Lihat sumber Algoritma K-means

Algoritma K-means merupakan salah satu metode clustering yang paling populer dan sering digunakan dalam analisis data. Algoritma ini bekerja dengan membagi data ke dalam K kluster berdasarkan kemiripan satu sama lain, sehingga setiap data berada pada kluster dengan pusat (centroid) terdekat.

== Cara Kerja ==
Proses K-means dimulai dengan menentukan jumlah kluster (K) yang diinginkan. Kemudian, algoritma memilih centroid awal secara acak dan mengelompokkan data ke centroid terdekat menggunakan [[metrik jarak Euclidean]]. Centroid akan diperbarui berdasarkan rata-rata posisi data dalam kluster, dan proses ini diulang hingga posisi centroid stabil.

== Kelebihan dan Kekurangan ==
Kelebihan utama K-means adalah kesederhanaannya dan efisiensinya dalam memproses data berukuran besar. Namun, algoritma ini sensitif terhadap pemilihan centroid awal dan jumlah kluster K yang harus ditentukan terlebih dahulu. Selain itu, K-means kurang efektif untuk data dengan bentuk kluster yang tidak bulat atau berdimensi tinggi.

== Aplikasi K-means ==
K-means banyak digunakan dalam [[segmentasi pasar]], pengelompokan gambar, dan pengelompokan dokumen. Selain itu, algoritma ini menjadi dasar bagi berbagai teknik clustering lain dalam [[machine learning]].