K-medoid merupakan algoritma unsuvervised learning yakni algoritma ini tidak memiliki informasi label sebelumnya. Tujuan utama dari algoritma ini adalah membentuk kelompok atau klaster dari data sedemikian rupa sehingga medoid di setiap klaster merupakan representasi yang baik dari klaster tersebut. Tujuan dari penelitian ini adalah Menerapkan algoritma K-medoids untuk mengelompokkan daerah berdasarkan tingkat pendapatan pajak di kabupaten Pasaman Barat. Dalam penelitian ini digunakan teknik CRISP-DM untuk pengambilan data sedangkan metode pengelompokan yang digunakan adalah K-Medoid clustering dengan penentuan jumlah cluster menggunakan elbow methode. Setelah metode K-Medoid di implementasikan, diperoleh hasil dengan jumlah klaster 2,3,4,5,6,7 dari dataset yang digunakan. Dengan teknik elbow methode, diperoleh jumlah cluster optimal dengan nilai K = 3. Dalam penelitian ini , dilakukan analisis klaster menggunakan Python dan R Studio. Hasil analisis menggunakan Python menunjukkan terdapat 3 klaster yang optimal. Dengan hasil klaster daerah 0 terdapat 3 daerah yaitu Kinali, Luhak Nan Duo, dan Sasak Ranah Pesisir. Klaster daerah 1 terdapat 3 daerah yaitu Koto Balingka, Pasaman, Ranah Batahan. Dan klaster daerah 2 terdapat 5 daerah yaitu Gunung Tuleh, Lembah Melintang, Sungai Aur, Sungai Beremas dan Talamau. Evaluasi data hasil pengelompokan menggunakan Silhouette Score menunjukkan bahwa jumlah klaster optimal pada dataset yang digunakan adalah 3 klaster dengan nilai 0.14. Hasil analisis menggunakan R Studio menunjukkan terdapat 2 cluster yang optimal. Dengan hasil klaster daerah 1 terdapat 10 daerah yaitu Kinali, Luhak Nan Duo, Sasak Ranah Pesisir, Koto Balingka, Ranah Batahan, Gunung Tuleh, Lembah Melintang, Sungai Aur, Sungai Beremas dan Talamau. Sedangkan untuk klaster 2 terdapat 1 daerah yaitu Pasaman.
Kata kunci: Pajak Daerah, CRISP-DM, K-Medoid Clustering, Elbow Methode, dan Silhoutte Score.