<![CDATA[Industrial visits are an applicable form of learning where educators and students can see directly the system or work pattern of an industry or software company. The importance of this activity, so it is necessary to select students who take part in it accurately and objectively. This study aims to make calculation standards to help facilitate study programs in selecting students. Using the K-Means Cluster Algorithm is used to streamline data by eliminating alternatives that do not meet the requirements and creating two clusters whose centroid initially uses the maximum and minimum values of the criteria. Then do the ranking process with the TOPSIS method. The results showed that calculating the distance using the Manhattan Distance has the closest coefficient value higher than the Euclidean distance, which is about 60% of all data. The first cluster consists of 25 people who meet the requirements and are ranked by the TOPSIS Method so that only 20 people are left to take part in the activity. By using the Euclidean distance, there are 70% of the 20 people selected, while the Manhattan distance is 75%. 30% and 25% are taken from the first and second clusters. The K-Means Algorithm can correctly group members according to the required characteristics so that it can streamline the initial data, then the MCDM method can speed up the calculation process accurately and objectively.Keywords: K-Means; Clustering; Metode TOPSIS; Manhattan distance; Euclidien distance AbstrakKunjungan industri merupakan salah satu bentuk pembelajaran yang aplikatif dimana pendidik dan peserta didik dapat melihat secara langsung sistem atau pola kerja suatu industri atau perusahaan perangkat lunak. Pentingnya kegiatan ini, sehingga perlu untuk memilih mahasiswa yang mengambil bagian di dalamnya secara akurat dan obyektif. Penelitian ini bertujuan membuat standar perhitungan untuk membantu mempermudah program studi dalam memilih mahasiswa. Menggunakan Algoritme K-Means Cluster yang digunakan untuk merampingkan data dengan Cara mengeliminasi alternatif yang tidak memenuhi syarat serta membuat dua kluster yang centroid awalnya menggunakan nilai maksimum dan minimum dari kriteria. Kemudian lakukan proses perangkingan dengan metode TOPSIS. Hasil penelitian menunjukkan, perhitungan jarak dengan Manhattan Distance memiliki nilai koefisien terdekat lebih tinggi dari Euclidean distance sekitar 60% dari seluruh data. Cluster pertama terdiri dari 25 orang yang memenuhi persyaratan dan dirangking dengan Metode TOPSIS, sehingga tersisa 20 orang untuk mengikuti kegiatan tersebut. Dengan menggunakan Euclidien distance, terdapat 70% dari 20 orang yang dipilih, sedangkan Manhattan distance adalah 75%. 30% dan 25% diambil dari cluster pertama dan kedua. Algoritme K-Means dapat dengan tepat mengelompokkan anggota sesuai karakteristik yang diperlukan sehingga dapat merampingkan data awal, kemudian metode MCDM dapat mempercepat proses perhitungan dengan akurat serta objektif.]]>
