Analisis gerombol (cluster analysis) merupakan metode eksplorasi untuk mengelompokkan objek-objek yang memiliki karakteristik yang mirip ke dalam satu gerombol. Umumnya, analisis gerombol hanya dapat diterapkan pada data set yang lengkap. Namun, saat ini sering ditemukannya data set yang tidak lengkap. Kondisi ini dapat diatasi dengan algoritma khusus yang salah satunya adalah dengan metode k-means soft constraint (KSC). Metode KSC sangat sensitif terhadap nilai pembobotan sehingga penelitian ini dilakukan dengan tujuan untuk melakukan peninjauan terhadap nilai pembobotan (w) terbaik dalam menggerombolkan data set yang tidak lengkap. Hasil yang diperoleh menunjukkan bahwa nilai pembobotan dengan ketepatan gerombol tertinggi yang diperoleh dari simulasi pada data bangkitan adalah w=0.3. Kemudian nilai w=0.3 diaplikasikan pada data sekunder yaitu data indikator kesejahteraan rakyat. Gerombol yang terbentuk dari data Indikator Kesejahteraan Rakyat Aceh tahun 2006 memberikan hasil gerombol yang memiliki tingkat kemiripan yang tinggi, sehingga memiliki hubungan kesamaan karakteristik dalam satu gerombol. Kemudian penggerombolan dilakukan pada data serupa dari tahun 2015 dengan nilai pembobotan w=0.3, yang memberikan hasil gerombol yang sama pada data lengkap dan data yang tidak lengkap (dihilangkan sebagian). Pada tahun 2015 diperoleh 3 gerombol akhir, yaitu gerombol dengan kabupaten/kota dengan indikator kesejahteraan tinggi, kabupaten/kota dengan kesejahteraan sedang dan kabupaten/kota dengan kesejahteraan rendah. Kata kunci : Soft constraints, nilai bobot, gerombol, data tidak lengkap, indikator kesejahteraan rakyat.