<![CDATA[Konsumsi daya listrik rumah tangga merupakan aspek penting dalam manajemen energi, terutama dalam upaya meningkatkan efisiensi penggunaan listrik. Clustering merupakan salah satu metode yang dapat digunakan untuk mengelompokkan pola konsumsi daya listrik berdasarkan karakteristik tertentu. Penelitian ini bertujuan untuk membandingkan performa algoritma K-Means dan Density-Based Spatial Clustering of Applications with Noise (DBSCAN) dalam mengelompokkan beban listrik rumah tangga. Dataset yang digunakan berasal dari Household Electric Power Consumption yang tersedia di Kaggle, yang mencatat konsumsi daya listrik rumah tangga dalam satuan menit selama beberapa tahun. Data yang telah diproses melalui tahapan pembersihan, normalisasi, dan reduksi dimensi kemudian diklasterisasi menggunakan K-Means dan DBSCAN. Evaluasi performa dilakukan berdasarkan Silhouette Score dan Davies-Bouldin Index untuk mengukur kualitas klaster yang dihasilkan oleh kedua algoritma. Hasil penelitian menunjukkan bahwa K-Means lebih unggul dalam mengelompokkan data dengan pola konsumsi yang jelas dan terdistribusi secara linier, sementara DBSCAN lebih efektif dalam mendeteksi klaster dengan kepadatan yang bervariasi serta mengidentifikasi data pencilan (outliers). Dengan demikian, pemilihan algoritma klasterisasi sangat bergantung pada karakteristik data dan tujuan analisis yang ingin dicapai.]]>
Copyrights © 2025
