Optimasi parameter pada jaringan saraf tiruan, khususnya Radial Basis Function (RBF), memegang peranan penting dalam meningkatkan akurasi model klasifikasi. Penelitian ini bertujuan untuk membandingkan dua algoritma optimasi, yaitu Particle Swarm Optimization (PSO) dan K-Means, dalam mengoptimalkan parameter jaringan RBF pada dataset Iris. PSO dipilih karena kemampuannya mengeksplorasi ruang solusi secara lebih luas, sedangkan K-Means adalah algoritma berbasis jarak yang lebih sederhana. Penelitian ini membagi dataset menjadi 70% untuk training dan 30% untuk testing, dan mengukur kinerja kedua algoritma berdasarkan akurasi. Hasil penelitian menunjukkan bahwa PSO RBF menghasilkan akurasi yang lebih tinggi, yaitu 96,95% pada training dan 96% pada testing, dibandingkan dengan K-Means RBF yang mencapai 90,47% pada training dan 91,11% pada testing. Secara praktis, K-Means lebih sederhana dan umumnya lebih ringan secara komputasi, sementara PSO memiliki kemampuan eksplorasi global sehingga lebih efektif menemukan konfigurasi pusat yang menghasilkan akurasi lebih baik. Penelitian ini menyimpulkan bahwa pada dataset Iris dan konfigurasi pengujian ini, PSO-RBF memberikan akurasi lebih tinggi dibandingkan dengan K-Means-RBF. Generalisasi hasil penelitian ini terhadap dataset lain memerlukan pengujian lebih lanjut.

Kata Kunci: Radial Basis Function (RBF), K-Means, Particle Swarm Optimization (PSO), klasifikasi, dataset Iris.