<![CDATA[Persaingan industri akomodasi di Ubud yang semakin ketat menuntut pemanfaatan data reservasi secara optimal. Villa Sayong House Ubud memiliki catatan pemesanan yang belum dimanfaatkan untuk strategi pemasaran efektif. Penelitian ini menganalisis pola reservasi menggunakan algoritma K-Means Clustering untuk mengidentifikasi karakteristik pelanggan berdasarkan data historis. Metode CRISP-DM diterapkan dengan menganalisis 1.644 data reservasi periode Januari 2024–Februari 2025 mencakup empat atribut: Booking Date, Source, Room Type, dan Total Night. Pengolahan data menggunakan RapidMiner Studio dengan metode Elbow menghasilkan tiga klaster optimal. Hasil menunjukkan Cluster 0 merupakan pelanggan loyal dengan frekuensi tinggi dan durasi menginap panjang (8+ malam, 33,3%), Cluster 1 adalah pelanggan musiman dengan pemesanan moderat dan durasi pendek (1–3 malam, 33,2%), dan Cluster 2 adalah pelanggan regular dengan durasi menengah (4–7 malam, 33,2%). Visualisasi mengungkapkan pola musiman di Januari–Juli dan Desember, dominasi kamar Double Bed, preferensi platform Booking.com dan Agoda, serta durasi menginap 2–3 malam. Rekomendasi strategi meliputi program loyalitas untuk Cluster 0, promo musiman untuk Cluster 1, dan paket bundling untuk Cluster 2. Evaluasi model menunjukkan performa baik dengan Silhouette Score 0,58 dan Davies-Bouldin Index 0,95. Penelitian membuktikan K-Means Clustering efektif mengidentifikasi pola perilaku pelanggan sebagai dasar keputusan berbasis data untuk meningkatkan okupansi villa.]]>
