Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Data Gangguan PT. PLN UID Kalselteng

Abstract

Perusahaan Listrik Negara (PLN) merupakan salah satu perusahaan Badan Usaha Milik Negara, Dalam pendistribusian listrik sering terjadi gangguan yang menyebabkan pasoka listrik sering terdampak diantranya terjadi pemadaman, Bentuk pencegahan gangguan dilakukan dengan cara pengelompokan titik-titik gangguan yang sering terjadi, Untuk mengatasi permasalahan Terdapat berbagai metode yang dapat digunakan dalam pengelompokan data, diantaranya : DBSCAN dan K-Means. Tujuan dari penelitian ini untuk melakukan pengelompokan data gangguan menggunakan metode DBSCAN dan K-Means. Percobaan dilakukan menggunakan dataset sebanyak 2000 data yang terdiri dari 2 atribut: lattitude dan longtitude. Berdasarkan penelitian ini, Setelah melalui beberapa percobaan diperoleh hasil bahwa K-Means lebih unggul daripada DBSCAN dalam mengelompokkan data gangguan. Algoritma K-Means memiliki nilai SI terbaik sebesar 0,581 yang terletak pada percobaan dengan nilai k = 6.