Penerapan K-Means Clustering Untuk Mengelompokkan Tingkat Konsumsi Listrik Menurut Provinsi di Indonesia
Abstract
Electricity consumption in Indonesia continues to increase every year, but its distribution is not evenly distributed across provinces. Therefore, an analysis is needed to group regions based on electricity consumption patterns to help plan more efficient distribution. This study aims to group regions in Indonesia based on their electricity usage patterns, considering customer types such as households, industry, business, social, government buildings, and street lighting. The clustering process is performed using the k-means clustering method. The data used is official PLN data from 2019 to 2024. The analysis process is performed using RapidMiner, with steps of data preprocessing, application of K-Means, and evaluation of the results using the Davies-Bouldin Index (DBI) method. The results of the study show that the provinces in Indonesia are divided into two clusters, namely Cluster 0 with 29 provinces with low-medium consumption and Cluster 1 with 5 provinces with high consumption, especially in the Java Island region. The DBI value of 0.507 indicates that the resulting clustering is quite optimal. These results are in line with the PLN report and should support more targeted infrastructure planning and power distribution policies.
Keywords: Data Mining; K-Means Clustering; Electricity Consumption
Abstrak
Konsumsi energi listrik di Indonesia terus meningkat setiap tahunnya, namun distribusinya tidak merata di seluruh provinsi. Oleh karena itu, diperlukan analisis untuk mengelompokkan wilayah berdasarkan pola konsumsi energi listrik guna membantu perencanaan distribusi yang lebih efisien. Penelitian ini bertujuan untuk mengelompokkan wilayah-wilayah di Indonesia berdasarkan pola penggunaan listriknya, dengan mempertimbangkan jenis pelanggan seperti rumah tangga, industri, bisnis, sosial, gedung pemerintahan, dan penerangan jalan umum. Proses pengelompokan dilakukan dengan menggunakan metode k-means clustering. Data yang digunakan merupakan data resmi dari PLN tahun 2019 hingga 2024. Proses analisis dilakukan menggunakan RapidMiner, dengan tahapan pre-processing data, penerapan K-Means, dan evaluasi hasil menggunakan metode Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa provinsi di Indonesia terbagi ke dalam dua cluster, yaitu Cluster 0 dengan 29 provinsi yang memiliki konsumsi rendah-menengah dan Cluster 1 dengan 5 provinsi berdaya konsumsi tinggi, khususnya wilayah Pulau Jawa. Nilai DBI sebesar 0,507 menunjukkan bahwa pengelompokan yang dihasilkan cukup optimal. Hasil ini sejalan dengan laporan PLN dan diharapkan dapat mendukung perencanaan infrastruktur serta kebijakan distribusi energi secara lebih tepat sasaran.
Kata Kunci: Data Mining; K-Means Clustering; Konsumsi Listrik
References
PLN, “78 Tahun PLN Hadir Listriki Indonesia, Rasio Elektrifikasi Nasional Capai 99,74%,” PLN. Accessed: Oct. 20, 2024. [Online]. Available: https://web.pln.co.id/media/siaran-pers/2023/10/78-tahun-pln-hadir-listriki-indonesia-rasio-elektrifikasi-nasional-capai-9974
V. N. Setiawan, “Konsumsi Listrik RI di 2024 Naik Jadi 1.411 kWh/Kapita,” CNBC INDONESIA. [Online]. Available: https://www.cnbcindonesia.com/news/20250203151548-4-607561/konsumsi-listrik-ri-di-2024-naik-jadi-1411-kwh-kapita
G. A. Trianto, “Penjualan Meningkat, Ini Upaya PLN Listriki Sektor Bisnis dan Industri Sepanjang Tahun 2023,” PLN. Accessed: Oct. 21, 2024. [Online]. Available: https://web.pln.co.id/media/siaran-pers/2024/01/penjualan-meningkat-ini-upaya-pln-listriki-sektor-bisnis-dan-industri-sepanjang-tahun-2023
A. H. Wibowo, “Perbandingan Konsumsi Listrik Pulau-Pulau Besar di Indonesia,” GoodStats. Accessed: Oct. 20, 2024. [Online]. Available: https://data.goodstats.id/statistic/ perbandingan-konsumsi-listrik-pulau-pulau-besar-di-indonesia-imT74
Y. P. Anggriani, A. Arif, and F. Febriansyah, “Implementasi Algoritma K-Means Clustering Dalam Menentukan Blok Tanaman Sawit Produktif Pada Pt Arta Prigel,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 1820–1825, 2024, doi: 10.36040/jati.v8i2.9225.
C. Astria, A. P. Windarto, A. Wanto, and E. Irawan, “Metode K-Means pada Pengelompokan Wilayah Pendistribusian Listrik,” Semin. Nas. Sains Teknol. Inf., pp. 306–312, 2019, [Online]. Available: http://prosiding.seminar-id.com/index.php/sensasi/issue/ archivePage%7C306
A. Wati, I. Indriani, T. S. S. Manihuruk, S. Sintya, I. Y. Manurung, and A. P. Windarto, “Implementasi Datamining Pada Kasus Tenaga Listrik Yang Dibangkitkan Berdasarkan Provinsi,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 719–727, 2019, doi: 10.30865/komik.v3i1.1683.
R. D. Herdiansyah, “Penerapan Algoritma K-Means Clustering Pada Penentuan Tingkat Pemakaian Listrik (Studi Kasus: PLTBg Rantau Sakti),” Skripsi, Jurusan Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim, 2023.
I. F. Batubara and F. Z. Lubis, “Clustering Data Pelanggan Pln Helvetia MenggunakanMetode K-Means Cluster,” J. Multidisiplin Saintek, vol. 2, no. 1, pp. 71–80, 2023, [Online]. Available: https://ejournal.warunayama.org/kohesi
A. A. Herlambang, M. A. Murti, and C. Setianingsih, “Pengelompokkan Data Penggunaan Energi Listrik menggunakan Algoritma Mini Batch K-Means Clustering,” e-Proceeding Eng., vol. 9, no. 5, pp. 2144–2153, 2022.
A. Apriyadi, M. R. Lubis, and B. E. Damanik, “Penerapan Algoritma C5.0 Dalam Menentukan Tingkat Pemahaman Mahasiswa Terhadap Pembelajaran Daring,” Komputa J. Ilm. Komput. dan Inform., vol. 11, no. 1, pp. 11–20, 2022, doi: 10.34010/komputa.v11i1.7386.
N. Hendrastuty, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa,” J. Ilm. Inform. Dan Ilmu Komput., vol. 3, no. 1, pp. 46–56, 2024, [Online]. Available: https://doi.org/10.58602/jima-ilkom.v3i1.26
S. Suraya, M. Sholeh, and U. Lestari, “Evaluation of Data Clustering Accuracy using K-Means Algorithm,” Int. J. Multidiscip. Approach Res. Sci., vol. 2, no. 01, pp. 385–396, 2023, doi: 10.59653/ijmars.v2i01.504.
D. A. I. C. Dewi and D. A. K. Pramita, “Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali,” Matrix J. Manaj. Teknol. dan Inform., vol. 9, no. 3, pp. 102–109, 2019, doi: 10.31940/matrix.v9i3.1662.
IESR, “Menerangi Indonesia,” Pojok Energi, 2017.
How To Cite This :
Refbacks
- There are currently no refbacks.