COMPARATIVE ANALYSIS OF K-MEANS, X-MEANS AND K-MEDOIDS IN CLASSIFYING MARRIAGE CHOICED ADMIST QUARTER-LIFE CRISIS

Disya Nurul Ariza, Rahayu Ningsih, Sri Muryani, Herlina Ferliyanti, Ahmad Jurnaidi Wahidin

Abstract


Abstract: Bekasi Regency, being one of the key cities in Indonesia, offers a suitable setting to study the intricacies of marriage decision-making during a quarter-life crisis. This study focuses on the application of clustering algorithms to categorize individuals based on their marriage choices. Data was collected from a questionnaire completed by 110 respondents from Bekasi Regency, specifically individuals aged 18 to 30 who are single, including 80 women and 30 men. Data analysis was conducted using the RapidMiner software to evaluate the effectiveness of three clustering algorithms K-Means, X-Means, and K-Medoids in categorizing marriage decision patterns among young people experiencing a Quarter Life Crisis in Bekasi Regency. Results indicate that each algorithm has its own strengths and limitations in handling Quarter Life Crisis data.The results of the analysis show that the K-medoids algorithm provides the best clustering results with the lowest DBI value of 0.195, followed by the X-Means algorithm with a value of 0.199 and K-Means with a value of 0.207. These results can help understand the pattern of marriage decisions in the Quarter Life Crisis phase and help provide insights for policymakers in Bekasi Regency to make more effective intervention programs.

           
Keywords: K-Means; K-Medoids; X-Means

 

 

Abstrak: Sebagai salah satu kota besar di Indonesia, Kabupaten Bekasi memberikan konteks yang tepat untuk mempelajari kompleksitas pengambilan keputusan pernikahan di tengah krisis seperempat usia. Penelitian ini berfokus pada pemanfaatan algoritma clustering untuk mengelompokkan individu berdasarkan pilihan pernikahan mereka. Data diambil dari kuesioner yang diisi oleh 110 responden di Kabupaten Bekasi, yang terdiri dari individu lajang berusia 18 hingga 30 tahun, yaitu 80 perempuan dan 30 laki-laki. Analisis data dilakukan dengan perangkat lunak RapidMiner untuk mengevaluasi efektivitas tiga algoritma pengelompokan—K-Means, X-Means, dan K-Medoids—dalam mengelompokkan pola keputusan pernikahan di kalangan pemuda yang menghadapi Quarter Life Crisis di Kabupaten Bekasi. Hasilnya menunjukkan bahwa setiap algoritma memiliki keunggulan dan kelemahannya masing-masing dalam memproses data Quarter Life Crisis. Hasil analisis menunjukkan bahwa algoritma K-medoids memberikan hasil clustering terbaik dengan nilai DBI terendah yaitu 0.195, diikuti oleh algoritma X-Means dengan nilai 0.199 dan K-Means dengan nilai 0.207. Hasil ini dapat membantu memahami pola keputusan menikah pada fase Quarter Life Crisis dan membantu memberikan wawasan bagi pembuat kebijakan di Kabupaten Bekasi membuat program intervensi yang lebih efektif.

 

 

Kata kunci: K-Means; K-Medoids; X-Means

 


Full Text:

PDF

References


F. Akbar, “Apa Itu Quarter Life Crisis? Bagaimana Cara Kamu Menghadapinya?” [Online]. Available: https://satupersen.net/blog/quarter-life-crisis-bagaimana-kamu-menghadapinya

G. B. Kaligis and S. Yulianti, “Analisa Perbandingan Algoritma K-Means, K-Medoids, dan x-Means Untuk Pengelompokkan Kinerja Pegawai (studi Kasus : Sekeretariat DPRD Provinsi Sulawesi Utara),” IT-EXPLORE J. Penerapan Teknol. Inf. dan Komun., vol. 01, pp. 179–193, 2022.

D. Hastari, F. Nurunnisa, S. Winanda, and D. D. Aprillia, “Application of K-Means and K-Medoids Algorithms for Grouping Country Data Based on Socio-Economic and Health Factors Penerapan Algoritma K-Means dan K-Medoids untuk Mengelompokkan Data Negara Berdasarkan Faktor Sosial-Ekonomi dan Kesehatan,” pp. 274–281, 2023.

