Energi listrik merupakan komponen vital dalam kehidupan sehari-hari, dan pola konsumsi listrik tiap pelanggan dapat berbeda tergantung pada berbagai faktor. Dalam penelitian ini, Principal Component Analysis (PCA) digunakan untuk mereduksi dimensi data konsumsi energi listrik pelanggan sosial, yang kemudian dikelompokkan menggunakan metode Clustering Fuzzy C-Means (FCM). PCA membantu dalam menyederhanakan data besar dengan mengidentifikasi pola-pola penting dan menghilangkan atribut yang kurang relevan, sehingga proses klasterisasi menjadi lebih efisien dan akurat. PCA mereduksi dimensi data konsumsi energi listrik pelanggan sosial dengan 13 kolom menjadi 11 kolom dengan 2 komponen utama dengan jumlah kumulatif data sebesar 85% varians data. Berdasarkan hasil evaluasi kualitas klasterisasi menggunakan Davies Bouldin Index (DBI) pada jumlah c = 2, bahwa pengelompokan data setelah reduksi dimensi memiliki kualitas clustering yang lebih baik dengan nilai 0.5585829578467303 daripada pengelompokan data sebelum reduksi dimensi dengan nilai 0.7417433300962489. Studi ini menunjukkan bahwa kombinasi PCA dan FCM dapat menjadi pendekatan yang efektif dalam analisis konsumsi energi listrik, terutama dalam skenario dengan data berdimensi tinggi.

Electric energy is a vital component of daily life, and the electricity consumption pattern of each customer may differ depending on various factors. In this study, Principal Component Analysis (PCA) is used to reduce the dimensionality of social customers' electrical energy consumption data, which is then clustered using the Fuzzy C-Means (FCM) Clustering method. PCA helps in simplifying big data by identifying important patterns and eliminating less relevant attributes, making the clustering process more efficient and accurate. PCA reduces the dimension of social customer electrical energy consumption data with 13 columns to 11 columns with 2 main components with a cumulative amount of data equal to 85% of the data variance. Based on the clustering quality evaluation results using Davies Bouldin Index (DBI) at the number of c = 2, that the data clustering after dimensional reduction has better clustering quality with a value of 0.5585829578467303 than the data clustering before dimensional reduction with a value of 0.7417433300962489. This study shows that the combination of PCA and FCM can be an effective approach in the analysis of electrical energy consumption, especially in scenarios with high-dimensional data.