Di era informasi saat ini, data mining menjadi aset penting dalam berbagai bidang. Dalam data mining terdapat tugas clustering yang bertujuan untuk mengelompokkan data berdasarkan ukuran kedekatan atau kemiripan. Metode clustering yang dapat digunakan yaitu K-Means, K-Medoids, dan lainnya. K-Medoids hadir untuk mengatasi kelemahan K-Means karena K-Means dapat mengalami masalah ketika mengelompokkan data yang mengandung outlier. Penelitian ini menggunakan metode clusterisasi K-Medoids untuk mengelompokkan data set Iris dan Wine. Pengelompokkan jumlah cluster yang tepat menjadi permasalahan, sehingga diperlukan metode evaluasi cluster. Tujuan dari penelitian ini adalah untuk menentukan jumlah cluster optimal. Metode evaluasi cluster yang digunakan yaitu metode elbow, Davies Bouldin Index (DBI), dan silhouette coefficient. Hasil penelitian menunjukkan dengan menggunakan algoritma K-Medoids, metode elbow memberikan hasil optimal sebanyak 3 cluster untuk kedua data set. Metode Davies Bouldin Index (DBI) dan silhouette coefficient menunjukkan masing-masing 2 cluster sebagai hasil optimal untuk kedua data set. Metode elbow konsisten dalam mengidentifikasi jumlah cluster optimal sesuai dengan pengelompokan awal untuk kedua data set sehingga metode elbow ditetapkan sebagai metode evaluasi cluster yang optimal.

Kata Kunci: Algoritma K-Medoids, Metode Elbow, Davies Bouldin Index, Silhouette Coefficient.