Listrik merupakan kompoen penting dalam kehidupan sekarang dan masa yang akan datang, untuk meningkatkan efisien produksi listrik di masa mendatang, maka perlunya dilakukan pengolahan data dari tahun tahun sebelumnya. Dalam pengolahan data ini peneliti mempunyai tujuan untuk melakukan forecasting kebutuhan listrik dimasa mendatang di Provinsi Jawa Timur, selain kebutuhan listrik harapannya peneliti dalam melakukan forecasting pada listrik terjula, jumlah data terpasang dan pelanggan listrik. Dalam melakukan forecasting peneliti menggunakan metode K-Medoids dalam pengelompokan (Clustering) Produksi Listrik, Listrik Terjual, Data Terpasang, dan Jumlah Pelanggan di Provinsi Jawa Timur. Dari data pengelompokan tersebut diperoleh 3 cluster, yaitu cluster rendah terdiri dari 2 data dan kota, cluster sedang terdiri dari 23 data dan kota, cluster tinggi terdiri dari 25 data dan kota. Diharapkan dengan adanya forecasting dapat meningkatkan efisiensi dalam penggunaan dan produksi listrik dimasa mendatang sehingga listrik dapat terus tersedia dalam keberlangsungan hidup manusia.

Alodia, D. A., Fialine, A. P., Endriani, D., & Widodo, E. (2021). Implementasi Metode K-Medoids Clustering untuk Pengelompokan Provinsi di Indonesia Berdasarkan Indikator Pendidikan. Sepren, 2(2), 1–13. https://doi.org/10.36655/sepren.v2i2.606

Batra, A. (2011). Analysis and Approach: K-Means and K-Medoids Data Mining Algorithms. 5th IEEE International Conference on Advanced Computing & Communication Technologies [ICACCT-2011] , 274, 274–279.

Defiyanti, S., Jajuli, M., & Rohmawati, N. (2017). Optimalisasi K-MEDOID dalam Pengklasteran Mahasiswa Pelamar Beasiswa dengan CUBIC CLUSTERING CRITERION. Jurnal Nasional Teknologi Dan Sistem Informasi, 3(1), 211–218. https://doi.org/10.25077/teknosi.v3i1.2017.211-218

Halim, C., Purnomo, H. D., & Wahyono, T. (2022). ANALISIS PENGELOMPOKAN WILAYAH PENYEBARAN COVID-19 di INDONESIA DENGAN METODE CLUSTERING MENGGUNAKAN ALGORITMA K-MEANS dan K-MEDOIDS. INOVTEK Polbeng - Seri Informatika, 7(2), 359. https://doi.org/10.35314/isi.v7i2.2566

Hardiyanti, F., Tambunan, H. S., & Saragih, I. S. (2019). Penerapan Metode K-Medoids Clustering Pada Penanganan Kasus Diare Di Indonesia. KOMIK (Konferensi Nasional Teknologi Informasi Dan Komputer), 3(1), 598–603. https://doi.org/10.30865/komik.v3i1.1666

Luchia, N. T., Handayani, H., Hamdi, F. S., Erlangga, D., & Octavia, S. F. (2022). Perbandingan K-Means dan K-Medoids Pada Pengelompokan Data Miskin di Indonesia. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 2(2), 35–41. https://doi.org/10.57152/malcom.v2i2.422

Novita Lestari Anggreini. (2019). Teknik Clustering Dengan Algoritma K-Medoids Untuk Menangani Strategi Promosi Di Politeknik Tedc Bandung. Jurnal Teknologi Informasi Dan Pendidikan, 12(2), 1–7. http://tip.ppj.unp.ac.id

Pulungan, N., Suhada, S., & Suhendro, D. (2019). Penerapan Algoritma K-Medoids Untuk Mengelompokkan Penduduk 15 Tahun Keatas Menurut Lapangan Pekerjaan Utama. KOMIK (Konferensi Nasional Teknologi Informasi Dan Komputer), 3(1), 329–334. https://doi.org/10.30865/komik.v3i1.1609

Riyanto, B. (2019). Penerapan Algoritma K-Medoids Clustering Untuk Pengelompokkan Penyebaran Diare Di Kota Medan (Studi Kasus: Kantor Dinas Kesehatan Kota Medan). KOMIK (Konferensi Nasional Teknologi Informasi Dan Komputer), 3(1), 562–568. https://doi.org/10.30865/komik.v3i1.1659

Rofiqi, A. Y. (2017). Clustering Berita Olahraga Berbahasa Indonesia Menggunakan Metode K-Medoid Bersyarat. Jurnal Simantec, 6(1), 25–32.

Sepri, D., & Fimazid, Y. (2021). Pengelompokan Penyebaran Covid-19 Di Kota Padang Menggunakan Algoritma K-Medoids. Insearch: Information System Research Journal, 1(02), 39–45. https://doi.org/10.15548/isrj.v1i02.3023

Sindi, S., Ningse, W. R. O., Sihombing, I. A., R.H.Zer, F. I., & Hartama, D. (2020). Analisis Algoritma K-Medoids Clustering Dalam Pengelompokan Penyebaran Covid-19 Di Indonesia. Jurnal Teknologi Informasi, 4(1), 166–173. https://doi.org/10.36294/jurti.v4i1.1296

Triyanto, W. A. (2015). Algoritma K-Medoids Untuk Penentuan Strategi Pemasaran Produk. Simetris : Jurnal Teknik Mesin, Elektro Dan Ilmu Komputer, 6(1), 183. https://doi.org/10.24176/simet.v6i1.254

Velamparambil, S., Mackinnon-Cormier, S., Perry, J., Lemos, R., Okoniewski, M., & Leon, J. (2008). GPU accelerated Krylov subspace methods for computational electromagnetics. Proceedings of the 38th European Microwave Conference, EuMC 2008, 1(9), 1312–1314. https://doi.org/10.1109/EUMC.2008.4751704

Velmurugan, T. (2012). Efficiency of k-Means and K-Medoids Algorithms for Clustering Arbitrary Data Points. International Journal of Computer …, 3(5), 1758–1764. http://www.researchgate.net/publication/233986697_Efficiency_of_k-Means_and_K-Medoids_Algorithms_for_Clustering_Arbitrary_Data_Points/file/d912f50dc62a03083a.pdf

Wira, B., Budianto, A. E., & Wiguna, A. S. (2019). Implementasi Metode K-Medoids Clustering Untuk Mengetahui Pola Pemilihan Program Studi Mahasiwa Baru Tahun 2018 Di Universitas Kanjuruhan Malang. RAINSTEK : Jurnal Terapan Sains & Teknologi, 1(3), 53–68. https://doi.org/10.21067/jtst.v1i3.3046.