Konsumsi tenaga listrik di Indonesia semakin hari semakin meningkat ditandai dengan pesatnya pertumbuhan teknoologi dan ekonomi nasional. Kebutuhan listrik menjadi hal yang penting bagi masyarakat.untuk itu informasi terkait dengan
Penelitian bertujuan untuk Mengimplementasikan metode Fuzzy C-Means untuk mengelompokkan wilayah provinsi berdasarkan data pembangkitan dengan atribut-atribut yang diperoleh dari buku statistika PLN tahun 2017-2018.
Metode Fuzzy C-Means merupakan satu algoritma yang mudah dan sering dipakai dalam teknik clustering atauu pengelompokan data. Beberapa penelitian telah menghasilkan kesimpulan bahwa algoritma Fuzzy C-Means dapat dipergunakan untuk mengelompokkan data berdasarkan atribut-atribut tertentu. Pada penelitian ini akan digunakan algoritma Fuzzy C-Means untuk mengelompokkan data 29 wilayah provinsi di luar Pulau jawa berdasarkan data pembangkitan energi listrik dari buku statistic listrik. Penelitian ini juga menguji tingkat akurasi tiap cluster menggunakan metode Davies Bouildin Index. Hasil Penelitian ini menujukkan bahwa cluster ke 4 pada masing masing data tahun 2017 dan 2018 adalah cluster yang paling optimal dengan perolehan nilai DBI paling kecil dari semua cluster.

Electricity consumption in Indonesia is increasingly marked by the rapid growth of technology and the national economy. Electricity needs are important for the community for that information related to
The research aims to implement the Fuzzy C-Means method to group provincial regions based on generating data with attributes obtained from PLN statistics books for 2017-2018.
The Fuzzy C-Means method is an easy algorithm and is often used in clustering techniques or data grouping. Some studies have concluded that the Fuzzy C-Means algorithm can be used to group data based on specific attributes. In this study, Fuzzy C-Means algorithm will be used to group data from 29 provinces outside java based on electrical energy generation data from the electrical statistic book. The study also tested the accuracy of each cluster using the Davies Bouildin Index method. The results of this study suggest that the 4th cluster in each of the data in 2017 and 2018 is the most optimal cluster with the least DBI value acquisition of all clusters.