Listrik telah menjadi kebutuhan yang tidak terlepas dalam aktivitas manusia sehari-hari. Peranan listrik kini tidak hanya menjadi kebutuhan sekunder, namun telah menjadi kebutuhan primer, hal ini disebabkan karena tanpa adanya listrik maka dapat menghambat suatu kegiatan sehari-hari. Profil beban merupakan gambaran tentang bagaimana penggunaan energi listrik berfluktasi dari waktu ke waktu. Hal tersebut mempunyai dampak signifikan dalam perencanaan, pengoperasian, serta manajemen pendistribusian listrik. Dalam penelitian ini, bertujuan untuk menganalisis pola waktu penggunaan energi listrik pada pelanggan rumah tangga melalui penerapan algoritma k means clustering. Dengan mengelompokan data penggunaan energi berdasarkan waktu penggunaan diharapkan dapat diperoleh profil pengguna yang lebih spesifik. Data pengguna energi listrik harian dari sejumlah pelanggan rumah tangga dikumpulkan dan dianalisis dengan menggunakan algoritma k-means clustering. Hasil clustering dari 168 record data pelanggan rumah tangga menunjukan bahwa ada 104 anggota yang masuk kedalam cluster 1, 10 anggota masuk kedalam cluster 2, dan 54 anggota yang masuk kedalam cluster 3. Nilai Davies Bouldin Index (DBI) diperoleh mendekati 0 yaitu sebesar 0,181413. Nilai DBI tersebut menunjukan bahwa algoritma k-means menghasilkan kualitas clustering yang baik.

Electricity has become an inseparable necessity in daily human activities. The role of electricity is now not only a secondary need, but has become a primary need, this is because without electricity it can hinder daily activities. A load profile is a depiction of how electrical energy use fluctuates over time. This has a significant impact on planning, operation and management of electricity distribution. In this research, the aim is to analyze the time pattern of electrical energy use for household customers through the application of the k-means clustering algorithm. By grouping energy usage data based on usage time, it is hoped that a more specific user profile can be obtained. Daily electricity user data from a number of household customers was collected and analyzed using the k-means clustering algorithm. The clustering results of 168 household customer data records show that there are 104 members who fall into cluster 1, 10 members fall into cluster 2, and 54 members fall into cluster 3. The Davies Bouldin Index (DBI) value is close to 0, namely 0, 181413. The DBI value shows that the k-means algorithm produces good clustering quality.