<![CDATA[Abstrak Pengelompokan pola konsumsi listrik rumah tangga merupakan pendekatan penting dalam memahami karakteristik penggunaan energi dan mendukung pengambilan keputusan berbasis data pada sistem kelistrikan. Penelitian ini bertujuan untuk membandingkan kinerja algoritma K-Means dan Hierarchical Clustering dalam mengelompokkan pola konsumsi listrik rumah tangga menggunakan dataset Household Electric Power Consumption yang diperoleh dari Kaggle. Data yang digunakan meliputi beberapa parameter kelistrikan, seperti Global Active Power, Voltage, dan Current, yang melalui tahapan pre-processing berupa pembersihan data, normalisasi menggunakan Min-Max Scaling, dan reduksi dimensi menggunakan Principal Component Analysis (PCA). Evaluasi kualitas klaster dilakukan menggunakan Silhouette Coefficient dan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa algoritma K-Means menghasilkan performa klasterisasi yang lebih baik dibandingkan dengan Hierarchical Clustering, dengan nilai Silhouette Coefficient sebesar 0,67 dan Davies-Bouldin Index sebesar 0,48, sedangkan Hierarchical Clustering memperoleh nilai Silhouette Coefficient sebesar 0,59 dan Davies-Bouldin Index sebesar 0,71. Temuan ini menunjukkan bahwa K-Means lebih efektif dalam mengelompokkan data konsumsi listrik rumah tangga yang terstruktur, sedangkan Hierarchical Clustering lebih sesuai untuk mengidentifikasi hubungan data yang bersifat kompleks. Penelitian ini memberikan kontribusi dalam pemilihan metode klasterisasi yang tepat untuk analisis pola konsumsi listrik rumah tangga serta dapat mendukung pembelajaran analisis data kelistrikan pada pendidikan vokasi. Abstract The clustering of household electricity consumption patterns is an important approach for understanding energy usage characteristics and supporting data-driven decision-making in electrical systems. This study aims to compare the performance of K-Means and Hierarchical Clustering algorithms in grouping household electricity consumption patterns using the Household Electric Power Consumption dataset obtained from Kaggle. The dataset includes electrical parameters such as Global Active Power, Voltage, and Current, which underwent preprocessing stages including data cleaning, normalization using Min-Max Scaling, and dimensionality reduction through Principal Component Analysis (PCA). Cluster quality evaluation was conducted using the Silhouette Coefficient and Davies-Bouldin Index (DBI). The results indicate that the K-Means algorithm achieved better clustering performance than Hierarchical Clustering, with a Silhouette Coefficient of 0.67 and a Davies-Bouldin Index of 0.48, while Hierarchical Clustering obtained a Silhouette Coefficient of 0.59 and a Davies-Bouldin Index of 0.71. These findings suggest that K-Means is more effective for clustering structured household electricity consumption data, whereas Hierarchical Clustering is more suitable for identifying complex relationships within the data. This study contributes to selecting appropriate clustering methods for household electricity consumption analysis and supports electrical data analysis learning in vocational education.]]>
