pola yang tersembunyi, korelasi yang tidak diketahui, tren pasar, preferensi
pelanggan dan informasi bisnis lainnya yang berguna. Temuan analitis tersebut dapat
membuat pemasaran menjadi lebih efektif, peluang pendapatan baru, layanan pelanggan yang
lebih baik, meningkatkan efisiensi operasional, keunggulan kompetitif dan keuntungan bisnis
lainnya.

Big Data Analysis dapat diterapkan dalam mendukung program JSE (Jakarta Smart Electricity).
Dengan pemanfaatan Big Data Analysis dalam proses bisnis kelistrikan di PLN Unit Induk
Distribusi Jakarta Raya, diharapkan dapat menghasilkan proses bisnis yang lebih efisien dan
unggul. Dalam proses bisnis PLN masih banyak data data yang belum dianalisis antara lain
data pelanggan (DIL), data APKT, data AP2T, data asset EAM, dan lain lain, sehingga data
tersebut belum dapat bercerita dan dimanfaatkan secara maksimal. Dengan menggunakan Big
Data Analysis diharapkan data tersebut sebagai data driven untuk menentukan program dan
langkah strategis perusahaan.

Big Data Analysis dalam bisnis sistem distribusi dibagi menjadi 3 bagian, yakni Big Data,
Machine Learning, dan Data Visualization. Data data seperti data DIL, APKT, AP2T, dan data
asset EAM harus dilakukan pengolahan data dan standarisasi data. Setelah itu, data di proses
melalui suatu sistem Machine Learning. Sistem tersebut dapat mengolah data yang selalu
berubah ubah setiap waktu dan menampilkannya melalui Data Visualization. Hasil dari Data
Visualization tersebut yang akan dijadikan dasar dalam penyusunan program dan langkah
strategis untuk mencapai tujuan Jakarta Smart Electricity (JSE).

2.1 Big Data

Big Data merupakan kumpulan data yang volume datanya super besar, memiliki keragaman
sumber data yang tinggi, sehingga perlu dikelola dengan metode dan perangkat bantu yang
kinerjanya sesuai. Big Data memiliki karakteristik 3V: Volume (berukuran sangat besar),

3
Variety (datanya sangat beragam), Velocity (memiliki kecepatan akses data yang memadai).
Sumber data untuk Big Data bisa berupa basis data yang terstruktur ataupun data-data yang
tidak terstruktur. Ada 4 tahap yang harus dilalui untuk memproses Big Data hingga
dihasilkannya output informasi bagi user, yaitu: acquired, accessed, analytic, dan application.

Acquired Berhubungan dengan sumber dan cara mendapatkan data. Accessed berhubungan
dengan daya akses data; data yang sudah dikumpulkan memerlukan tata kelola, integrasi,
storage dan computing agar dapat dikelola untuk tahap berikutnya. Analytic Berhubungan
dengan informasi yang akan didapatkan, hasil pengelolaan data yang telah diproses. Analitik
yang dilakukan dapat berupa descriptive (penggambaran data), diagnostic (mencari sebab
akibat berdasar data), predictive (memprediksi kejadian dimasa depan) maupun prescriptive
analytics (merekomendasikan pilihan dan implikasi dari setiap opsi). Application terkait
visualisasi dan reporting hasil dari analitik.

2.2 Machine Learning

Machine Learning (ML) merupakan cabang dari Artificial Intelligence dengan kemampuan
mesin untuk mengakses data yang ada dengan perintah mereka sendiri. Machine Learning
(ML) juga mampu mempelajari data yang ada dan melakukan tugas-tugas tertentu. Machine
Learning mampu melakukan ini dengan metode mempelajari algoritma dan model statistik
yang ada. Tugas-tugas yang dilakukan oleh Machine Learning ini beragam. Tergantung pada
jenis pembelajaran apa yang akan dilakukan oleh Machine Learning (ML).

Sistem Machine Learning bekerja dengan memetakan input X ke output Y, dengan tujuan agar
dataset dapat melakukan tindakan sesuai yang kita inginkan. Biasanya hal ini dilakukan tanpa
instruksi khusus sehingga program ML dalam hal ini mampu menemukan hubungan antara
satu data dengan data lain nya secara mandiri.

