Penelitian ini membahas tentang penggunaan metode Principal Componnet Analysis (PCA) dan K-Means Clustering untuk analisis data konsumsi energi listrik pelanggan rumah tangga. Daya konsumsi listrik dianalisis untuk meningkatkan efisiensi dan akurasi dalam pengelompokkan data. PCA digunakan untuk mereduksi dimensi data dari tujuh variabel menjadi dua komponen utama, sehingga mengurangi kompleksitas data tanpa menghilangkan informasi penting. Selanjutnya, proses klasterisasi dilakukan menggunakan algoritma K-Means pada data hasil reduksi dan data asli yang tidak direduksi. Evaluasi hasil clustering dilakukan dengan menggunakan Davies Bouldin Index (DBI) menunjukkan bahwa data tanpa reduksi dimensi menghasilkan pengelompokan yang lebih optimal dengan nilai DBI sebesar (0,413). Penelitian ini memberikan wawasan mengenai efektivitas PCA dalam mereduksi dimensi data dan menunjukkan bahwa pengelompokan data yang lebih baik diperoleh dari data tanpa reduksi dimensi. Serta penelitian ini menyarakan eksplorasi lebih lanjut mengenai kombinasi metode PCA dengan algoritma klasterisasi lain dan penerapan evaluasi yang berbeda untuk meningkatkan akurasi hasil klasterisasi.

This study discusses the use of Principal Component Analysis (PCA) and K-Means Clustering methods for analyzing household electricity consumption data. Electricity consumption is analyzed to improve efficiency and accuracy in data grouping. PCA is used to reduce the data dimension from seven variables into two main components, thereby reducing data complexity without eliminating important information. Furthermore, the clustering process is carried out using the K-Means algorithm on the reduced data and the original unreduced data. Evaluation of clustering results is carried out using the Davies-Bouldin Index (DBI) showing that data without dimension reduction produces more optimal grouping with a DBI value of (0.413). This study provides insight into the effectiveness of PCA in reducing data dimensions and shows that better data grouping is obtained from data without dimension reduction. This study also suggests further exploration of the combination of the PCA method with other clustering algorithms and the application of different evaluations to improve the accuracy of clustering results.