Step 1: Accept the number of cluste

Step 1: Accept the number of clusters to group data into and the dataset to cluster as input values

Step 2: Initialize the first K clusters
- Take first k instances or
- Take Random sampling of k elements

Step 3: Calculate the arithmetic means of each cluster formed in the dataset.

Step 4: K-means assigns each record in the dataset to only one of the initial clusters
- Each record is assigned to the nearest cluster using a measure of distance
(e.g Euclidean distance).

Step 5: K-means re-assigns each record in the dataset to the most similar cluster and re-calculates the arithmetic mean of all the clusters in the dataset.

Hasil (Bahasa Indonesia) 1:

Langkah 1: Menerima jumlah kluster kelompok data ke dan dataset untuk cluster sebagai nilai inputLangkah 2: Menginisialisasi cluster K pertama-Ambil contoh k pertama atau-Ambil Random sampling unsur kLangkah 3: Menghitung aritmatika berarti setiap cluster yang dibentuk dalam dataset.Langkah 4: K-berarti menetapkan setiap record dalam dataset hanya salah satu cluster awal-Catatan setiap ditugaskan untuk gugus terdekat menggunakan ukuran jarak (misalnya jarak Euclidean).Langkah 5: K-berarti kembali menetapkan setiap record dalam dataset untuk gugus paling mirip dan kembali menghitung mean aritmetik semua kluster dalam dataset.

Hasil (Bahasa Indonesia) 2:

Langkah 1: Menerima jumlah cluster untuk mengelompokkan data ke dalam dan dataset untuk cluster sebagai masukan nilai Langkah 2: Inisialisasi cluster K pertama - Ambil contoh k pertama atau - Ambil sampel acak dari elemen k Langkah 3: Hitung sarana aritmatika masing-masing . klaster dibentuk pada dataset Langkah 4: K-cara memberikan setiap record dalam dataset hanya salah satu cluster awal - Setiap record ditugaskan untuk cluster terdekat menggunakan ukuran jarak (misalnya Euclidean jarak). Langkah 5: K berarti re-memberikan setiap record dalam dataset untuk cluster paling mirip dan re-menghitung mean aritmetik dari semua kelompok dalam dataset.