Comparative Study Of Monthly Electricity Consumption Clusterization Using K-Means and DBSCAN

Abstract

Menganalisis pola konsumsi listrik sangat penting untuk meningkatkan efisiensi distribusi energi dan mengidentifikasi anomali seperti lonjakan yang tidak biasa atau kemungkinan pencurian listrik. Penelitian ini menyajikan analisis komparatif dua algoritma klaster—K-Means dan DBSCAN—dalam mengklasifikasikan penggunaan listrik bulanan pelanggan PT PLN (Persero) Rayon Ngunut, yang mencakup Kecamatan Rejotangan, Ngunut, Kalidawir, dan Pucanglaban. Dataset tersebut mencakup catatan konsumsi dari bulan November dan Desember 2024. Algoritma K-Means, yang menggunakan pendekatan klaster berbasis centroid, bekerja efektif pada dataset yang seragam, sementara DBSCAN, sebuah metode berbasis kepadatan, lebih mampu mengenali outlier dan pembentukan klaster yang tidak sferis. Kinerja kedua algoritma dievaluasi menggunakan Akurasi, Mean Squared Error (MSE), Presisi, Recall, dan F1-Score. Hasil eksperimen menunjukkan bahwa K-Means mencapai akurasi 96%, MSE 0,0400, presisi 0,71, recall 1,00, dan skor F1 0,83. Sebaliknya, DBSCAN mencapai akurasi 76%, MSE 0,2400, presisi 0,29, recall 1,00, dan skor F1 0,45. Hasil ini menunjukkan bahwa K-Means menghasilkan klaster yang lebih kompak dan konsisten, sementara DBSCAN lebih unggul dalam mengidentifikasi anomali, dengan total mendeteksi 17 outlier. Akibatnya, K-Means dianggap lebih cocok untuk pengelompokan konsumsi yang stabil, sedangkan DBSCAN direkomendasikan untuk tujuan deteksi anomali. Temuan ini diharapkan dapat membantu PT PLN (Persero) dalam mengembangkan strategi berbasis data dan adaptif untuk manajemen energi yang lebih efisien.