Dalam suatu dataset yang besar, data mining merupakan sebuah proses penyelesaian yang menghasilkan beberapa pola baru menjadi pengetahuan yang berguna. Algoritma yang sering dipakai dalam machine learning salah satunya adalah C4.5. Algoritma ini terkenal sangat kuat dalam melakukan klasifikasi, namun masih memiliki beberapa kelemahan seperti sering terjadinya overlapping dan overfitting data yang membuat data menjadi tidak relevan sehingga dapat mengurangi tingkat akurasi dari algoritma. Untuk menangani ini dibutuhkannya seleksi atribut yang dapat mengidentifikasi atribut yang relevan, tanpa mengurangi akurasi dari algoritma itu sendiri. Algoritma optimasi Particle Swarm Optimization (PSO) merupakan salah satu algoritma yang mampu digunakan sebagai seleksi atribut. Keuntungan dari PSO ini mudah diterapkan, efisien dalam perhitungan dan memiliki konsep yang sederhana dibandingkan dengan teknik optimasi lainnya. Jumlah dataset yang akan digunakan pada penelitian ini sebanyak 2.518 dataset dimana sebelumnya dilakukan pembagian dataset dengan menggunakan
algoritma K-Means dan K-Medoid. Atribut yang digunakan sebanyak 4 atribut yaitu, jenis
kelamin, umur, tingkat produktivitas dan pendidikan terakhir. Dari penelitian ini, diperoleh hasil bahwa akurasi yang diberikan oleh C4.5 yang telah dioptimasi menggunakan algoritma Particle Swarm Optimization (PSO) terbukti lebih tinggi dibandingkan mengggunakan algoritma C4.5 saja. Dimana algoritma C4.5+PSO memiliki akurasi sebesar 66,80% sedangkan algoritma C4.5 memiliki akurasi sebesar 76,32%.