Komparasi Gaussian Mixture Model dan K-Means dalam Clusterisasi Pelanggan Listrik Berdasarkan Parameter Hunian dan Tagihan Konsumsi Listrik Rumah Tangga

Abstract

Penelitian ini bertujuan untuk mengukur kualitas penggunaan algoritma K-Means dan Gaussian Mixture Model (GMM) dalam pengelompokan pelanggan listrik dengan parameter luas rumah, jumlah penghuni, dan jumlah tagihan listrik setiap bulan dalam rumah tangga. Data yang digunakan pada penelitian ini berasal dari situs Kaggle dengan jumlah data sebanyak 1000 entries. Penentuan cluster pada algoritma K-Means menggunakan metode Elbow sedangkan pada algoritma GMM menggunakan metode BIC. Kedua algoritma menghasilkan jumlah cluster yang berbeda, pada K-Means didapat hasil k = 3 sedangkan pada GMM k = 6. Hasil menunjukan kualitas K-Means lebih unggul bandingkan dengan GMM, yang dibuktikan dengan nilai Silhoute Score yang lebih besar yaitu 0.4.