Jaringan Syaraf Tiruan Radial Basis Function (RBF) merupakan salah satu jenis jaringan syaraf tiruan yang efektif dalam menyelesaikan permasalahan klasifikasi dan regresi, dengan struktur yang sederhana dan kemampuan pembelajaran yang cepat. Namun, performa RBF sangat bergantung pada pemilihan pusat (center) dan jumlah neuron tersembunyi. Dalam penelitian ini, digunakan algoritma K-Means untuk menentukan nilai center dan metode Elbow untuk menentukan jumlah cluster yang optimal untuk meningkatkan akurasi klasifikasi. Penelitian dilakukan menggunakan dua dataset yaitu data Iris yang memiliki 150 data dengan 4 fitur dan 3 kelas, serta data Pima Indians Diabetes dengan 768 data, 8 fitur, dan 2 kelas. Data dibagi menjadi  untuk pelatihan (training) dan  untuk pengujian (testing). Proses klasifikasi dilakukan dengan menggabungkan metode K-Means dan Elbow dalam arsitektur RBF yang terdiri dari tahapan normalisasi, penentuan center, perhitungan matriks Gaussian, pembobotan, output, confusion matrix dan klasifikasi. Hasil penelitian menunjukkan bahwa pada data Iris, metode RBF K-Means dengan Elbow menghasilkan akurasi rata-rata training sebesar dan testing sebesar. Sedangkan pada data Pima Indians Diabetes, diperoleh akurasi rata-rata training sebesar dan testing sebesar . Nilai optimal jumlah cluster berbeda-beda untuk tiap data, dan metode Elbow berhasil membantu menghindari pemilihan cluster secara acak yang dapat menyebabkan performa tidak stabil. Hasil ini membuktikan bahwa kombinasi K-Means dan Elbow pada RBF dapat meningkatkan akurasi klasifikasi, terutama pada data dengan distribusi yang seimbang.