UWV, sebuah lembaga di Belanda yang bertanggung jawab atas asuransi karyawan dan layanan pasar tenaga kerja, menyediakan satu set data keluhan pelanggan yang dikumpulkan selama delapan bulan. Pengelolaan alur proses yang kompleks sangat penting bagi perusahaan untuk menghindari keterlambatan, pekerjaan ulang, dan pemborosan sumber daya. Penelitian ini menggabungkan process mining dengan k-means untuk meningkatkan wawasan dari pengelompokan data keluhan pelanggan. Dengan menggunakan algoritma Inductive Miner untuk process mining dan pengelompokan data dengan k-means berdasarkan kesamaan, penelitian ini memberikan wawasan yang lebih mendalam dan mengoptimalkan analisis di luar apa yang dapat dicapai oleh process mining saja. Wawasan ini memungkinkan UWV untuk menyesuaikan strategi layanannya dengan lebih efektif. Hasil penelitian menunjukkan bahwa integrasi process mining dengan k-means clustering secara signifikan meningkatkan ketepatan model proses, menjadikannya representasi yang lebih akurat dari proses dunia nyata. Fitness model meningkat sebesar 6%, dan precision meningkat sebesar 21% setelah dilakukan pengelompokan. Namun, pendekatan ini juga mengakibatkan penurunan generalization sebesar 37% dan penurunan simplicity sebesar 1%. Hal ini menunjukkan bahwa meskipun model yang dikelompokkan lebih rinci dan tepat, data menjadi kurang dapat beradaptasi dengan variasi yang tidak teramati dan sedikit lebih sulit untuk diinterpretasikan.
Kata kunci—Process Mining, Inductive Miner, K-means Clustering, Keluhan Pelanggan