M. Herviany, S. P. Delima, and T. Nurhidayah, “Comparison of K-Means and K-Medoids Algorithms for Grouping Landslide Prone Areas in West Java Province Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Rawan Tanah Longsor di Provinsi Jawa Barat,” vol. 1, no. April, pp. 34–40, 2021.

U. D. Rahayu et al., “ANALISIS KASUS PERCERAIAN PADA PENGADILAN NEGERI BEKASI MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING,” J. IKRAITH-INFORMATIKA, vol. 6, no. 1, pp. 165–172, 2022.

C. Yuan, “Research on K-Value Selection Method of K-Means Clustering Algorithm,” 2019.

O. Somantri and S. Wiyono, “Metode K-Means untuk Optimasi Klasifikasi Tema Tugas Akhir Mahasiswa Menggunakan Support Vector Machine ( SVM ),” JATI - J. Mhs. Tek. Inform., vol. 3, no. 1, pp. 34–45, 2016.

R. Adniana, D. Solihudin, and R. Narasati, “OPTIMASI ANALISIS DATA KEPUASAN PELANGGAN CV MEGA BAJA BINTARO DENGAN PENERAPAN ALGORITMA X-MEANS CLUSTERING,” JATI - J. Mhs. Tek. Inform., vol. 8, no. 1, pp. 445–453, 2024.

H. Al Azies, F. A. Rohmatullah, H. B. Rochmanto, and D. Putri, “TOWARDS OPTIMIZATION : DATA-DRIVEN APPROACH K-MEDOIDS CLUSTERING ALGORITHM FOR REGIONAL EDUCATION QUALITY,” vol. 12, no. 3, 2022.

J. Eska, A. N. Sari, and A. P. Bisnis, “PENERAPAN METODE K-MEDOIDS TERHADAP ANGGARAN,” vol. 4307, no. August, pp. 821–827, 2024.

R. Mahmud and A. Hartanto, “PENERAPAN DATA MINING REKOMENDASI LAPTOP MENGGUNAKAN ALGORITMA APRIORI,” JUISI, vol. 06, no. 02, 2020.

P. Bhatia, Data Mining and Data Warehousing. Cambridge University Press, 2019.

N. S. Fatonah and T. K. Pancarani, “ANALISA PERBANDINGAN ALGORITMA CLUSTERING UNTUK PEMETAAN STATUS GIZI BALITA DI PUSKESMAS PASIR JAYA,” KONVERGENSI, vol. 18, no. 1, 2022.

D. T. Larose and C. D. Larose, Discovering Knowledge In Data - An Introduction Of Data Mning. Wiley, 2014.

S. F. Intan, W. Elvira, S. Rahayu, and N. Nurfadilla, “Comparison of the K-Means and K-Medoids Algorithms for Grouping Student Expenditures Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Pengeluaran Mahasiswa,” pp. 35–40, 2023.

E. Tasia and M. Afdal, “Comparison Of K-Means And K-Medoid Algorithms For Clustering Of Flood-Prone Areas In Rokan Hilir District Perbandingan Algoritma K-Means Dan K-Medoids Untuk Clustering Daerah Rawan Banjir Di Kabupaten Rokan Hilir,” vol. 3, no. 1, pp. 65–73, 2023.

academy.rapidminer.com, “get-started-with-rapidminer-and-machine-learning,” https://academy.rapidminer.com/. [Online]. Available: https://academy.rapidminer.com/learning-paths/get-started-with-rapidminer-and-machine-learning

I. W. S. Wicaksana, L. Ambarwati, D. A. Baskoro, and D. A. C, Belajar Data Mining Dengan Rapid Miner. 2013.




DOI: https://doi.org/10.33330/jurteksi.v11i1.3554

Article Metrics

Abstract view : 24 times
PDF - 24 times

Refbacks

  • There are currently no refbacks.


Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) Universitas Royal

Copyright © LPPM UNIVERSITAS ROYAL

 

Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-BerbagiSerupa 4.0 Internasional.