Konsumsi energi listrik pelanggan sosial adalah area yang memerlukan analisis yang efisien, terutama ketika mengolah data berdimensi tinggi. Penelitian ini memfokuskan pada penerapan metode Piecewise Aggregate Approximation (PAA) untuk mengatasi tantangan tersebut. Dimensi data yang tinggi dapat menyulitkan proses analisis dan menghasilkan hasil yang kurang optimal. Penelitian ini bertujuan untuk mengevaluasi efektivitas metode PAA dalam mereduksi dimensi data sambil tetap mempertahankan informasi penting. Metode yang digunakan melibatkan reduksi data dari ukuran 133 x 7 menjadi 133 x 2 menggunakan PAA, diikuti dengan analisis clustering menggunakan algoritma K-means. Hasil analisis menunjukkan bahwa nilai Silhouette score pada data yang telah direduksi mencapai 0,6305, lebih tinggi dibandingkan dengan nilai 0,5653 pada data yang tidak direduksi. Skor yang lebih tinggi ini menunjukkan bahwa data yang telah direduksi dengan PAA tetap mempertahankan struktur informasi penting, sehingga menghasilkan kelompok (cluster) yang lebih jelas dan terdefinisi. Kesimpulannya, metode PAA tidak hanya efektif dalam menyederhanakan data tetapi juga meningkatkan efisiensi analisis tanpa kehilangan informasi yang signifikan.

Electricity consumption data for social customers requires efficient analysis, especially when dealing with high-dimensional data. This study focuses on applying the Piecewise Aggregate Approximation (PAA) method to address these challenges. High-dimensional data can complicate the analysis process and lead to suboptimal results. The aim of this study is to evaluate the effectiveness of the PAA method in reducing data dimensions while preserving essential information. The method involves reducing data from a size of 133 x 7 to 133 x 2 using PAA, followed by clustering analysis with the K-means algorithm. The analysis results show that the Silhouette score for the reduced data is 0.6305, which is higher compared to 0.5653 for the non-reduced data. This higher score indicates that data reduced with PAA retains important structural information, resulting in more distinct and well-defined clusters. In conclusion, the PAA method is not only effective in simplifying data but also enhances analysis efficiency without significant loss of information.