Analisis Clustering Pada Data Pelanggan PT. PLN (Persero) Distribusi Jawa Barat Dan Banten APJ Bandung

PT PLN (Persero) menerapkan sistem penggolongan pelanggan berdasarkan jenis pemanfaatan serta kapasitas daya yang tersambung. Ada 6 (Enam) penggolongan yang berlaku saat ini yaitu Rumah Tangga, Industri, Sosial, Bisnis, Pemerintahan, dan Penerangan Jalan Umum. Masing-masing golongan memiliki tarif dasar listrik dan abodemen yang berbeda-beda. Namun, seiring dengan berjalannya waktu serta perkembangan teknologi kerap terjadi kesamaan dalam jumlah pemakaian listrik antar golongan. Hal ini terjadi karena ada kemungkinan kesalahan dalam tujuan pemanfaatannya. Untuk itu perlu dilakukan analisis pengelompokkan pelanggan dengan menggunakan metode clustering. Metode Clustering merupakan salah satu teknik dari Data Mining yang memiliki fungsi untuk menemukan kelompok/group secara alami dengan menggunakan tolak ukur kemiripan serta ketidakmiripan. Penerapan dari metode clustering adalah dengan cara mengelompokkan pelanggan berdasarkan kemiripan jumlah pemakaian listrik setiap bulannya (KWh). Untuk mengukur kemiripan jarak antar data digunakan algoritma K-mean. Dalam algoritma k-mean, prinsip kedekatan jarak direpresentasikan dengan nilai centroid (mean), setelah dilakukan perhitugan jarak dengan teknik Euclidian Distance maka data-data yang memiliki jarak terdekat dikelompokkan dalam satu cluster dan berlaku untuk seluruh data. Setelah dilakukan pengujian proses clustering akan terlihat kelompok-kelompok pelanggan yang terbentuk. Akan terlihat golongan pelanggan yang intensitas pemakaian listriknya hampir mirip dengan pelanggan lain tetapi terdapat perbedaan golongan yang telah ditetapkan sebelumya. Dengan demikian bisa disimpulkan bahwa metode clustering mampu menemukan atau membuat kelompok pelanggan berdasarkan intensitas pemakaian listrik (KWh).

PT PLN (Persero) introduced a system of classification of customers based on the type and capacity utilization are connected. There are six the current classification of the Household, Industrial, Social, Business, Government, and street lighting. Each faction has a base rate of electricity and different subscription. However, over time and technological developments are common similarities in the amount of electricity consumption between groups. This happens because there is the possibility of errors in the utilization goals. It is necessary for the analysis of customer grouping using clustering method. Clustering method is one of the techniques of data mining that has a function to find a group / group naturally using similarities as well as dissimilarities benchmark. The application of the method of clustering is to classify customers based on similar amounts of electricity each month (KWh). To measure the similarity distance between the data used K-means algorithm. In the k-means algorithm, the proximity principle represented by the value of the centroid (mean), after calculating distance using Euclidian Distance technique the data that has the closest distance grouped in a single cluster, and apply to all data. After testing the clustering process will be visible customer groups formed. It will be seen that the intensity of the class of customer electricity consumption is almost similar to other customers but there are different groups that have been set previously. Thus it can be concluded that the clustering method able to find or create groups of customers based on the intensity of the electricity consumption (KWh).