K-means algoritma pengklasteran yang cukup sederhana dan biasa digunakan untuk mempartisi dataset kedalam beberapa klaster k. Perhitungan jarak digunakan untuk menemukan objek data serupa yang mengarah untuk mengembangkan algoritma yang kuat untuk datamining seperti klasifikasi dan pengelompokan. Beberapa penelitian menerapkan algoritma k-means menggunakan perhitungan jarak seperti Euclidean, Manhattan dan Minkowski. Penelitian ini menggunakan dataset dari pasien gynekologi dengan jumlah data sebanyak 401 pasien yang diperiksa dan sebanyak 205 pasien yang terdeteksi kanker serviks, sedangkan 196 pasien lainnya tidak terkena kanker serviks. Hasil ditampilkan dengan bantuan confusion matrix dan kurva ROC, Nilai akurasi didapat sebesar 79,30% dengan ROC 79,17% pada K-Means Euclidean Metric sedangkan K-Means Manhattan Metric sebesar 67,83% dengan ROC 65,94%. Dengan demikian dapat disimpulkan bahwa metode Euclidean merupakan metode terbaik untuk diterapkan dalam algoritma K-Means Clustering pada dataset kanker serviks.