Penentuan jumlah klaster K-Means adalah masalah utama yang paling popular di kalangan peneliti data mining karena sulitnya menentukan informasi dari data secara apriori akibatnya dimungkinkan hasil klaster tidak optimal dan cepat terjebak ke dalam minimum lokal. Metode pengklasteran otomatis dengan pendekatan evolutionary computation (EC) dapat menyelesaikan masalah K-Means. Metode automatic clustering differential evolution (ACDE) adalah salah satu metode pendekatan EC yang terkenal karena dapat menangani data berdimensi tinggi dan meningkatkan kinerja penglasteran K-Means dengan nilai validitas klaster yang rendah. Namun, proses penentuan ambang batas aktivasi k pada ACDE masih bergantung pada pertimbangan pengguna sehingga proses penentuan jumlah klaster K-Means belum efisien. Pada penelitian ini, masalah ACDE akan diperbaiki menggunakan metode u-control chart (UCC) yang terbukti efisien digunakan untuk mengatasi masalah penentuan jumlah klaster K-Means secara otomatis. Model yang diusulkan dievaluasi menggunakan kumpulan data terkini seperti data sintetik dan data real (iris, glass, wine, vowel, ruspini) dari repositori UCI serta menggunakan davies bouldin index (DBI) dan cosine similarity measure (CS) sebagai metode evaluasinya. Hasil dari penelitian ini menunjukkan bahwa metode UCC berhasil meningkatkan metode K-Means dengan nilai objektif DBI dan CS terendah masing-masing sebesar 0.470 dan 0.577. Nilai objektif DBI dan CS terendah adalah metode terbaik. Model yang diusulkan memiliki kinerja pengklasteran lebih unggul setelah dibandingkan dengan metode terkini lainnya seperti metode genetic clustering for unknown k (GCUK), dynamic clustering pso (DCPSO) dan automatic clustering approach based on differential evolution algorithm combining with K-Means for crisp clustering (ACDE) untuk hampir seluruh evaluasi fungsi objektif DBI dan CS. Dapat disimpulkan bahwa, metode UCC mampu memperbaiki kelemahan metode ACDE pada penentuan jumlah klaster K-Means dengan menentukan ambang batas aktivasi k secara otomatis.