Ujian Nasional (UN) merupakan salah satu indikator yang menggambarkan keberhasilan pendidikan. Untuk menggambarkan kondisi pendidikan di Provinsi Aceh dilakukan pengelompokan SMA/MA jurusan IPS sebanyak 468 SMA/MA. Pengelompokan SMA/MA Jurusan IPS di Provinsi Aceh dilakukan berdasarkan nilai rerata mata pelajaran yang dievaluasi dalam UN. Metode pengelompokan yang digunakan adalah 4 metode yang merupakan bagian dari metode agglomerative hierarchical clustering. Terdapat beberapa SMA/MA yang tidak lengkap nilai UN untuk mata pelajaran tertentu pada tahun 2017. Kondisi tersebut dianggap sebagai kondisi data tidak lengkap yang lebih dikenal dengan istilah missing value. Pengelompokan dengan metode cluster harus menggunakan data lengkap untuk setiap variabelnya, sehingga pada kasus pengelompokan SMA/MA berdasarkan nilai UN ini perlu dilakukan pendugaan data hilang. Pendugaan data hilang dilakukan dengan dua tipe cloning, pada tipe I, data hilang tahun 2017 diisi dengan nilai rerata UN persekolah tahun 2016. Sementara, tipe II, data hilang tahun 2017 diisi dengan nilai rerata perkabupaten/kota pada tahun 2017. Penentuan jumlah cluster, metode dan tipe cloning pada penelitian ini dengan kriteria validitas stabilitas dan validitas internal. Dengan kriteria validitas tersebut, diperoleh metode ward sebagai metode terbaik dengan jumlah cluster optimal adalah 3 dan tipe cloning terbaik adalah tipe II. Berdasarkan pengelompokan SMA/MA di Provinsi Aceh tahun 2016 dan tahun 2017, diketahui bahwa cluster peringkat 1 terindikasi mengalami penurunan jumlah SMA/MA yaitu sebesar 140 SMA/MA menjadi 93 SMA/MA, cluster peringkat 2 terindikasi mengalami peningkatan jumlah SMA/MA, yaitu dari 127SMA/MA menjadi 183SMA/MA dan cluster peringkat 3 terindikasi relatif sama antara tahun 2016 dengan 2017 yaitu 201 SMA/MA menjadi 192 SMA/MA. Terdapat 3 Kabuapeten/Kota yang dominan mengalami penurunan peringkat nilai UN dari peringkat 1 menjadi peringkat 2 atau 3 antara tahun 2016 dan 2017 yaitu Aceh Tengah, Aceh Tenggara dan Nagan Raya. Kata Kunci: clustering, validitas, ward