Susut jaringan pada perusahaan tenaga listrik merupakan energi tersalur yang tidak dapat terjual dan berdampak negatif terhadap pendapatan perusahaan. Tingginya nilai susut jaringan, baik susut teknis maupun nonteknis, memerlukan penanganan yang efektif. Pendekatan yang murah dan efisien untuk mengurangi susut nonteknis adalah dengan memanfaatkan pembelajaran mesin untuk mengidentifikasi pelanggan yang berkontribusi terhadap susut tersebut untuk menggantikan sistem lama yang bekerja berdasarkan kriteria tertentu. Penelitian ini menggunakan berbagai data konsumsi listrik dan data pendukung lainnya sebagai masukan. Proses pengolahan data mencakup penanganan nilai kosong, duplikasi data, transformasi data, perbaikan konsistensi data, rekayasa fitur baru, dan pemilihan fitur. Untuk mengatasi ketidakseimbangan data, penelitian ini menerapkan teknik SMOTE. Selanjutnya, data dianalisis menggunakan lima algoritma ensemble: Random Forest, AdaBoost, CatBoost, LGBM, dan XGBoost. Evaluasi komparatif dan upaya perbaikan dilakukan untuk menentukan model terbaik. Hasil penelitian mengungkapkan bahwa pembagian dataset yang dikombinasikan dengan prediksi menggunakan Random Forest atau penggunaan algoritma yang lebih kompleks seperti Neural Network, lebih efektif dalam menemukan pelanggan anomali dibandingkan dengan sistem berbasis aturan. Selain itu, penelitian juga mengungkapkan peringkat variabel kunci yang berperan signifikan dalam proses tersebut.