Perbandingan Metode Euclidean dan Manhattan Distance dalam Implementasi Algoritma K-Means dan K-Medoid pada Pengelompokkan Faktor Dominan Perceraian di Kabupaten Bojonegoro
DOI:
https://doi.org/10.30865/jurikom.v13i1.9520Keywords:
Divorce, Clustering, K-Means, K-Medoids, Silhouette Score, Min–Max ScalerAbstract
The divorce rate in Bojonegoro Regency continues to increase, driven by various social factors such as constant disputes, economic pressure, and household disharmony. Consequently, an analysis is required to map dominant and non-dominant factors more effectively. This study aims to group the factors causing divorce in Bojonegoro Regency for the 2021–2023 period and determine the most optimal clustering method. The research utilizes K-Means and K-Medoids algorithms with Euclidean and Manhattan distance metrics applied to both raw data and data normalized using the Min–Max Scaler, evaluated via the Silhouette Score. The results indicate that data normalization improves cluster quality, and K-Means with Manhattan distance on normalized data achieves the best performance, yielding a Silhouette Score of 0.849547. Cluster displacement analysis reveals that the grouping patterns remain relatively consistent across years, with "constant disputes" consistently emerging as the dominant factor, while other factors remain in the non-dominant cluster with similar patterns. This study demonstrates that K-Means with Manhattan distance on normalized data is more effective for clustering divorce factors. These findings can serve as a methodological foundation for the local government in formulating data-driven social policies and interventions.
References
[1] S. Sofiatun, F. Deviantony, and W. Kusumawardani, “A Systematic Review of the Psychological and Social Consequences of Parental Divorce on Children,” J. Ilmu-Ilmu Kesehat., vol. 11, no. 1, pp. 6–13, 2025, doi: 10.52741/jiikes.v11i1.120.
[2] T. I. Cahyarity, N. D. Putri, N. R. Dania, F. R. Utami, and E. Arman, “Systematic Literature Review: Dampak Perceraian Orang Tua terhadap Kondisi Psikologis Remaja,” Tsaqofah, vol. 5, no. 1, pp. 547–555, 2025, doi: 10.58578/tsaqofah.v5i1.4547.
[3] T. Ramadhini, I. Islamiyah, R. Bayu Samudra, and T. Aditya, “As-Syar’i: Jurnal Bimbingan & Konseling Keluarga Perceraian Era Pandemi Covid-19: Analisis Meningkatnya Perceraian Di Kota Tangerang,” As-Syar’i J. Bimbing. Konseling Kel., vol. 5, no. 2, pp. 204–215, 2023, doi: 10.47476/as.v5i2.2116.
[4] M. P. A. Tubagus Fajar Setiadi,Lukman Aqil Prambudi, “Disintegrasi Rumah Tangga : Faktor Perceraian dalam Tinjauan,” Marital J. Huk. Kel. Islam, vol. 3, no. 2, 2025, doi: 10.35905/marital.
[5] R. S. B. Mujiono, “P-135-157-ARTIKEL-2025-1-template+2025-1-Mujiono,” Justicia J., vol. 14 No:1, no. 14, pp. 135–157, 2025, [Online]. Available: https://ejournal.undar.or.id/index.php/Justicia/article/view/803
[6] P. Agama and K. Kebumen, “Article Info Accepted Manusia sebagai makhluk sosial memiliki kodrat untuk berinteraksi dan bersosialisasi dengan sesamanya . Dalam pengertian lain , untuk menjamin kelangsungan hidupnya manusia membutuhkan bantuan dan perlu bekerja sama dengan manusia la,” pp. 1–11, 2024.
[7] A. O. S. Ayu and M. Iqbal, “Analisis Data Mining Terhadap Data Faktor Perceraian Di Sumatera Utara Dengan Metode K-Means Clusstering,” J. Sist. Inf. Triguna Dharma (JURSI TGD), vol. 4, no. 1, pp. 214–221, 2025, doi: 10.53513/jursi.v4i1.10671.
[8] Y. Yendrizal and Y. Alfero, “Data Mining Penjualan Bibit Tanaman Menggunakan Algoritma Apriori,” J. Nas. Komputasi dan Teknol. Inf., vol. 7, no. 6, pp. 1908–1917, 2024, doi: 10.32672/jnkti.v7i6.8346.
[9] H. T. S. Teguh, “Implementasi Data Minning Clustering Dalam Mengelompokan Kasus Perceraian Yang Terjadi Di Provinsi Jawa Timur Menggunakan Algoritma K-Means,” JAMI J. Ahli Muda Indones., vol. 6, no. 1, pp. 68–83, 2025, doi: 10.46510/jami.v6i1.324.
[10] M. Orisa and A. Faisol, “Analisis Algoritma Partitioning Around Medoid untuk Penentuan Klasterisasi,” J. Teknol. Inf. dan Terap., vol. 8, no. 2, pp. 86–90, 2021, doi: 10.25047/jtit.v8i2.258.
