Gangguan berulang pada jaringan distribusi listrik di wilayah rawan menjadi salah satu hambatan serius bagi kinerja PLN karena berdampak pada keandalan pasokan dan efisiensi operasional. Tantangan ini sering terjadi akibat belum optimalnya pemanfaatan data historis untuk mengidentifikasi pola gangguan yang konsisten. Penelitian ini bertujuan menemukan pola asosiasi gangguan berulang dengan menggunakan algoritma Apriori sebagai metode analisis data. Pendekatan penelitian mengikuti kerangka kerja CRISP-DM yang meliputi tahap pengumpulan data gangguan periode Januari–Agustus 2024 dari sistem Trouble Ticket dan SCADA, pembersihan dan transformasi data ke format transactional, penerapan algoritma Apriori dengan parameter minimum support, minimum confidence, dan lift, hingga evaluasi hasil bersama teknisi PLN. Hasil penelitian menunjukkan bahwa gangguan pada infrastruktur fiber optic, seperti Putus Kabel FO dan Core FO Problem, merupakan pola dominan yang sering terjadi bersamaan di wilayah dengan tingkat gangguan tinggi seperti DKI Jakarta, Banten, dan Jawa Barat. Secara kuantitatif, aturan FOT – SOFTWARE → MCB PROBLEM memiliki support 18,5%, confidence 74%, dan lift 2,40, yang menunjukkan hubungan kuat dan peningkatan peluang kejadian secara signifikan ketika gangguan FOT – SOFTWARE terjadi. Temuan ini dapat dimanfaatkan PLN untuk menetapkan prioritas pemeliharaan preventif, memperbaiki akurasi pencatatan data gangguan, serta mengembangkan sistem prediksi berbasis pola historis. Implementasi algoritma Apriori terbukti efektif dalam mendukung pengambilan keputusan berbasis data untuk mengurangi risiko gangguan berulang dan meningkatkan keandalan sistem distribusi listrik.