Distribusi listrik adalah proses penyaluran energi listrik dari sumber ke konsumen melalui sistem penyulang. Gangguan pada penyulang dapat mengganggu kontinuitas pasokan listrik dan mempengaruhi kualitas layanan kepada konsumen. Penelitian ini bertujuan untuk membandingkan metode Hierarchical Clustering dan DBSCAN dalam mengidentifikasi pola gangguan pada distribusi penyulang listrik di Banten, menggunakan data time series gangguan dari Oktober hingga Desember 2024. Proses pengolahan data meliputi pengumpulan data gangguan penyulang, pembersihan data untuk menghilangkan outlier dan data yang tidak konsisten, serta pemilihan fitur-fitur relevan seperti frekuensi gangguan, tren line section, jumlah perubahan paralel, rata-rata lockout, rasio gangguan, serta variasi mode FLISR. Hasil evaluasi menunjukkan bahwa DBSCAN menghasilkan Silhouette Score sebesar (0,907), yang mengindikasikan pemisahan klaster yang lebih baik secara internal, sementara Hierarchical Clustering memperoleh nilai Silhouette Score sebesar (0,348), yang menunjukkan pemisahan klaster yang kurang optimal. Dalam hal keselarasan dengan struktur referensi data, Hierarchical Clustering memperoleh nilai Adjusted Rand Index (ARI) sebesar (0,402), sedangkan DBSCAN memiliki ARI lebih rendah (0,324). Hierarchical Clustering berhasil mengelompokkan seluruh data ke dalam 5 klaster, sementara DBSCAN juga membentuk 5 klaster namun menyisakan sebagian data sebagai noise karena tidak memenuhi kriteria densitas. DBSCAN lebih efektif digunakan dalam membentuk klaster dengan kepadatan tinggi dan terpisah secara spasial, sementara Hierarchical Clustering lebih stabil digunakan dalam mencocokkan klaster dengan pola data time series berlabel.

Electricity distribution is the process of distributing electrical energy from the source to consumers through a feeder system. Disruptions to feeders can disrupt the continuity of electricity supply and affect the quality of service to consumers. This study aims to compare the Hierarchical Clustering and DBSCAN methods in identifying patterns of disturbances in the distribution of electricity feeders in Banten, using time series data of disturbances from October to December 2024. The data processing process includes collecting feeder fault data, data cleansing to eliminate outliers and inconsistent data, and selecting relevant features such as interference frequency, line section trends, number of parallel changes, lockout averages, interference ratios, and FLISR mode variations. The results of the evaluation showed that DBSCAN produced a Silhouette Score of (0.907), which indicated better cluster separation internally, while Hierarchical Clustering obtained a Silhouette Score of (0.348), which indicated a less than optimal cluster separation. In terms of alignment with the data reference structure, Hierarchical Clustering obtained an Adjusted Rand Index (ARI) value of (0.402), while DBSCAN had a lower ARI (0.324). Hierarchical Clustering managed to group all the data into 5 clusters, while DBSCAN also formed 5 clusters but left some of the data as noise because it did not meet the density criteria. DBSCAN is more effectively used in forming high density and spatially separated clusters, while Hierarchical Clustering is more stable in matching clusters with labeled time series data patterns.