K-Medoids Clustering untuk Pengelompokan Faktor Perceraian di Jawa Barat Tahun 2023
DOI:
https://doi.org/10.29313/bcss.v6i2.25188Keywords:
K-Medoids Clustering, Tingkat Perceraian, Jawa BaratAbstract
Abstract. Divorce rates in West Java, Indonesia, continue to rise annually, driven primarily by economic issues and disputes. To support targeted policy solutions, this study categorizes districts and cities in West Java based on 2023 divorce data using the K-Medoids Clustering algorithm. The clustering process begins with collecting and pre-processing divorce data, addressing missing values, outliers, and standardizing the variables. The Kaiser-Meyer-Olkin (KMO) test was conducted to verify sample adequacy and ensure the absence of multicollinearity. The optimal cluster number was evaluated using the Silhouette Coefficient, after which the K-Medoids algorithm was applied to group regions according to their divorce profiles. Results were visualized through scatter plots and thematic maps. The findings categorize West Java regions into three distinct clusters: stable areas with low divorce rates, high-divorce regions driven predominantly by economic hardship, and high-divorce regions primarily caused by household disputes. These actionable insights provide a data-driven foundation for local governments to design targeted intervention programs, such as financial management education and conflict mediation services.
Keywords: K-Medoids Clustering, Divorce Rate, West Java.
Abstrak. Tingkat perceraian di Jawa Barat, Indonesia, terus meningkat setiap tahunnya yang utamanya dipicu oleh faktor masalah ekonomi dan perselisihan. Untuk mendukung solusi kebijakan yang tepat sasaran, penelitian ini mengelompokkan kabupaten dan kota di Jawa Barat berdasarkan data perceraian tahun 2023 menggunakan algoritma K-Medoids Clustering. Proses pengelompokan dimulai dengan pengumpulan dan pra-pemrosesan data perceraian, yang meliputi penanganan data hilang (missing values), pencilan, dan standarisasi variabel. Uji Kaiser-Meyer-Olkin (KMO) dilakukan untuk memverifikasi kecukupan sampel dan memastikan tidak terdapat multikolinearitas. Jumlah cluster optimal dievaluasi menggunakan Silhouette Coefficient, dilanjutkan dengan penerapan algoritma K-Medoids untuk mengelompokkan wilayah berdasarkan profil perceraiannya. Hasil penelitian divisualisasikan melalui scatter plot dan peta tematik. Temuan ini mengategorikan wilayah Jawa Barat ke dalam tiga cluster berbeda: wilayah stabil dengan angka perceraian rendah, wilayah angka perceraian tinggi didominasi faktor ekonomi, dan wilayah angka perceraian tinggi yang disebebkan perselisihan rumah tangga. Insight ini memberikan dasar keputusan berbasis data bagi pemerintah daerah untuk merancang program intervensi terfokus, seperti edukasi manajemen keuangan dan layanan mediasi konflik.
Kata Kunci: K-Medoids Clustering, Tingkat Perceraian, Jawa Barat.
References
Aggarwal, C. C., & Reddy, C. K. (2013). Data Clustering: Algorithms and Applications. https://www.researchgate.net/publication/331534089
Ahmad Fauzi, I., & Danar Dana, R. (2023). Implementasi Data Mining Clustering Dalam Mengelompokan Kasus Perceraian Yang Terjadi Di Provinsi Jawa Barat Menggunakan Algoritma K-Means. Jurnal Riset Ilmu Manajemen Dan Kewirausahaan, 1(4).
Dwiana, F. I., & Bahri, S. (2024). Implementasi Algoritma K-Medoids pada Klasterisasi Produksi Jenis Tanaman Pangan di Provinsi Jawa Timur. Jurnal Matematika Integratif, 20(1), 25–34. https://doi.org/10.24198/jmi.v20.n1.47278.25-34
Furqon, M. T., & Muflikhah, L. (2016). Clustering the Potential Risk of Tsunami Using Density-Based Spatial Clustering of Application With Noise (Dbscan). Journal of Environmental Engineering & Sustainable Technology JEEST, 03(01), 1–8. http://jeest.ub.ac.id
Garwan, I., Kholiq, A., & Muhammad Akbar, G. (2018). Tingkat Perceraian dan Pengaruh Faktor Ekonomi Kabupaten Karawang. Jurnal Ilmiah Hukum De’Jure: Kajian Ilmiah Hukum, 3(1).
Kamila, I., Khairunnisa, U., & Mustakim. (2019). Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan. Jurnal Ilmiah Rekayasa Dan Manajemen Sistem Informasi, 5(1), 119–125.
Khoncita Dasriana Bau, M., Setyawan, Y., & Titah Jatipaningrum, M. (2023). Perbandingan Metode Algoritma K-Means dan K-Medoids pada Pengelompokkan Kabupaten/Kota di Provinsi Nusa Tenggara Timur Berdasarkan Dimensi Indeks Pembangunan Manusia Tahun 2020. Jurnal Statistika Industri Dan Komputasi, 08(1), 48–57. https://ntt.bps.go.id.
Musfiani. (2019). Analisis Cluster dengan Menggunakan Metode Partisi pada Penggunaan Alat Kontrasepsi di Kalimantan Barat.
Nugroho, S. (2008). Statistika Multivariat Terapan. UNIBPress.
Rian Marliana, R., & Suliadi. (2024). Machine Learning Non-Hierarchical Clustering.
Rifkie Primartha. (2021). Algoritma Machine Learning. Informatika.
Setyaningtyas, S., Indarmawan Nugroho, B., & Arif, Z. (2022). Tinjauan Pustaka Sistematis: Penerapan Data Mining Teknik Clustering Algoritma K-Means. Jurnal Teknoif Teknik Informatika Institut Teknologi Padang, 10(2), 52–61. https://doi.org/10.21063/jtif.2022.v10.2.52-61