4
Model dari Machine Learning ini sendiri tidak begitu saja terstruktur. Dalam hal ini disebut
validation data, validasi data ini kemudian di masukkan kedalam sebuah model untuk menguji
akurasi dan melakukan penyesuaian. Dari sinilah Machine ‘Learning’ atau belajar dimulai.
Ketika metrik yang di inginkan tercapai dan model dapat menyelesaikan tugas dengan sukses
secara sendirinya. Software dalam pembuatan Machine Learning (ML) adalah bahasan
pemrograman Phyton.

2.3 Data Visualization

Data visualization atau visualisasi data adalah representasi grafis dari informasi dan data.
Dengan kata lain, data visualization mengubah kumpulan data besar dan kecil menjadi visual,
sehingga lebih mudah dipahami dan diproses oleh otak manusia.

Data visualization dapat dalam bentuk diagram atau grafik. Salah satu yang bentuk data
visualization yang paling populer adalah infografik, yakni perpaduan antara beragam bentuk
visualisasi dengan potongan-potongan informasi. Menggunakan elemen-elemen, seperti tabel,
grafik, dan peta, data visualization memberikan kemudahan untuk melihat dan memahami
berbagai fakta, tren, pencilan, serta pola-pola dalam data.

Software untuk mengolah big data agar menjadi data visual menggunakan software Tableau.
Tableau adalah sebuah tools yang dapat mempermudah pembuatan analisis visual interaktif
dalam bentuk dashboard.

5
 3 CHAPTER 3:
HOW TO IMPLEMENT IT

3.1 Big Data dalam Kegiatan Tambah Daya Super WOW

Di tengah pandemi Covid-19, kebutuhan listrik di rumah pelanggan semakin meningkat. Hal
ini terlihat dari tingginya antusias masyarakat melakukan tambah daya listrik. Guna
mendukung masyarakat untuk tetap produktif dan nyaman beraktivitas dari rumah di masa
Pandemi Covid-19 ini, PLN menghadirkan Program Gebyar Kemerdekaan 2020 berupa Diskon
Tambah Daya Listrik “Super Wow”.

Pada Program Gebyar Kemerdekaan 2020, UP3 Ciracas mendapatkan target 3.168 pelanggan
untuk dapat melakukan tambah daya. Dengan menggunakan Big Data Analysis, dilakukan
analisis untuk pelanggan perumahan di UP3 Ciracas. Data didapatkan dari data Asset EAM dan
data AP2T. Dari data tersebut didapatkan total pelanggan 15.652 target pelanggan perumahan
dengan daya 900 VA hingga 4.400 VA. Dari data tersebut disegmentasi lagi dan dilakukan
analisis spasial, didapatkan beberapa TO untuk dilakukan pemasaran secara aggresif. TO
tersebut didasarkan pada masih banyaknya pelanggan 900 VA dan 1300 VA pada daerah
tersebut.

Dari Big Data Analysis tersebut terdapat 12 perumahan dan kluster yang memiliki rumah
dengan daya yang masih rendah dibandingkan dengan rumah rumah di sekitarnya. 12
perumahan inilah yang akan dijadikan TO untuk melakukan aggressive marketing.

6
Dari hasil melakukan Big Data Analysis untuk kegiatan Tambah Daya Super WOW, UP3 Ciracas
mendapatkan pencapaian 113,42% dari target.

3.2 Big Data dalam Analisis Spasial Response Time Pelanggan

Selama ini, data data pelanggan yang masuk ke APKT sangat banyak dan belum dilakukan
analisis secara maksimal. Setiap hari di UP3 Ciracas, terdapat data pelanggan yang masuk ke
Contact Center 123 sekitar 3.000 hingga 4.000 komplain gangguan. Dari data pelanggan yang

7
masuk ke APKT, bisa didapatkan data response time dan recovery time setiap gangguan dan
komplain pelanggan.

Dengan menggunakan Big Data Analysis data response time setiap pelanggan dapat kita
analisis dan kita petakan secara spasial. Dari analisis tersebut kita bias mendapatkan daerah
yang memiliki response time yang lama diatas rata rata response time daerah yang lain.
Dengan menvisualisasikan data tersebut, akan lebih mudah dalam mengambil langkah
strategis dan program kerja yang lebih tepat sasaran.

