Peningkatan konsumsi energi di Indonesia, terutama sektor golongan rumah tangga, industri, bisnis, sosial dan gedung pemerintah membawa tantangan bagi sektor kelistrikan untuk memahami pola konsumsi yang ada. Penelitian ini bermaksud untuk menganalisis pola konsumsi energi listrik dari data penjualan energi melalui metode clustering, dengan fokus pada algoritma DBSCAN (Density Based Spatial Clustering of Application with Noise). Salah satu faktor yang mempengaruhi dalam penerapan DBSCAN adalah penentuan nilai parameter epsilon, yang sangat mempengaruhi hasil clustering. Dalam penelitian ini, dua metode yang digunakan yaitu Grid Search Cross Validation dan Euclidean Distance. Penelitian ini bertujuan untuk melakukan komparasi kedua metode tersebut dalam menghasilkan nilai epsilon yang optimal berdasarkan evaluasi menggunakan Silhouette Score. Hasil clustering yang dihasilkan dari algoritms DBSCAN dengan nilai epsilon kedua metode tersebut dievaluasi menggunakan Silhouette Score sebagai ukuran kualitas clustering. Berdasarkan hasil penelitian yang telah dilakukan, metode pendekatan Euclidean Distance menghasilkan Silhouette Score yang lebih tinggi dengan nilai 0.76 dibandingkan dengan metode GridSearchCV yang memperoleh nilai 0.68. Berdasarkan hasil ini menunjukan bahwa nilai penentuan nilai epsilon dengan metode Euclidean Distance memberikan hasil clustering yang lebih baik pada algoritma DBSCAN dari data penjualan energi pergolongan di Indonesia.

The increasing energy consumption in Indonesia, especially in the household, industrial, business, social, and government buliding sectros, poses a challenge for the electricity sector to understand existing consumption patterns. This study aims to analyze electricity consumption patterns from energy sales data using clustering methods, focusing on the DBSCAN (Density Based Spatial Clustering of Application with Noise) algorithm. One of the factors affecting the application of DBSCAN is determining the epsilon parameter value, which significantly influences the clustering results. In this study, two methods were used: Grid Search Cross Validation and Euclidean Distance. The study aims to compare these two methods in producing the optimal epsilon value based on evaluation using the Silhouette Score. The clustering results from the DBSCAN algorithm with epsilon values obtained from both methods were evaluated using Silhouette Score as a clustering wuality measure. Based on the research findings, the Euclidean Distance method produced a higher Silhouette Score with a value of 0.76 compared to GridSearchCV method, which achieved a value of 0.68. These results indicate that determining the epsilon valye using the Euclidean Distance method provides better clustering results in the DBSCAN algorithm for energy sales data across consumer categories in Indonesia.