<![CDATA[Meningkatnya ketergantungan terhadap aplikasi mobile menuntut adanya segmentasi perilaku pengguna yang akurat guna mendukung strategi retensi, personalisasi, dan pengambilan keputusan berbasis data. Namun, penentuan jumlah cluster yang optimal masih menjadi tantangan mendasar dalam penerapan algoritma K-Means karena sensitivitasnya terhadap pemilihan parameter. Penelitian ini mengusulkan kerangka clustering teroptimasi melalui integrasi Elbow Method dan Silhouette Coefficient untuk meningkatkan objektivitas dalam menentukan jumlah cluster yang optimal. Dataset sintetis yang terdiri dari 400 pengguna aplikasi mobile dengan 12 fitur perilaku multidimensi digunakan untuk mensimulasikan pola penggunaan yang realistis. Hasil eksperimen menunjukkan bahwa konfigurasi optimal diperoleh pada k = 3 dengan nilai Silhouette sebesar 0,67, yang mengindikasikan struktur cluster yang terpisah dengan baik dan stabil. Segmentasi yang dihasilkan mengidentifikasi tiga kelompok pengguna utama, yaitu Low Activity Users, Moderate Activity Users, dan High Activity Users. Secara metodologis, penelitian ini berkontribusi pada bidang Informatika dan Ilmu Komputer dengan memperkuat strategi validasi internal dalam unsupervised learning melalui penggunaan metrik evaluasi komplementer, sehingga meningkatkan reliabilitas dan validitas struktur clustering. Temuan ini memberikan kontribusi teoretis dalam optimasi K-Means serta implikasi praktis bagi pengembangan mobile analytics dan strategi retensi pengguna berbasis data.]]>
