Analisis multivariat pada profil beban listrik adalah pendekatan yang penting untuk memahami pola penggunaan energi secara holistik dan mendalam. Dengan mengintegrasikan berbagai faktor yang mempengaruhi konsumsi energi listrik. Studi ini bertujuan untuk melakukan profilisasi beban listrik menggunakan metode analisis komponen utama (Principal Component Analysis, PCA) dan algoritma K-Means, serta mengevaluasi pemodelan dengan Regresi Linier Berganda dan menganalisis korelasi antara variabel-variabel terkait. Data beban listrik dari suatu wilayah tertentu dikumpulkan dan diolah menggunakan teknik PCA untuk mengidentifikasi pola utama dalam distribusi beban. Selanjutnya, algoritma K-Means digunakan untuk mengelompokkan pola-pola tersebut menjadi kategori yang lebih terdefinisi. Model Regresi Linier Berganda kemudian diterapkan untuk mengevaluasi hubungan antara variabel-variabel beban listrik dengan faktor-faktor yang memengaruhinya. Analisis korelasi digunakan untuk mengeksplorasi keterkaitan antara variabel beban listrik dan faktor-faktor lingkungan atau ekonomi yang dapat memengaruhi konsumsi energi. Hasil dari penelitian ini variabel PDRB,Jumlah Rumah tangga, beban listrik pada sektor bisnis dan perumahan memiliki korelasi yang dapat dikategorikan kuat yang melebihi nilai koefisien korelasi diangka 0,6. Reduksi duabelas variabel menggunakan PCA yang mempengaruhi konsumsi energi listrik menjadi empat variabel utama yaitu PDRB,Jumlah Rumah tangga, beban listrik pada sektor bisnis dan perumahan. Pemodelan yang menggunakan metode PCA mempunyai hasil yang baik dengan nilai RMSE 1.09.

Multivariate analysis of electricity load profiles is an important approach to understand energy use patterns in a holistic and in-depth manner. By integrating various factors that influence electrical energy consumption. This study aims to profile electrical loads using the principal component analysis (PCA) method and the K-Means algorithm, as well as evaluating modeling using Multiple Linear Regression and analyzing the correlation between related variables. Electrical load data from a particular area is collected and processed using PCA techniques to identify main patterns in load distribution. Next, the K-Means algorithm is used to group these patterns into more defined categories. The Multiple Linear Regression Model is then applied to evaluate the relationship between electricity load variables and the factors that influence them. Correlation analysis is used to explore the relationship between electricity load variables and environmental or economic factors that can influence energy consumption. The results of this research are that the variables GRDP, number of households, electricity load in the business and housing sectors have a correlation that can be categorized as strong, exceeding the correlation coefficient value of 0.6. Reducing twelve variables using PCA that influence electrical energy consumption into four main variables, GRDP, number of households, electricity load in the business and housing sectors. Modeling using the PCA method has good results with an RMSE value of 1.09.