Kebutuhan akan energi listrik terus meningkat seiring dengan perkembangan teknologi dan pertumbuhan populasi, yang menimbulkan tantangan signifikan dalam perencanaan dan pengelolaan konsumsi energi. Ketidakmampuan untuk secara akurat memprediksi dan mengklasifikasikan konsumsi energi listrik dapat menyebabkan ketidakseimbangan antara penawaran dan permintaan, yang pada gilirannya dapat meningkatkan biaya operasional dan risiko pemadaman listrik. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan menerapkan metode Seasonal AutoRegressive Integrated Moving Average (SARIMA) untuk prediksi konsumsi energi listrik dan Learning Vector Quantization (LVQ) untuk klasifikasi konsumsi energi listrik. Metode SARIMA digunakan untuk memprediksi konsumsi energi listrik, dengan hasil menunjukkan bahwa model ini mampu menangkap pola musiman dan tren jangka panjang dalam data, menghasilkan akurasi prediksi yang tinggi dengan nilai Mean Absolute Percentage Error (MAPE) bervariasi antara 5,28% hingga 7,76%. Di sisi lain, metode LVQ digunakan untuk mengklasifikasikan konsumsi energi listrik ke dalam kategori rendah, sedang, dan tinggi, dengan hasil menunjukkan tingkat akurasi klasifikasi di atas 87%, yang menunjukkan bahwa metode ini efektif dalam mengidentifikasi pola konsumsi energi di berbagai segmen pengguna.

The demand for electricity continues to rise with technological advancements and population growth, posing significant challenges in planning and managing energy consumption. Inaccurate forecasting and classification of electricity consumption can lead to imbalances between supply and demand, resulting in increased operational costs and a higher risk of power outages. This study aims to address these issues by applying the Seasonal AutoRegressive Integrated Moving Average (SARIMA) method for forecasting electricity consumption and Learning Vector Quantization (LVQ) for classifying electricity consumption. The SARIMA method is employed to forecast electricity consumption, with results indicating that the model effectively captures seasonal patterns and long-term trends in the data, achieving high forecasting accuracy with Mean Absolute Percentage Error (MAPE) values ranging from 5.28% to 7.76%. On the other hand, the LVQ method is used to classify electricity consumption into low, medium, and high categories, with results demonstrating a classification accuracy exceeding 87%, highlighting the method's effectiveness in identifying consumption patterns across different user segments.