Analisis clustering sangat berguna dalam proses segmentasi atau pengelompokan data yang nantinya bisa digunakan acuan untuk pengambilan keputusan agar terciptanya kondisi yang diinginkan. Analisis clustering menitikberatkan jarak antara setiap data terhadap pusat data dari setiap cluster. Dalam prakteknya terkadang didapatkan keadaan uncertain data, dimana satu atau beberapa data berada di batas-batas wilayah cluster atau berupa data outlier bagi data-data lainnya. Hal ini bisa mengganggu nilai pusat yang akan dihasilkan. Hasilnya bisa tidak akurat dan tentunya akan menghasilkan keputusan yang kurang tepat pula. Dalam algoritma Neutrosophic C-Means Clustering diperkenalkan 2 jenis tipe penolakan baru terhadap layak tidaknya sebuah data masuk ke dalam sebuah cluster. Penolakan ambigu memperhatikan pola data yang dekat di daerah batas-batas cluster. Penolakan jarak memperhatikan data yang berada jauh dari semua cluster.

Clustering analysis is very useful in the process of segmentation of grouping of data that can later be used a reference for decision-making in order to create the desired conditions. Cluster analysis focuses in distance any data within the data center of each cluster. In practice sometimes uncertain state of the data obtained, where one or some of the data is in the boundaries of the cluster or in the form of a data outlier for other data. This could interfere with the central value that will be generated. The result can be inaccurate and will certainly result in a decision that is not quite right anyway. In algorithm Neutrosophic C-Means Clustering introduced two new types or rejection against the appropriateness of an in coming data into a cluster. Rejection ambiguity concerns the patterns lying near the cluster boundaries. Rejection distance to look at data that was far away from all the clusters.

Kata Kunci : segmentasi, Neutrosophic C-Means Cluster, Ambiguitas, Outlier, K-Means Cluster, Fuzzy C-Means Cluster