Laporan International Course Program (ICP) di Universitas Medan Area

Abstract

Meningkatnya permintaan listrik di sektor perumahan menjadikan analisis konsumsi energi rumah tangga sebagai topik penting untuk meningkatkan efisiensi energi dan mendukung pengelolaan energi yang berkelanjutan. Memahami pola konsumsi listrik rumah tangga memungkinkan penyedia layanan listrik dan pembuat kebijakan untuk mengembangkan strategi pengelolaan sisi permintaan yang efektif serta mengoptimalkan distribusi energi. Penelitian ini bertujuan untuk menganalisis pola konsumsi energi rumah tangga menggunakan algoritma *clustering* K-Means, sebuah teknik *machine learning* tanpa pengawasan (*unsupervised*) yang banyak diterapkan untuk segmentasi pelanggan dan pengenalan pola. Kumpulan data konsumsi energi rumah tangga diproses awal melalui tahapan pembersihan data, pemilihan fitur, dan normalisasi guna meningkatkan kinerja *clustering*. Selanjutnya, algoritma K-Means digunakan untuk mengelompokkan rumah tangga berdasarkan karakteristik konsumsi listrik mereka. Untuk menentukan jumlah *cluster* yang optimal, diterapkan Metode Elbow. Selain itu, kualitas *clustering* dievaluasi menggunakan tiga metrik validasi internal, yaitu *Silhouette Score*, *Davies Bouldin Index* (DBI), dan *Calinski Harabasz Index* (CHI). Hasil *clustering* berhasil mengidentifikasi beberapa kelompok rumah tangga dengan perilaku konsumsi listrik yang berbeda, yang mewakili pengguna energi tingkat rendah, menengah, dan tinggi. Metrik evaluasi menunjukkan bahwa konfigurasi *clustering* yang dipilih menghasilkan *cluster* yang padat dan terpisah dengan baik, sehingga membuktikan efektivitas algoritma K-Means untuk analisis konsumsi energi rumah tangga. The increasing demand for electricity in residential sectors has made household energy consumption analysis an important topic for improving energy efficiency and supporting sustainable energy management. Understanding household electricity consumption patterns enables electricity providers and policymakers to develop effective demand-side management strategies and optimize energy distribution. This study aims to analyze household energy consumption patterns using the K-Means clustering algorithm, an unsupervised machine learning technique widely applied for customer segmentation and pattern recognition.The household energy consumption dataset was preprocessed through data cleaning, feature selection, and normalization to improve clustering performance. The K-Means algorithm was then employed to group households according to their electricity consumption characteristics. To determine the optimal number of clusters, the Elbow Method was applied. Furthermore, clustering quality was evaluated using three internal validation metrics, namely the Silhouette Score, Davies Bouldin Index (DBI), and Calinski Harabasz Index (CHI).The clustering results successfully identified several household groups with different electricity consumption behaviors, representing low, medium, and high energy users. The evaluation metrics indicated that the selected clustering configuration produced compact and well separated clusters, demonstrating the effectiveness of the K-Means algorithm for household energy consumption analysis.