Cloud computing atau komputasi cloud menjadi salah satu teknologi yang sedang berkembang saat ini. Banyak perusahaan yang mulai mengembangkan produktivitasnya dengan memanfaatkan kelebihan yang dimiliki cloud untuk meningkatkan layanan pada pelanggan. Perkembangan global pada sektor digital yang terus berkembang mendorong hampir setiap orang untuk menggunakan dan memanfaatkan layanan internet. Hal ini berdampak pada traffic atau lalu lintas di jaringan internet semakin meningkat. Jika terlalu banyak request yang masuk ke server bisa mengakibatkan down pada layanan yang ada hingga menjadi tidak tersedia. Salah satu cara untuk bisa menghindari down atau overload pada server dengan konsep load balancing pada beberapa virtual machine untuk memenuhi kebutuhan pengguna.
Particle Swarm Optimization merupakan metode yang didasarkan pada populasi dimana setiap individu (data) merepresentasikan sebuah solusi pada ruang dimensi n. Metode ini menerapkan sifat masing-masing individu dalam satu kelompok besar lalu menggabungkan sifat-sifat tersebut dalam menyelesaikan sebuah masalah. Sementara itu, k-means clustering merupakan salah satu metode dalam data mining yang dapat mengelompokkan data atau clustering suatu dataset ke dalam bentuk satu cluster atau lebih.
Dataset yang digunakan merupakan data sekunder hasil analisis Carrasco et al.. Selama tiga tahun, dataset dikumpulkan dari server komputasi yang terdapat di Universidad Adolfo Ibanez dengan membangun instance yang menerima beban kerja harian pada tiap server. Dataset tersebut terdiri atas 657 jobs yang dikirimkan user dalam satu hari ke server dengan jobs length yang beragam. Variabel yang digunakan dalam penelitian ini adalah prioritas saat masuk ke server (pr) dan jumlah beban kerja yang masuk ke dalam server (jobs). 
Berdasarkan penerapan k-means clustering pada praproses data dengan menggunakan nilai cluster k = 3 diperoleh hasil bahwa cluster 1 terdiri atas 593 data dengan rentang nilai pr dari 0 hingga 1014 serta nilai jobs dari 4 hingga 5143, cluster 2 terdiri atas 22 data dengan rentang nilai pr dari 0 hingga 544 serta data jobs dari 5430 hingga 18255, dan cluster 3 terdiri atas 21 data dengan rentang nilai pr dari 1155 hingga 5100 serta data jobs dari 1192 hingga 5153. Jumlah mesin virtual yang diperlukan pada setiap cluster ditentukan dengan silhouette coefficient dimana cluster 1 memerlukan 2 mesin, cluster 2 memerlukan 4 mesin, dan cluster 3 memerlukan 4 mesin. Data dalam setiap cluster dikelompokkan ke dalam mesin-mesin tersebut menggunakan k-means clustering. Pada proses scheduling yang menggunakan PSO diperoleh hasil yang optimal dengan cluster 1 memiliki nilai makespan 230.659 ms, cluster 2 memiliki nilai makespan 208.819 ms, dan pada cluster 3 memiliki nilai makespan 18.046 ms.