Ketepatan dalam pemilihan lokasi merupakan salah satu faktor yang dipertimbangkan oleh pelaku usaha sebelum membuka usahanya. Pemilihan lokasi yang strategis dan dekat dengan konsumen ataupun pasar akan mempengaruhi sukses atau tidaknya suatu usaha. Pada penelitian ini pemilihan lokasi cabang selanjutnya menggunakan metode clustering K-Means. K-Means merupakan sebuah metode yang bersifat tanpa arahan. Algoritma K-Means dapat membantu mengelompokkan data serta informasi dari setiap nilai centroid dari setiap cluster. Penelitian ini bertujuan untuk menentukan lokasi titik cabang selanjutnya dengan mengumpulkan data pelanggan. Pengelompokan ini dilakukan dengan membaginya menjadi 3 cluster yaitu C1,C2 dan C3. Pada tiap cluster menghasilkan klasifikasi berbeda-beda jumlah datanya yaitu 5 data C1, 6 data pada C2, dan 39 pada C3. Masing-masing cluster memiliki nilai centroid berbeda C1 Latitude -2,155495 Longitude 133,070140, C2 Latitude 4,511750 Longitude 121,566063 dan C3 Latitude -5,313007 Longitute 122,799446. Iterasi pada algoritma k-means diatas berhenti pada iterasi ke-3.

Accuracy in location selection is one of the factors considered by businesses before opening their business. The selection of a strategic location and close to consumers or markets will affect the success or not of a business. In this study, the selection of the next branch location using the K-Means clustering method. K-Means is a method that is without direction. The K-Means algorithm can help group data as well as information from each centroid value of each cluster. This study aims to determine the location of the next branch point by collecting customer data. This grouping is done by dividing it into 3 clusters namely C1, C2 and C3. In each cluster produces different classifications of the amount of data, namely 5 data C1, 6 data on C2, and 39 on C3. Each cluster has a different centroid value of C1 Latitude -2.155495 Longitude 133.070140, C2 Latitude -4.511750 Longitude 121.566063 and C3 Latitude -5.313007 Longitute 122.799446. The iteration of the above k-means algorithm stops at the 3rd iteration.