Teknologi terus diterapkan dalam bidang geologi pada berbagai cabang keilmuannya, salah satunya adalah pemanfaatan metode pembelajaran mesin yang termasuk dalam teknologi kecerdasan buatan. Identifikasi mineral batuan dapat dilakukan menggunakan metode pembelajaran mesin. Klasterisasi mineral batuan dilakukan untuk mengidentifikasi persebaran jumlah kelompok mineral teroptimal berdasarkan informasi geologi yang dimiliki pada data hasil pengeboran batuan dalam tahap eksplorasi geologi di wilayah Manjimup, Australia Bagian Barat. Identifikasi mineral batuan melalui klasterisasi dilakukan menggunakan pembelajaran mesin tidak tersupervisi (unsupervised) dengan metode K-Means clustering. Data yang digunakan dalam adalah data hasil pengukuran spektrum elektromagnetik berupa data spektral Thermal Infrared (TIR) yang berasal dari data hasil pengeboran batuan. Data spektral yang digunakan terdiri dari 341 parameter sehingga dilakukan pengurangan dimensi input untuk mengurangi kompleksitas komputasi menggunakan Principal Component Analysis (PCA) menjadi data dua dimensi agar dapat divisualisasikan dengan lebih mudah. Berdasarkan hasil evaluasi, jumlah kelompok mineral batuan teroptimal melalui hasil klasterisasi menggunakan K-Means berdasarkan informasi geologi yang dimiliki adalah 3 kelompok mineral batuan.