Kanker payudara menjadi salah satu penyebab kematian paling umum di dunia. Kanker payudara dapat dideteksi menggunakan data mining, di mana data diekstraksi menjadi informasi yang berguna. Clustering kanker payudara dilakukan untuk membantu pihak medis dalam mengelompokkan karakteristik setiap jenis kanker. Namun, pada data kanker payudara terdapat multikolinieritas data sehingga dapat mempengaruhi hasil clustering. Untuk menangani masalah tersebut ditangani menggunakan reduksi dimensi Principal Component Analysis (PCA). Metode Principal Component Analysis dapat mengatasi masalah multikolinieritas data dan meningkatkan efisiensi komputasi. Selain itu metode K-Means juga memiliki kelemahan dalam menentukan jumlah kluster yang optimal, sehingga digunakan metode Gap Statistic untuk mencari nilai K optimal yang cocok digunakan pada data kanker payudara. Dalam penelitian ini, dilakukan perbandingan hasil evaluasi dari model clustering K-Means, gabungan model clustering PCA-KMeans dan gabungan model clustering PCA-GapStatistic-KMeans. Dari penelitian ini, didapatkan hasil evaluasi pada model clustering K-Means dengan reduksi dimensi PCA dan K optimal Gap Statistic lebih baik dibandingkan model K-Means tanpa reduksi dimensi. Dengan jumlah kluster yang dihasilkan oleh Gap Statistic sebanyak 2 kluster dan hasil evaluasi yang diperoleh sebesar 1.195513.