Dalam era digital, industri kelistrikan, termasuk PLN, menghadapi tantangan mengelola data pelanggan yang besar dan bervariasi. Berdasarkan data Badan Pusat Statistik Indonesia tahun 2022, kelompok Rumah Tangga memiliki pelanggan tertinggi, sementara kelompok Publik terendah. Pola konsumsi listrik yang berbeda memerlukan analisis mendalam untuk pengelolaan yang efesien. Penelitian ini bertujuan untuk menentukan jumlah Cluster optimal dalam metode K-Means menggunakan pendekatan Elbow. Fokus penelitian ini adalah menganalisis pola konsumsi daya listrik pada pelanggan tegangan rendah, khususnya kelompok rumah tangga dan Publik. Data yang digunakan ialah hasil konsumsi energi listrik pada pelanggan listrik tegangan rendah pada kelompok pelanggan Rumah Tangga dan Publik sebanyak 168 data setelah tahap preprocessing data dari masing-masing kelompok dengan melibatkan atribut waktu dan konsumsi daya aktif (watt) dalam rentang waktu satu minggu Melalui pendekatan Elbow, ditemukan bahwa jumlah Cluster optimal adalah k=4, dimana terjadi penurunan signifikan pada nilai Sum Square of Error (SSE). Hasil ini diperkuat oleh nilai Davies Bouldin Index (DBI) yang menghasilkan kualitas Clustering terbaik pada titik tersebut. Metode ini terbukti efektif dan efesien dalam menentukan jumlah kluster optimal pada K-Means Clustering.

In this digital era, the electricity industry, including PLN, faces the challenge of managing large and varied customer data. Based on data from the Central Statistics Agency of Indonesia in 2022, the Household group has the highest number of customers, while the Publik group has the lowest. Different electricity consumption patterns require in-depth analysis for efficient management. This study aims to make sure the ideal number of Clusters in the K-Means Method using the Elbow approach. The focus of this study is to analyze the pattern of electricity consumption in low voltage customers, especially household and Publik groups. The data used are the results of electricity in the Houshold and Publik customer groups as many as 168 data after the data preprocessing stage from each group by involving time attributes and active power consumption (Watts) within a period of one wewek Through the Elbow approach, it was found that the optimal number of Clusters is k = 4, where there is a significant decrease in the Sum Square of Error (SSE) value. This result is reinforced by the Davies Bouldin Index (DBI) value which shows the best Clustering quality at that point. This technique has shown to be successful and efficient in figuring out how many Cluster is the ideal number for K-Means Clustering.