Perkembangan data yang semakin heterogen dan kompleks dengan volume yang terus meningkat menimbulkan kesulitan dalam pengolahan big data secara manual. Dalam konteks data mining, metode clustering menggunakan algoritma K-Means sering digunakan untuk mengelompokkan data berdasarkan kedekatan atau kemiripan. Namun, algoritma K-Means memiliki tantangan, terutama dalam menentukan jumlah cluster dan pemilihan sentroid awal yang dapat mempengaruhi hasil klasterisasi. Artikel ini membahas masalah tersebut dan mengusulkan dua metode optimasi, yaitu Elbow dan Particle Swarm Optimization (PSO), untuk meningkatkan hasil evaluasi algoritma K-Means. Dari hasil evaluasi, disimpulkan bahwa metode elbow lebih unggul dari segi waktu iterasi dibandingkan dengan metode PSO, meskipun keduanya menghasilkan nilai DBI yang sama. Waktu iterasi metode elbow hanya membutuhkan 0.297 detik, sedangkan metode PSO membutuhkan waktu iterasi selama 779 detik. Kesimpulannya, metode elbow lebih efisien dalam hal waktu iterasi. Saran untuk penelitian selanjutnya adalah menggunakan dataset yang berbeda dan mempertimbangkan metode optimasi lainnya untuk perbandingan evaluasi yang lebih komprehensif.