Daerah dengan Response time yang tinggi untuk UP3 Ciracas ada di sekitar daerah Kalisari,
Cijantung dan Ceger.

3.3 Big Data dalam Analisis Spasial Resiko Tegangan Drop

Saat ini perbaikan tegangan drop pada sisi pelanggan merupakan perbaikan korektif.
Tegangan Drop didapatkan dari laporan pelanggan baik melalui Contact Center 123 atau
datang langsung ke kantor PLN terdekat. Sesuai dengan standar PLN (SPLN) setiap gardu
maksimal 10 gawang dari gardu untuk menghindari adanya kualitas tegangan yang buruk yang
diterima oleh pelanggan.

8
Dengan menggunakan Big Data Analysis, bisa memperkirakan daerah daerah yang tidak
tercover oleh gardu distribusi. Dengan menggunakan data Asset EAM dan menggunakan
analisis spasial didapatkan beberapa daerah yang tidak tercover oleh Gardu distribusi. Daerah
daerah tersebut akan lebih rentan terhadap kualitas tegangan yang buruk. Dengan
menggunakan Big Data Analysis, kita bisa memperoleh daerah daerah prioritas untuk dibangun
gardu sisip untuk memperbaiki kualitas tegangan pada daerah tersebut.

Data yang digunakan untuk Big Data Analysis adalah data Asset EAM UP3 Ciracas. Dari hasil
analisis tersebut, didapatkan 3 daerah yang masih tidak tercover oleh gardu distribusi PLN.
Tiga daerah tersebut dijadikan daerah prioritas untuk dibangun gardu sisip.

3.4 Big Data dalam Pemetaan Beban Trafo

Beban Overload trafo merupakan permasalahan yang selalu muncul setiap tahun di UP3
Ciracas. Permasalahan overload trafo salah satunya dapat diselesaikan dengan melakukan
pecah beban JTR ke gardu lain yang terdekat. Big Data Analysis dapat mengolah data data

9
Asset EAM dan pembebanan pada masterjardis ke dalam bentuk spasial. Dari hasil analisis
tersebut didapatkan pada UP3 Ciracas 2 daerah yang memiliki pembebanan trafo tinggi /
overload. Gardu pada daerah tersebut memiliki pembebanan yang tinggi, sehingga tidak dapat
dilakukan pecah beban JTR jika akan menyelesaikan permasalahan beban overload trafo.

Dari Big Data Analysis tersebut didapatkan daerah yang menjadi prioritas untuk dilakukan
pembangunan gardu sisip atau trafo sisip untuk menyelesaikan permasalahan beban overload
trafo. Daerah yang memiliki pembebanan tinggi di UP3 Ciracas adalah daerah sekitar Kalisari
dan Cilangkap.

10
 4 CHAPTER 4:
IMPACT TO COMPANY

4.1 Penajaman Analisa Data

Sejumlah data-data yang telah dianalisa Tujuan utama dari visualisasi data adalah untuk
mengkomunikasikan informasi secara jelas dan efisien kepada pengguna lewat grafik
informasi yang dipilih, seperti peta, tabel dan grafik. Visualisasi yang efektif akan membantu
pengguna dalam menganalisis dan penalaran tentang data dan bukti. Ia membuat data yang
kompleks bisa diakses, dipahami dan berguna. Pengguna bisa melakukan pekerjaan analisis
tertentu, seperti melakukan pembandingan atau memahami kausalitas. Visualisasi data
mengacu pada teknik yang digunakan untuk mengkomunikasi data atau informasi dengan
membuatnya sebagai objek visual. Tujuannya yaitu untuk mengkomunikasikan informasi
secara jelas dan efisien kepada pengguna. Ia merupakan salah satu tahap dalam analisis data
atau ilmu data. Menurut Friedman (2008) "tujuan utama dari visualisasi data adalah untuk
mengkomunikasikan informasi secara jelas dan efektif dengan cara grafis.”

Penerapan Visualisasi data ini sangat bermanfaat untuk diterapkan di PLN mengingat Aset PLN
maupun Pelanggan PLN yang lokasinya sangat tersebar. Sebagai contoh adalah untuk
menentukan Pekerjaan investasi pembangunan Gardu Sisip untuk mengurangi potensi Gardu
Overload ataupun potensi Tegangan Drop. Pada bab sebelumnya telah dilakukan visualisasi
data-data pengukuran asset Trafo Disribusi yang sudah dimiliki, data tersebut kemudian
divisualisasikan menjadi data berbentuk Peta, sehingga dapat lebih mudah dilakukan Analisa
dibanding data-data yang hanya berbentuk angka. Visualisasi data ini dapat memudahkan dan
semakin mempertajam Analisa dalam menentukan suatu keputusan untuk melakukan suatu
Pekerjaan.

