diff --git a/README.md b/README.md
index a55fe13..eadce1c 100644
--- a/README.md
+++ b/README.md
@@ -58,7 +58,50 @@ Tujuan K-Means
 2. Memaksimalkan perbedaan antar cluster.
 3. Menghasilkan pengelompokan wilayah yang mencerminkan kesamaan jumlah pendidik.
 
-# Hasil Penelitian: k-Means Clustering
+# Hasil dan Pembahasan
+
+A. Eksplorasi Data Awal
+
+Dataset yang digunakan terdiri dari 24 wilayah provinsi di Indonesia, dengan tiga variabel utama:
+1. Jumlah Pendidik SMA/Sederajat
+2. Jumlah Sekolah SMA/Sederajat
+3. Rasio Guru per Sekolah
+
+Berdasarkan eksplorasi awal:
+1. Tidak terdapat data yang hilang (missing value).
+2. Nilai rata-rata jumlah pendidik adalah 7.937, dengan standar deviasi 6.573, menunjukkan adanya variasi besar antar wilayah.
+3. Rasio guru per sekolah memiliki nilai minimum 20 dan maksimum 33,3, dengan rata-rata sekitar 24,7.
+Secara umum, terdapat perbedaan signifikan antara wilayah-wilayah yang memiliki jumlah pendidik dan sekolah besar (seperti Jawa Barat dan Jawa Timur) dengan wilayah yang memiliki kapasitas lebih kecil (seperti Papua Barat, Gorontalo, dan Maluku Utara).
+
+B. Persiapan data
+
+Clustering dilakukan menggunakan dua fitur utama:
+1. Jumlah pendidik
+2. Jumlah sekolah
+Sebelum proses clustering, data dinormalisasi menggunakan StandardScaler, sehingga setiap fitur berada dalam skala yang sama. Hal ini penting agar variabel dengan nilai besar (jumlah pendidik) tidak mendominasi proses pengelompokan.
+
+C. Penentuan Jumlah Cluster Optimal
+
+Metode evaluasi yang digunakan:
+1. Elbow Method (Inertia)
+Nilai inertia terus menurun seiring bertambahnya jumlah cluster. Titik siku (elbow) terlihat pada K = 3, yang menunjukkan penurunan inertia tidak lagi signifikan setelah titik tersebut.
+2. Silhouette Score
+Silhouette Score tertinggi berada pada:
+
+K = 2 : 0.731
+K = 3 : 0.595
+
+Meskipun K=2 memiliki nilai lebih tinggi, namun K=3 dipilih karena menghasilkan segmentasi yang lebih baik secara interpretasi kebijakan (rendah, sedang, tinggi) dan masih dalam kategori skor baik (>0.5). Sehingga jumlah cluster optimal ditetapkan sebagai K = 3.
+
+D. Implementasi K-Means Clustering
+
+Proses K-Means dilakukan dengan K = 3, menghasilkan:
+1. Inertia : 3.68
+2. Silhouette Score : 0.595 (kategori baik)
+3. Davies-Bouldin Index : 0.464 (semakin kecil semakin baik)
+Ini menunjukkan model clustering stabil dan cukup baik dalam memisahkan data.
+
+# Penelitian: k-Means Clustering
 File CSV tersebut adalah output akhir dari analisis K-Means Clustering yang berfungsi untuk:
 
 1. Mengelompokkan provinsi berdasarkan jumlah pendidik