Platform Digital Kedaireka sebagai jembatan pengembangan IPTEK di Perguruan Tinggi seiring dengan kebutuhan perkembangan teknologi dan Industri. Pengembangan program platform yang akan berjalan yaitu menentukan reward yang sesuai bagi user, serta diharapkan inovasi bagi pengguna platform Kedaireka untuk terus berkembang dalam kemajuan teknologi dan pendidikan. Pada platform Digital Kedaireka yang ada saat ini belum memiliki fungsi untuk melihat bagaimana pengelompokan user yang telah menggunakan platform Kedaireka dalam penentuan reward. Oleh karena itu, skripsi membahas pengelompokan user untuk menghasilkan pengelompokan user. Data yang diolah merupakan data user dengan data total 8432 data dan data untuk pengujian sebanyak 100 data, yang terdiri dari jumlah postingan, jumlah bid, dan jumlah match dan diolah menggunakan Algoritma Kmeans Clustering. Dari hasil klasterisasi, dilakukan evaluasi klaster menggunakan Davies Bouldin Index, didapatkan angka DBI sebesar 0.3 yang mendekati 0, sehingga dapat dikatakan optimal cluster.

Kedaireka Digital Platform as a bridge to the development of science and technology in higher education in line with the needs of technological and industrial development. The development of the platform program that will run is to determine the appropriate reward for the user, as well as expected innovation for users of the Kedaireka platform to continue to develop in technological and educational advances. Kedaireka's current Digital Platform system does not yet have the function to see how the grouping of users who have used the Kedaireka platform in reward determination. Therefore, the thesis discusses grouping users to generate user grouping. The processed data is user data with a total data of 8432 data and data for testing as much as 100 data, consisting of the number of posts, the number of bids, and the number of matches and processed using the Kmeans Clustering Algorithm. From the results of clusterization, cluster evaluation is conducted using Davies Bouldin Index, obtained DBI number of 0.3 which is close to 0, so it can be said that the optimal cluster.