Berdasarkan beberapa penelitian yang mengkaji tentang metode K-Means Clustering, bahwa ditemukan pada K-Means Clustering salah satu kelemahan yakni terletak pada proses penentuan titik pusat klister yang juga berimplikasi pada perhitungan distance dalam penentuan kemiripan antar data untuk memperoleh kesimpulan dari data tersebut akan diletakkan pada suatu klaster. Dan hal tersebut disebabkan juga dari pengaruh persentase dari atribut yang digunakan. Apabila atribut yang digunakan kurang relevan tingkat pengaruhnya dan juga memiliki sedikit kontribusi yang rendah terhadap data maka hal tersebut dapat memberikan dampak yang cukup berpengaruh terhadap hasil klasterisasi. Maka dari permasalahan tersebut, pada riset ini, penulis mengusulkan untuk penggunaan metode dalam perhitungan bobot atribut data pada proses klasterisasi yaitu menggunakan Symmetrical Uncertainty. Untuk melakukan pengujian terhadap metode yang diusulkan, maka penelitian ini menggunakan dataset dari UCI Machine Learning yang terdiri dari Iris dengan jumlah data sebanyak 150 data dan Wine Quality dengan jumlah data sebanyak 178 data. Evaluasi kinerja clustering yang diusulkan berdasarkan nilai Davies-Bouldin Index (DBI). Hasil pengujian pada penelitian ini terlihat bahwa dengan metode yang diusulkan dapat menghasilkan nilai Davies-Bouldin Index (DBI) yang signifikan lebih kecil.