Klasterisasi Tindak Kriminalitas di Provinsi Jawa Barat dengan Menggunakan Algoritma K-Medoids

Elina Sarastuti; Deni Mahdiana; Nidya Kusumawardhany

doi:10.36080/bit.v21i1.2976

Klasterisasi Tindak Kriminalitas di Provinsi Jawa Barat dengan Menggunakan Algoritma K-Medoids

Elina Sarastuti, Deni Mahdiana, Nidya Kusumawardhany

Abstract

Pada tahun 2022, Jawa Barat mengalami peningkatan angka tindak kriminalitas. Merujuk pada data Badan Pusat Statistik (BPS), pada 2021 Jawa Barat menduduki tindak kriminalitas pada posisi kesembilan di Indonesia. Selanjutnya berdasarkan Kementerian Koordinator Bidang Politik Hukum dan Keamanan (Kemenko Polhukam) pada tahun 2022 Jawa Barat mengalami lonjakan angka kriminalitas hingga sebesar 69 persen, dan menduduki peringkat kelima di Indonesia. Tujuan pada penelitian ini untuk menggunakan pendekatan data mining dalam mengelompokkan Kabupaten/Kota di Jawa Barat berdasarkan angka kriminilitas sehingga dapat membantu pihak kepolisian setempat untuk dapat melakukan pemetaan agar pencegahan serta penindakan kriminalitas dapat sesuai lebih efektif serta tegas, sehingga dapat menekan angka kriminalitas di Jawa Barat. Data penelitian yang digunakan adalah data kriminalitas di Jawa Barat pada tahun 2019 sampai 2021 dengan 9 jenis tindak kriminalitas, diantaranya pencurian, penipuan, penganiayaan, pembakaran, pemerkosaan, pengedar/penyalahgunaan narkoba, perjudian, pembunuhan, dan perdagangan manusia. Metode analisis menggunakan algoritma K-Medoids dengan tools Rapidminer untuk mengelompokkan pola kriminalitas ke dalam kelompok-kelompok yang memiliki kesamaan karakteristik. Pengelompokan dilakukan berdasarkan atribut-atribut tertentu seperti 9 jenis tindak kejahatan dan kabupaten/kota terjadinya tindak kejahatan tersebut. Hasil penelitian ini dapat dinyatakan akurat karena hasil akhir penggunaan tools dan perhitungan manual mendapatkan hasil yang sam, dengan hasil berupa klasterisasi status kabupaten/kota yang dibagi menjadi 2 cluster yaitu aman dan rawan dengan nilai DBI 0,761. Penelitian ini mendapatkan hasil yaitu, cluster aman terdiri dari 3 Kabupaten/Kota, diantaranya Kabupaten Kuningan, Kabupaten Pangandaran, dan Kota Banjar sedangkan cluster rawan terdiri dari 16 Kabupaten/Kota, diantaranya Kabupaten Bandung, Kabupaten Bandung Barat, Kabupaten Bekasi, Kabupaten Bogor, Kabupaten Ciamis, Kabupaten Cianjur, Kabupaten Cirebon, Kabupaten Garut, Kabupaten Indramayu, Kabupaten Karawang, Kabupaten Majalengka, Kabupaten Purwakarta, Kabupaten Subang, Kabupaten Sukabumi, Kabupaten Sumedang, dan Kabupaten Tasikmalaya.

Keywords

data mining; clustering; k-medoids; kriminalitas

Full Text:

PDF

References

K. Kartono, Patologi Sosial, 2(1). Jakarta: Rajagrafindo persada, 1999.

S. Sadya, “Polri: Kejahatan di Indonesia Naik Jadi 276.507 Kasus pada 2022 Artikel ini telah tayang di Dataindonesia.id dengan judul ‘Polri: Kejahatan di Indonesia Naik Jadi 276.507 Kasus pada 2022’., Author: Sarnita Sadya. Editor: Dimas Bayu. Klik selengkapnya di s,” dataindonesia.id, 2023. https://dataindonesia.id/varia/detail/polri-kejahatan-di-indonesia-naik-jadi-276507-kasus-pada-2022 (accessed Nov. 12, 2023).

D. Setyowati, R. Dewi, N. Sari, and R. Fadhila Indra Putra, Statistik Kriminal 2022. 2022.

Deputi V Bidkor Kamnas, “Polda Jabar Jadi Target Sasaran Pengendalian Tingkat Kriminalitas Tinggi, Asdep Penanganan Kejahatan Konvensional Kemenko Polhukam : Butuh Kerjasama Seluruh Pihak Ambil Langkah Strategis,” KEMENKO POLHUKAM RI, 2023. https://polkam.go.id/polda-jabar-jadi-target-sasaran-pengendalian-tingkat-kriminalitas-tinggi-asdep-penanganan-kejahatan-konvensional-kemenko-polhukam-butuh-kerjasama-seluruh-pihak-ambil-langkah-strategis/ (accessed Dec. 12, 2023).

