PENERAPAN K-MEANS CLUSTERING UNTUK MENGELOMPOKKAN TINGKAT KONSUMSI LISTRIK MENURUT PROVINSI DI INDONESIA

Yenni Lutfhi Berliana; irwansyah;

ABSTRAK

Penerapan K-Means Clustering Untuk Mengelompokkan Tingkat Konsumsi

Listrik Menurut Provinsi di Indonesia

Yenni Lutfhi Berliana

Konsumsi energi listrik di Indonesia terus meningkat setiap tahunnya, namun distribusinya tidak
merata di seluruh provinsi. Oleh karena itu, diperlukan analisis untuk mengelompokkan wilayah
berdasarkan pola konsumsi energi listrik guna membantu perencanaan distribusi yang lebih efisien.
Penelitian ini bertujuan untuk mengelompokkan wilayah-wilayah di Indonesia berdasarkan pola
penggunaan listriknya, dengan mempertimbangkan jenis pelanggan seperti rumah tangga, industri,
bisnis, sosial, gedung pemerintahan, dan penerangan jalan umum. Proses pengelompokan dilakukan
dengan menggunakan metode k-means clustering. Data yang digunakan merupakan data resmi dari
PLN tahun 2019 hingga 2024. Proses analisis dilakukan menggunakan RapidMiner, dengan tahapan
pre-processing data, penerapan K-Means, dan evaluasi hasil menggunakan metode Davies-Bouldin
Index (DBI). Hasil penelitian menunjukkan bahwa provinsi di Indonesia terbagi ke dalam dua
cluster, yaitu cluster 0 dengan 29 provinsi yang memiliki konsumsi rendah-menengah dan cluster 1
dengan 5 provinsi berdaya konsumsi tinggi, khususnya wilayah Pulau Jawa. Nilai DBI (Davies
Bouldin Index) sebesar 0,507 menunjukkan bahwa pengelompokan yang dihasilkan cukup optimal.
Hasil ini sejalan dengan laporan PLN dan diharapkan dapat mendukung perencanaan infrastruktur
serta kebijakan distribusi energi secara lebih tepat sasaran.
Kata kunci: Data Mining, K-Means Clustering, Konsumsi Listrik

Implementation of K-Means Clustering for Grouping Electricity Consumption

Levels by Province in Indonesia
Yenni Lutfhi Berliana

Electricity consumption in Indonesia continues to increase every year, but its distribution is not
evenly distributed across provinces. Therefore, an analysis is needed to group regions based on
electricity consumption patterns to help plan more efficient distribution. This study aims to group
regions in Indonesia based on their electricity usage patterns, considering customer types such as
households, industry, business, social, government buildings, and street lighting. The clustering
process is performed using the k-means clustering method. The data used is official PLN data from
2019 to 2024. The analysis process is performed using RapidMiner, with steps of data
preprocessing, application of K-Means, and evaluation of the results using the Davies-Bouldin
Index (DBI) method. The results of the study show that the provinces in Indonesia are divided into
two clusters, namely Cluster 0 with 29 provinces with low-medium consumption and Cluster 1 with
5 provinces with high consumption, especially in the Java Island region. The DBI(Davies Bouldin
Index) value of 0.507 indicates that the resulting clustering is quite optimal. These results are in line
with the PLN report and should support more targeted infrastructure planning and power
distribution policies.
Keywords: Data Mining, K-Means Clustering, Electricity Consumption