El método de agrupamiento divide un conjunto de datos en grupos con datos similares utilizando métricas de similitud. Sin embargo, descubrir grupos en diferentes densidades, formas y tamaños distintos sigue siendo una tarea desafiante. En este sentido, los expertos e investigadores optan por utilizar el algoritmo DBSCAN, ya que utiliza técnicas de agrupamiento basadas en la densidad que definen grupos de diferentes tamaños y formas. Sin embargo, se aplica erróneamente a grupos de diferentes densidades debido a sus atributos globales que generan una sola densidad. Además, la mayoría de los algoritmos existentes son métodos no supervisados, donde el conocimiento previo disponible es inútil. Para abordar estos problemas, esta investigación sugiere el uso de un algoritmo de agrupamiento que sea semisupervisado. Esto permite que el algoritmo utilice el conocimiento existente para generar restricciones por pares para agrupar datos de múltiples densidades. El algoritmo propuesto consta de dos etapas: primero, divide el conjunto de datos en diferentes conjuntos según su nivel de densidad y luego aplica el algoritmo DBSCAN semisupervisado a cada partición. La evaluación de los resultados muestra que el algoritmo funciona de manera efectiva y eficiente en comparación con los algoritmos de agrupamiento no supervisados.