Clustering atau pengelompokkan merupakan bagian dari fungsi data mining yang bertujuan untuk mengelompokkan sejumlah data atau objek yang memiliki kesamaan sifat. K-Means adalah suatu metode clustering tidak hierarki yang mengelompokkan objek menggunakan titik pusat atau centroid. Terdapat beberapa masalah mengenai metode K-Means ini yaitu k buah centroid yang dipilih secara acak mengakibatkan hasil clustering yang kurang optimal serta variabel atau atribut yang banyak (data berdimensi tinggi) mengakibatkan masalah yang disebut curse of dimensionality. Upaya dalam mencegah terjadinya masalah tersebut adalah dengan reduksi dimensi menggunakan Principal Component Analysis (PCA) serta menggunakan metode K-Means++ untuk proses inisialisasi centroid pada clustering. Metode tersebut dapat diaplikasikan ke dalam studi kasus yang dievaluasi menggunakan koesien Silhouette yang menunjukkan bahwa penggunaan metode reduksi dimensi PCA dan K-Means++ menghasilkan cluster yang lebih optimal dibandingkan K-Means++ atau K-Means itu sendiri.