Analisis klaster merupakan metode dalam data mining untuk menemukan informasi dengan mengelompokkan objek dalam klaster menggunakan ukuran kesamaan. Masalah yang sering dihadapi dalam metode klaster adalah data pencilan. Metode K-Medoids dan Fuzzy C-Means dapat digunakan untuk mengatasi masalah ini. Medoids berlokasi di tengah objek klaster, sehingga K-Medoids dapat mengatasi pencilan. Fuzzy C-Means memungkinkan suatu objek memiliki lebih dari satu klaster dan Fuzzy C-Means memiliki utilitas yang lebih baik dalam penerapan dibandingkan K-Means. Penelitian ini mengimplementasikan metode pengelompokan K-Medoids dan metode Fuzzy C-Means yang dilakukan pada dataset untuk nilai rata-rata Ujian Nasional Sekolah Menengah Atas untuk Jurusan IPS tahun 2017. Beberapa kabupaten/kota tidak memiliki skor Ujian Nasional dalam mata pelajaran tertentu. Kondisi ini dianggap sebagai data tidak lengkap atau yang lebih dikenal sebagai data hilang. Pengelompokan harus menggunakan data lengkap untuk setiap variabel, jadi dalam kasus yang disebutkan di atas, estimasi data yang hilang perlu dilakukan. Predictive Mean Matching adalah metode untuk memperkirakan data yang hilang dengan regresi menggunakan variabel lain sebagai parameter. Teknik gap statistik digunakan untuk menentukan jumlah cluster optimal. Pengelompokan hasil klaster dari dua metode dibandingkan dengan menggunakan validasi internal dan validasi stabilitas. Hasil penelitian ini menunjukkan bahwa Fuzzy C-Means lebih baik daripada K-Medoids. Metode Fuzzy C-Means mengklasifikasikan 184 kabupaten / kota ke dalam klaster pertama (peringkat tertinggi), 134 kabupaten / kota ke klaster kedua (klaster peringkat kedua) dan 195 kabupaten / kota ke klaster ketiga (klaster peringkat terendah). Kata Kunci: Data Mining, Klaster, Fuzzy C-Means, K-Medoids, Ujian Nasional