Segmentasi pelanggan listrik diperlukan untuk meningkatkan efisiensi layanan dan merancang strategi tarif yang lebih tepat sasaran. Dengan mengelompokkan pelanggan berdasarkan karakteristik seperti jumlah penghuni, luas rumah, dan tagihan listrik bulanan, perusahaan listrik dapat mengoptimalkan distribusi energi serta menyesuaikan kebijakan tarif. Namun, metode klasterisasi yang paling efektif masih menjadi tantangan. Penelitian ini membandingkan dua algoritma, K-Means dan Gaussian Mixture Model (GMM), dalam mengelompokkan pelanggan listrik guna menentukan metode yang menghasilkan cluster paling valid dan representatif. Penelitian ini menggunakan dataset dari Kaggle dengan total 1.000 entri. K-Means menentukan jumlah cluster optimal menggunakan metode Elbow, sedangkan GMM menerapkan Bayesian Information Criterion (BIC). Hasil klasterisasi menunjukkan bahwa K-Means membentuk tiga cluster, sementara GMM menghasilkan sepuluh cluster. Evaluasi menggunakan Silhouette score menunjukkan bahwa K-Means memiliki skor lebih tinggi, yaitu 0,4, menandakan pemisahan cluster yang lebih baik dibandingkan GMM. Dengan demikian, penelitian ini menyimpulkan bahwa K-Means lebih efektif dalam segmentasi pelanggan listrik berdasarkan parameter yang digunakan.

Customer segmentation in the electricity sector is essential for improving service efficiency and designing more targeted pricing strategies. By grouping customers based on characteristics such as the number of occupants, house size, and monthly electricity bills, electricity providers can optimize energy distribution and adjust pricing policies accordingly. However, determining the most effective clustering method remains a challenge. This study compares two algorithms, K-Means and Gaussian Mixture Model (GMM), to identify the approach that produces the most valid and representative clusters for electricity customers. This research utilizes a dataset from Kaggle with a total of 1,000 entries. K-Means determines the optimal number of clusters using the Elbow method, while GMM applies the Bayesian Information Criterion (BIC). The clustering results show that K-Means forms three clusters, whereas GMM generates ten clusters. Evaluation using the Silhouette score reveals that K-Means achieves a higher score of 0.4, indicating better cluster separation than GMM. Therefore, this study concludes that K-Means is more effective for segmenting electricity customers based on the selected parameters.