Tujuan dilakukannya penelitian algoritma K-means untuk mengelompokkan tingkat kesehatan mental pada usia 18 – 30 tahun yaitu menghasilkan model serta nilai akurasi, dikarenakan usia 18 – 30 tahun merupakan usia yang memiliki resiko tinggi mengalami gangguan kesehatan mental. Pada kelompok usia tersebut menghadapi tantangan signifikan seperti transisi dari pendidikan ke dunia kerja, beban keuangan, dan pengembangan identitas sebagai orang dewasa. Prevalensi gangguan kesehatan mental terberat pada kelompok usia 18-30 tahun mencapai 6,2%, angka ini jauh lebih tinggi dibandingkan kelompok usia lainnya. Dari permasalahan tersebut, penelitian ini menerapkan metode clustering menggunakan algoritma K-means dengan proses pembuatan model dilakukan selama 5 bulan terakhir untuk menemukan cluster terbaik. Dari percobaan clustering menggunakan K-means, dihasilkan cluster yang optimal dengan nilai validation hasil clustering menggunakan Davies-bouldin index 2,14. Dari proses clustering yang telah dilakukan dengan melewati 46 iterasi dapatkan cluster akhir dengan C1(normal) 102 data, C2(rendah) 168 data, C3(sedang) 115 data, C4(tinggi) 192 data.

The purpose of conducting research on K-means to cluster mental health levels at the age of 18 - 30 years is to produce a model and accuracy value, because the age of 18 - 30 years is an age that has a high risk of experiencing mental health disorders. This age group faces significant challenges such as the transition from education to the world of work, financial burdens, and the development of identity as an adult. The prevalence of the most severe mental health disorders in the 18-30 age group reaches 6.2%, which is much higher than other age groups. From these problems, this research applies a clustering method using the K-means algorithm with the modeling process carried out for the last 5 months to find the best cluster. From the clustering experiment using K means, the optimal cluster is produced with the validation value of the clustering results using the Davies-bouldin index 2.14. From the clustering process that has been carried out by passing 46 iterations get the final cluster with C1 (normal) 102 data, C2 (low) 168 data, C3 (medium) 115 data, C4 (high) 192 data.