Kepuasan mahasiswa terhadap fasilitas kampus merupakan salah satu indikator penting dalam evaluasi mutu layanan perguruan tinggi. Penelitian ini membangun model sistem clustering berbasis algoritma K-Means untuk mengelompokkan mahasiswa ke dalam beberapa segmen kepuasan tanpa memerlukan label kelas sebelumnya (unsupervised learning). Data penelitian berasal dari survei terhadap 543 mahasiswa dengan 13 indikator kepuasan berskala 1–5 yang mencakup ruang belajar, WiFi, kantin, olahraga, lingkungan, toilet, perpustakaan, dan parkir. Seluruh fitur distandardisasi menggunakan StandardScaler sebelum pelatihan model agar perbedaan skala antarfitur tidak mendominasi perhitungan jarak Euclidean. Jumlah klaster optimal ditentukan melalui kombinasi Elbow Method dan Silhouette Score pada rentang k = 2 sampai 7, dan dipilih k = 3 sebagai kompromi antara kualitas pemisahan dan interpretabilitas hasil. Model final dilatih dengan 50 kali inisialisasi terpisah (n_init = 50) dan menghasilkan Silhouette Score sebesar 0,203. Ketiga klaster diberi nama otomatis berdasarkan peringkat rata-rata skor keseluruhan, yaitu klaster Kritis (n = 80, rata-rata 2,07), Moderat (n = 236, rata-rata 2,94), dan Puas (n = 227, rata-rata 3,89). Hasil cross-tabulation dengan variabel kepuasan keseluruhan menunjukkan keselarasan yang baik antara hasil klaster dan persepsi kepuasan responden, sedangkan visualisasi Principal Component Analysis (PCA) mampu menjelaskan 59,1% variansi data dalam dua dimensi. Model ini dapat dimanfaatkan pihak kampus untuk memprioritaskan perbaikan fasilitas pada segmen yang paling kritis.