Peramalan merupakan suatu teknik untuk memperkirakan suatu nilai pada masa yang akan datang dengan memperhatikan data masa lalu maupun data pada saat ini. Salah satu metode peramalan yang tergolong dalam jaringan syaraf tiruan adalah Radial Basis Function Neural Network (RBFNN). Pada penelitian ini, metode RBFNN digunakan untuk mendapatkan model terbaik dan meramalkan data harga minyak mentah dunia (US$). Peramalan harga minyak mentah dunia sangat penting untuk banyak pihak, baik dari sektor pemerintah, badan usaha maupun investor agar semua kegiatan dapat berjalan sesuai rencana. Pada metode RBFNN input jaringan dan banyaknya lapisan tersembunyi sangat berpengaruh untuk mendapatkan model terbaik dari RBFNN dan juga hasil peramalannya. Untuk mendapatkan model terbaik digunakan penentuan input jaringan dengan mengidentifikasi lag Partial Autocorrelation Function (PACF), dan untuk menentukan banyaknya lapisan tersembunyi digunakan metode K-Means cluster. Hasil penelitian menunjukkan dari data training yang digunakan dan didapatkan model terbaik RBFNN dengan menggunakan 2 input jaringan yaitu X_(t-1) dan X_(t-2) dan 3 lapisan tersembunyi yang menghasilkan tingkat akurasi dengan Mean Absolute Percentage Error (MAPE) sebesar 6,8150 % . Dengan model tersebut didapatkan hasil peramalan 7 periode yaitu dari bulan Juni 2017 sampai Desember 2017 bahwa harga minyak mentah dunia (US$) menunjukkan kecenderungan menurun.