Penelitian ini berfokus pada penggunaan Manhattan Distance dalam metode Hierarchical Clustering untuk pengelompokan golongan tarif pelanggan listrik. Clustering merupakan teknik dalam data mining yang bertujuan untuk mengelompokkan objek berdasarkan kesamaan karakteristik, sehingga terbentuk kelompok yang dapat dibedakan satu sama lain. Manhattan Distance dipilih sebagai metrik pengukuran jarak karena menggunakan nilai absolut untuk menghitung jarak antar titik data, berbeda dengan Euclidean Distance yang menggunakan nilai kuadrat. Hasil penelitian menunjukkan bahwa penggunaan Manhattan Distance menghasilkan pengelompokan yang optimal. Evaluasi terhadap hasil clustering dilakukan menggunakan indeks Calinski-Harabasz (CH Index), yang menghasilkan nilai sebesar 30.6388, menunjukkan bahwa kualitas pengelompokan yang diperoleh baik. Penelitian ini bertujuan untuk menentukan jumlah cluster yang optimal dan menilai kualitas hasil pengelompokan data berdasarkan kesamaan karakteristik menggunakan Manhattan Distance. Diharapkan penelitian ini dapat memberikan kontribusi dalam pengembangan teknik clustering yang lebih efektif dan efisien, khususnya dalam konteks pengelompokan pelanggan listrik.

This research focuses on the use of Manhattan Distance in the Hierarchical Clustering method for grouping electricity customer. Clustering is a technique in data mining that aims to group objects based on similar characteristics, so that groups are formed that can be distinguished from each other. Manhattan Distance was chosen as the distance measurement metric because it uses absolute values to calculate the distance between data points, in contrast to Euclidean Distance which uses squared values. The results showed that the use of Manhattan Distance resulted in optimal clustering. Evaluation of the clustering results was carried out using the Calinski-Harabasz index (CH Index), which resulted in a value of 30.6388, indicating that the quality of the clustering obtained was good. This study aims to determine the optimal number of clusters and assess the quality of data clustering results based on the similarity of characteristics using Manhattan Distance. It is hoped that this research can contribute to the development of more effective and efficient clustering techniques, especially in the context of clustering electricity customers.