Data time series merupakan data dinamis yang berskala besar dengan dimensi tinggi yang kadang memiliki variabel yang noise. Clustering data time series dapat memberikan pola yang menarik dan potensi informasi di antara kumpulan data yang homogen. Namun Multikolinearitas sering menjadi masalah dalam melakukan Clustering dengan adanya hubungan yang mendekati linear diantara variabelvariabel. Korelasi yang tinggi antara dua variabel memiliki arti variabel memiliki tren yang sama dan cenderung membawa informasi yang sama. Pemeriksaan hubungan antar variabel sangat penting karena variabel yang sangat berkorelasi dapat mempengaruhi kinerja hasil clustering. Tujuan dari penelitian ini adalah untuk mengetahui apakah dengan menggunakan reduksi dimensi dan clustering berbasis partisi dapat meningkatkan hasil kinerja clustering yang telah ditentukan pada data time series emisi gas. Metode reduksi dimensi yang digunakan adalah Principal component analysis, dan metode clustering yang digunakan adalah CLARA. PCA digunakan untuk mengurangi korelasi antar variabel pada dataset dengan jumlah komponen yang telah ditentukan. Tujuan dari penelitian ini adalah melakukan perbandingan kinerja antara clustering berbasis partisi tanpa reduksi dimensi dan menggunakan reduksi dimensi. Hasil kinerja clustering terbaik diperoleh nilai silhouette score coefficient pada metode CLARA menggunakan reduksi dimensi PCA menjadi 2 komponen sebesar 0.4904 dengan jumlah cluster 2, serta nilai Davies Bouldin Index (DBI) terbaik pada metode CLARA menggunakan reduksi dimensi PCA menjadi 2 komponen sebesar 0.4904 dengan jumlah cluster 2.