Listrik merupakan sumber energi yang paling umum digunakan dalam berbagai sektor bisnis. Data konsumsi energi listrik sangat penting bagi klien korporat untuk melakukan pemantauan kemajuan operasional, memanfaatkan sumber daya yang tersedia, dan mengidentifikasi area yang dapat dihemat, sehingga menghasilkan data yang berdimensi sangat besar. Penelitian ini bertujuan untuk mengevaluasi pengaruh proses reduksi dimensi data menggunakan Algoritma Singular Vector Decomposition (SVD) dalam proses Clustering pada data konsumsi energi listrik pelanggan bisnis. Metode k-Means digunakan untuk melakukan Clustering pada data, sementara Silhouette Score digunakan untuk validitas hasil Clustering. Berdasarkan hasil penelitian menghasilkan data baru yang telah tereduksi menjadi 720 x 4 variabel, dari data asli tanpa reduksi terdiri dari 720 x 12 variabel. Hasil perhitungan dan penelitian menunjukkan bahwa data yang sudah di reduksi menghasilkan Silhouette Score sebesar 0,58397, sedangkan data tanpa direduksi menghasilkan nilai 0,51112. Algoritma Singular Vector Decomposition terbukti efektif dalam meningkatkan kualitas Clustering, sehingga disimpulkan dari perbandingan ini adalah proses klusterisasi menggunakan data yang telah direduksi lebih baik dibandingkan dengan data tanpa reduksi.

Electricity is the most commonly used energy source in various business sectors. Electrical energy consumption data is very important for corporate clients to monitor operational progress, utilize available resources, and identify areas that can be saved, resulting in data with very large dimensions. This research aims to evaluate the effect of data dimension reduction process using Singular Vector Decomposition (SVD) Algorithm in Clustering process on business customers' electrical energy consumption data. The k Means method is used to cluster the data, while the Silhouette Score is used to validate the Clustering results. Based on the research results, the new data has been reduced to 720 x 4 variables, from the original data without reduction consisting of 720 x 12 variables. The calculation and research results show that the reduced data produces a Silhouette Score of 0.58397, while the data without reduction produces a value of 0.51112. The Singular Vector Decomposition algorithm is proven to be effective in improving the quality of Clustering, so it is concluded from this comparison that the Clustering process using data that has been reduced is better than data without reduction.