<![CDATA[Abstrak—Discord merupakan platform komunikasi digital yang digunakan untuk berbagai kebutuhan seperti komunitas, hiburan, pembelajaran, dan komunikasi daring. Perbedaan pola penggunaan Discord menyebabkan munculnya karakteristik pengguna dan tingkat kepuasan yang berbeda sehingga diperlukan proses segmentasi pengguna. Penelitian ini bertujuan untuk melakukan segmentasi pengguna Discord menggunakan metode K-Means Clustering berdasarkan pola penggunaan dan tingkat kepuasan pengguna. Dataset penelitian diperoleh melalui penyebaran kuesioner daring kepada 200 responden. Proses penelitian meliputi preprocessing data, pengujian reliabilitas menggunakan Cronbach Alpha, transformasi data, normalisasi menggunakan StandardScaler, penentuan jumlah cluster menggunakan Elbow Method, serta evaluasi model menggunakan Silhouette Score. Seluruh proses pengolahan data dilakukan menggunakan Google Colab berbasis Python. Hasil pengujian reliabilitas memperoleh nilai Cronbach Alpha sebesar 0,861 yang menunjukkan bahwa data penelitian memiliki tingkat konsistensi yang baik. Hasil penelitian menunjukkan bahwa jumlah cluster optimal diperoleh pada K=2 dengan nilai Silhouette Score sebesar 0,33. Hasil clustering berhasil membagi pengguna Discord ke dalam dua kelompok utama, yaitu kelompok pengguna aktif dengan frekuensi penggunaan, interaksi sosial, dan tingkat kepuasan yang tinggi serta kelompok pengguna moderat dengan frekuensi penggunaan dan tingkat kepuasan yang relatif lebih rendah. Visualisasi menggunakan Principal Component Analysis (PCA) menunjukkan persebaran cluster yang cukup baik.Kata Kunci— Discord, K-Means Clustering, Segmentasi Pengguna, Silhouette ScoreAbstract—Discord is a digital communication platform used for various purposes such as community activities, entertainment, learning, and online communication. Differences in Discord usage patterns lead to varying user characteristics and satisfaction levels, making user segmentation necessary. This study aims to segment Discord users using the K-Means Clustering method based on usage patterns and user satisfaction levels. The research dataset was obtained through an online questionnaire distributed to 200 Discord users. The research process included data preprocessing, reliability testing using Cronbach Alpha, data transformation, normalization using StandardScaler, determining the optimal number of clusters using the Elbow Method, and model evaluation using the Silhouette Score. All data processing was conducted using Python-based Google Colab. The reliability test obtained a Cronbach Alpha value of 0.861, indicating that the research data had good consistency. The results showed that the optimal number of clusters was obtained at K=2 with a Silhouette Score of 0.33. The clustering process successfully divided Discord users into two main groups, namely active users with high usage frequency, social interaction, and satisfaction levels, and moderate users with relatively lower usage frequency and satisfaction levels. Visualization using Principal Component Analysis (PCA) showed a fairly good distribution of the clusters.Keywords— Discord, K-Means Clustering, User Segmentation, Silhouette Score]]>