F. Marisa, S. S. S. Ahmad, Z. I. M. Yusoh, T. M. Akhriza, W. Purnomowati, and R. K. Pandey, “Performance Comparison of Collaborative-Filtering Approach with Implicit and Explicit Data,” Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 10, 2019, doi: 10.14569/IJACSA.2019.0101016.

R. Wirth and J. Hipp, “CRISP-DM: towards a standard process model for data mining. Proceedings of the Fourth International Conference on the Practical Application of Knowledge Discovery and Data mining, 29-39,” Proc. Fourth Int. Conf. Pract. Appl. Knowl. Discov. Data Min., no. 24959, pp. 29–39, 2000, [Online]. Available: https://www.researchgate.net/publication/239585378_CRISP-DM_Towards_a_standard_process_model_for_data_mining.

C. D. Larose, Daniel T.; Larose, “An Introduction to Data mining,” in Discovering Knowledge in Data, WILEY Online Library, 2014, pp. 1–15.

E. Febrianti, R. W. Sembiring, and D. Suhada, “Mengkluster Jumlah Kabupaten/Kota Yang Melaksanakan Kawasan Tanpa Rokok (Ktr) Di 50% Sekolah Menurut Provinsi Dengan K-Medoids,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, 2019, doi: 10.30865/komik.v3i1.1672.

N. Pulungan, S. Suhada, and D. Suhendro, “PENERAPAN ALGORITMA K-MEDOIDS UNTUK MENGELOMPOKKAN PENDUDUK 15 TAHUN KEATAS MENURUT LAPANGAN PEKERJAAN UTAMA,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, Nov. 2019, doi: 10.30865/komik.v3i1.1609.

S. Hendrian, “Algoritma Klasifikasi Data mining Untuk Memprediksi Siswa Dalam Memperoleh Bantuan Dana Pendidikan,” Fakt. Exacta, vol. 11, no. 3, pp. 266–274, 2018, doi: 10.30998/faktorexacta.v11i3.2777.

U. T. Suryadi and Y. Supriatna, “SISTEM CLUSTERING TINDAK KEJAHATAN PENCURIAN DI WILAYAH JAWA BARAT MENGGUNAKAN ALGORITMA K-MEANS,” J. Teknol. Inf. dan Komun., vol. 22, no. April, p. 111, 2019.

R. N. Fahmi, M. Jajuli, and N. Sulistiyowati, “Analisis Pemetaan Tingkat Kriminalitas di Kabupaten Karawang menggunakan Algoritma K-Means,” INTECOMS J. Inf. Technol. Comput. Sci., vol. 4, no. 1, pp. 67–79, 2021, doi: 10.31539/intecoms.v4i1.2413.

C. A. Nanda, A. L. Nugraha, and H. S. Firdaus, “Analisis Tingkat Daerah Rawan Kriminalitas Menggunakan Metode Kernel Density Di Wilayah Hukum Polrestabes Kota Semarang,” J. Geod. Undip, vol. 8, no. 4, pp. 50–58, 2019.

D. Winarti, M. Kom, E. Revita, and M. Kom, “Penerapan Data mining untuk Analisa Tingkat Kriminalitas Dengan Algoritma Association Rule Metode FP-Growth,” J. SIMTIKA, vol. 4, no. 3, pp. 8–22, 2021.

H. S. Firdaus, A. L. Nugraha, B. Sasmito, and M. Awaluddin, “Perbandingan Metode Fuzzy C-Means Dan K-Means Untuk Pemetaan Daerah Rawan Kriminalitas Di Kota Semarang,” Elipsoida J. Geod. dan Geomatika, vol. 4, no. 01, pp. 58–64, 2021, doi: 10.14710/elipsoida.2021.9219.

Y. A. Wijaya, D. A. Kurniady, E. Setyanto, W. S. Tarihoran, D. Rusmana, and R. Rahim, “Davies Bouldin Index Algorithm for Optimizing Clustering Case Studies Mapping School Facilities,” TEM J., vol. 10, no. 3, pp. 1099–1103, 2021, doi: 10.18421/TEM103-13.

DOI: https://dx.doi.org/10.36080/bit.v21i1.2976

Refbacks

There are currently no refbacks.

This work is licensed under a Creative Commons Attribution 4.0 International License.

OFFICE:

FAKULTAS TEKNOLOGI INFORMASI - UNIVERSITAS BUDI LUHUR, Jl. Ciledug Raya, Petukangan Utara, Jakarta Selatan, 12260. DKI Jakarta, Indonesia. Telp: 021-585 3753 Fax: 021-585 3752

Bit (Fakultas Teknologi Informasi Universitas Budi Luhur) by FAKULTAS TEKNOLOGI INFORMASI - UNIVERSITAS BUDI LUHUR is licensed under CC BY-SA 4.0 Creative Commons License

View Bit (Fakultas Teknologi Informasi Universitas Budi Luhur) Satats Web Analytics Made Easy