[11] S. Komputer and E. Yanti, “Analisis Algoritma K-Means Dalam Pengelompokan Perkara Perceraian Berdasarkan Kelurahan Di Kota Jambi,” vol. 16, no. 1, pp. 9–19, 2021.
[12] H. D. Tampubolon, S. Suhada, M. Safii, S. Solikhun, and D. Suhendro, “Penerapan Algoritma K-Means dan K-Medoids Clustering untuk Mengelompokkan Tindak Kriminalitas Berdasarkan Provinsi,” J. Ilmu Komput. dan Teknol., vol. 2, no. 2, pp. 6–12, 2021, doi: 10.35960/ikomti.v2i2.703.
[13] F. Zahro, “Penentuan klaster terbaik dengan elbow method dalam faktor penyebab perceraian menggunakan k-means skripsi,” 2024.
[14] S. S. Amru and S. Juanita, “Penerapan Algoritma Apriori Untuk Rekomendasi Penjualan Paket Lipstik,” JSI J. Sist. Inf., vol. 14, no. 1, pp. 2569–2584, 2022, doi: 10.18495/jsi.v14i1.17219.
[15] Repan, B. C. Octariadi, and Sucipto, “Penerapan Algoritma (Naïve Bayes) Untuk Memprediksi Penyakit Diare,” J. Fasilkom, vol. 15, no. 1, pp. 49–56, 2025, doi: 10.37859/jf.v15i1.8993.
[16] D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” Comput. Eng. Sci. Syst. J., vol. 4, no. 1, p. 78, 2019, doi: 10.24114/cess.v4i1.11458.
[17] R. Sammouda and A. El-Zaart, “An Optimized Approach for Prostate Image Segmentation Using K-Means Clustering Algorithm with Elbow Method,” Comput. Intell. Neurosci., vol. 2021, 2021, doi: 10.1155/2021/4553832.
[18] R. D. Rudianto and A. W. Wijayanto, “Analisis Perbandingan K-Means dan K-Medoids dalam Pengelompokan Provinsi Berdasarkan Indeks Demokrasi Indonesia 2021,” Komputika J. Sist. Komput., vol. 13, no. 1, pp. 19–26, 2024, doi: 10.34010/komputika.v13i1.10812.
[19] T. Rahmawati, Y. Wilandari, and P. Kartikasari, “Analisis Perbandingan Silhouette Coefficient Dan Metode Elbow Pada Pengelompokkan Provinsi Di Indonesia Berdasarkan Indikator Ipm Dengan K-Medoids,” J. Gaussian, vol. 13, no. 1, pp. 13–24, 2024, doi: 10.14710/j.gauss.13.1.13-24.
[20] B. Hartono, S. Eniyati, and K. Hadiono, “Perbandingan Metode Perhitungan Jarak pada Nilai Centroid dan Pengelompokan Data Menggunakan K-Means Clustering,” J. Sist. Komput. dan Inform., vol. 4, no. 3, p. 503, 2023, doi: 10.30865/json.v4i3.6021.
[21] S. Sindi, W. R. O. Ningse, I. A. Sihombing, F. I. R.H.Zer, and D. Hartama, “Analisis Algoritma K-Medoids Clustering Dalam Pengelompokan Penyebaran Covid-19 Di Indonesia,” J. Teknol. Inf., vol. 4, no. 1, pp. 166–173, 2020, doi: 10.36294/jurti.v4i1.1296.
[22] R. Meiyanti, M. M. Munauwar, R. Fitria, and H. Al Kautsar, “Implementasi Algoritma K-Medoid pada Clustering Sayuran Unggulan di Kabupaten Aceh Utara,” Teknika, vol. 19, no. x, pp. 327–337, 2024.
[23] D. D. Abdurrahman, F. Agus, and G. M. Putra, “Implementasi Algoritma Partitioning Around Medoids (PAM) untuk Mengelompokkan Hasil Produksi Komoditi Perkebunan (Studi Kasus: Dinas Perkebunan Provinsi Kalimantan Timur),” Inform. Mulawarman J. Ilm. Ilmu Komput., vol. 16, no. 2, p. 130, 2021, doi: 10.30872/jim.v16i2.6520.
[24] B. N. Yulisasih, H. Herman, S. Sunardi, and H. Yuliansyah, “Evaluation of K-Means Clustering Using Silhouette Score Method on Customer Segmentation,” Ilk. J. Ilm., vol. 16, no. 3, pp. 330–342, 2024, doi: 10.33096/ilkom.v16i3.2325.330-342.
[25] S. Paembonan and H. Abduh, “Penerapan Metode Silhouette Coefficient untuk Evaluasi Clustering Obat,” PENA Tek. J. Ilm. Ilmu-Ilmu Tek., vol. 6, no. 2, pp. 48–54, 2021, doi: 10.51557/pt_jiit.v6i2.659.
