ABSTRAKSI: Klasterisasi (clustering) merupakan salah satu fungsionalitas data mining yang digunakan untuk melakukan pengelompokan data ke dalam suatu kelas atau cluster. Prinsip dasar klasterisasi adalah mengelompokkan objek pada suatu kelas yang memiliki kemiripan sangat besar dengan objek lain pada kelas yang sama (similarity), tetapi sangat tidak mirip dengan objek pada kelas lain (dissimilarity). Terdapat beberapa teknik klasterisasi antara lain: metode Partisi (K-means Clustering), metode Hierarki (Divisive and Agglomerative Clustering), metode Density-Based (DBSCAN), dan sebagainya. Pada tugas akhir ini, digunakan metode Partisi dengan algoritma PSO + K-means (Particle Swarm Optimization + K-means) yang merupakan penggabungan antara algoritma K-means dan algoritma PSO(particle Swarm Optimization). Metode pengklasteran dengan menggunakan K-means sangat banyak digunakan untuk mengelompokkan data dengan similaritas yang tinggi. Akan tetapi K-means memiliki kelemahan dalam penentuan titik pusat inisial klaster yang dilakukan secara random sehingga sering kali menyebabkan terjebak pada lokal optimal dan hasil pengklasteran menjadi tidak optimal. Untuk lebih mengoptimalkan penentuan titik pusat maka digunakanlah algoritma PSO + K-means. PSO + K-means merupakan algoritma yang yang diusulkan oleh Xiaohui Cui pada tahun 2005. Algoritma ini selalu menghasilkan konvergensi pada global optimal. PSO + K-means mampu menghindari lokal optimal. Dalam tugas akhir ini juga akan dilakukan perbandingan evaluasi hasil klasterisasi yang dihasilkan oleh klasterisasi menggunakan metode K-means dan PSO dengan menggunakan ADVDC (average distance documens cluster centroid) dan time performance.Kata Kunci : clustering, particle Swarm Optimization,PSO, K-means, similarity.ABSTRACT: Clustering is one of the data mining functionality that is used for grouping the data into a class or cluster. The basic principle is to classify objects klasterisasi in a class that has a great similarity with other objects in the same class (similarity), but it is not similar to objects in other classes (dissimilarity). There are several techniques, among others klasterisasi: Partitioning methods (K-means Clustering), a method Hierarchy (Divisive and Agglomerative Clustering), Density-based methods (DBSCAN), and so on. In this final task, used partition method with PSO algorithm + K-means (Particle Swarm Optimization + K-means) which is a merger between K-means algorithm and the algorithm of PSO (Particle Swarm Optimization). clustering method using K-means is very much used to classify the data with a high similaritas. However, K-means has a weakness in determining the initial cluster center is done at random so often trapped in local causes and results of the optimal clustering be not optimal. To further optimize the determination of the center of the PSO algorithm is used + K-means. PSO + K-means algorithm which is proposed by Xiaohui Cui in 2005. This algorithm always produces convergence in the global optimum. PSO + K-means was able to avoid local optimum. In this final task will be performed comparative evaluation of the results generated by Clustering method Clustering K-means and PSO with ADVDC (average distance documens cluster centroid) and time performance.Keyword: clustering, particle Swarm Optimization,PSO, K-means, similarity.