4.2 Data Driven

Data-data yang tidak hanya dapat dianalisa secara data tetapi juga secara visual maka dapat
memudahkan dan mempertajam dalam pengambilan keputusan terbaik guna peningkatan
kinerja PLN. Untuk mencapai tujuan akhir PLN untuk memberikan layanan dan keandalan
supply energy listrik kepada semua Pelanggan, maka setiap keputusan yang diambil PLN akan
membutuhkan analisis data dalam setiap kegiatan Perusahaan. Dalam operasional sehari-hari
juga akan dapat dilakukan pemantauan terkait dampak dari hasil pekerjaan yang telah
dilakukan guna mengevaluasi efektifitasnya. Sehingga dapat diketahui manfaat yang diperoleh
PLN dengan melakukan Pekerjaan-Pekerjaan yang telah dilakukan.

11
Dalam contoh pada Bab sebelumnya, Penggunaan Big Data dapat dimanfaatkan guna
menunjukkan Lokasi Target Pemasaran Super Wow. Dengan Big Data kita dapat mengetahui
daerah / lokasi dimana saja yang mayoritas Pelanggannya dapat memanfaatkan Promo Super
Wow tersebut. Hal ini tentu saja sangat meningkatkan efektifitas dan efisiensi kemana
Program Pemasaran harus dilakukan. Dibandingkan harus melakukan Pemsaran ke seluruh
lingkup Wilayah UP3 Ciracas yang pasti membutuhkan waktu dan sumber daya yang lebih
besar.

Dalam contoh lain pada Bab sebelumnya, Penggunaan Big Data dapat dimanfaatkan guna
menunjukkan lokasi Penentuan Investasi Pembangunan Gardu Sisip Baru. Dengan Big Data
kita dapat mengetahui daerah / lokasi dimana saja yang cakupan wilayahnya yang jauh dari
Gardu Distribusi PLN yang mana berpotensi akan menjadi drop tegangan bagi Pelanggan
ataupun potensi Gardu tersebut mengalami overload karena cakupan wilayah Pelanggan yang
dapat dilayani terlalu banyak. Hal ini tentu saja sangat meningkatkan efektifitas dan efisiensi
Pelaksanaan pekerjaan mengingat kondisi PLN saat ini sangat terbatas terkait Anggaran
Investasi.

Dengan kata lain, Data yang dimiliki dapat menentukan arah (Data Driven) dimana Rencana
Kegiatan ataupun Jenis Pekerjaan apa yang paling tepat dilakukan guna Peningkatan Kinerja
Perusahaan.

4.3 Predictive Analysis

Dengan menggunakan Big Data Analysis, proses bisnis dapat melakukan pekerjaan secara
preventif berdasarkan data data yang sudah ada. Proses bisnis dapat melakukan pekerjaan
secara Predictive Analysis. Predictive analytics merupakan cara statistik yang berhubungan
dengan penggalian informasi dari data dan menggunakannya untuk memprediksi tren dan pola
perilaku.

Sebagai contoh Big Data Analysis dalam Analisis Spasial Resiko Tegangan Drop, sebelumnya
penanganan tegangan drop pada pelanggan dilakukan setelah ada laporan tegangan drop dari
pelanggan atau pekerjaan korektif. Namun, dengan menggunakan Big Data Analysis,
penanganan tegangan drop dapat dilakukan secara preventif dengan mengolah dan
menganalisis data data yang telah ada.

12
 BIODATA

NAMA : LUKITA WAHYU PERMADI

JABATAN : AE PEMELIHARAAN DISTRIBUSI
NIP : 9215918ZY
TELEPON : 085643744605
E-MAIL : lukita.permadi@pln.co.id

NAMA : WILDAN IMANUR R

JABATAN : MAN II REN
NIP : 9215885ZY
TELEPON : 08993673562
E-MAIL : wildan.ir@pln.co.id

13