Klasterisasi Daerah Kriminalitas di Indonesia dengan Metode K-Means Clustering

T.Sofia Chairani; Hijka Listia; Sabina Wardaniah; Siti Wulandari; Putri Tasya Agustina Tampubolon; Arnita Piliang

doi:10.36080/bit.v21i2.3414

Klasterisasi Daerah Kriminalitas di Indonesia dengan Metode K-Means Clustering

T.Sofia Chairani, Hijka Listia, Sabina Wardaniah, Siti Wulandari, Putri Tasya Agustina Tampubolon, Arnita Piliang

Abstract

Kriminalitas di Indonesia menjadi masalah signifikan yang memengaruhi berbagai aspek seperti keamanan, sosial, dan ekonomi. Namun, upaya mitigasi sering terkendala oleh kurangnya informasi yang terstruktur tentang daerah rawan kriminalitas. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan mengelompokkan provinsi di Indonesia berdasarkan pola kriminalitas menggunakan algoritma K-Means Clustering. Data statistik kriminal tahun 2014-2023 dari Badan Pusat Statistik (BPS) dianalisis dengan menentukan jumlah cluster optimal yang menghasilkan lima cluster dengan evaluasi menggunakan Python dan library Scikit-learn. Hasil penelitian menunjukkan Silhouette Score sebesar 0.593, yang mencerminkan pembentukan cluster cukup baik. Klasterisasi ini memberikan panduan berbasis data bagi pemerintah dalam menyusun kebijakan keamanan yang lebih terarah untuk mengurangi tingkat kriminalitas di Indonesia.

Keywords

kriminalitas; klasterisasi; k-means clustering; analisis data; keamanan

Full Text:

PDF

References

Muh. A. Z. R. Ramadhan, R. A. Saputra, and J. Nangi, “Klasterisasi Daerah Rawan Kriminalitas di Sulawesi Tenggara Menggunakan Metode K-Means Clustering,” JOINTER - Journal of Informatics Engineering, vol. 05, no. 01, pp. 1–6, 2024.

L. Suriani, “Pengelompokan Data Kriminal Pada Poldasu Menentukan Pola Daerah Rawan Tindak Kriminal Menggunakan Data Mining Algoritma K-Means Clustering,” Jurnal Sistem Komputer dan Informatika (JSON), vol. 1, no. 2, p. 151, Jan. 2020, doi: 10.30865/json.v1i2.1955.

J. Inayah, D. A. S. N. Maghfiroh, and D. C. R. Novitasari, “Clustering Daerah Rawan Kriminalitas Menggunakan Algoritma Fuzzy C-Means,” Jurnal Ilmiah Informatika Komputer, vol. 27, no. 2, pp. 95–106, 2022, doi: 10.35760/ik.2022.v27i2.6019.

A. A. Dunda, A. Purwoto, A. Choirunnisa, R. A. Falah, and R. Y. Putri, “Faktor-Faktor yang Mempengaruhi Jumlah Tindak Kriminal di Sumatera Utara Tahun 2022,” Madani: Jurnal Ilmiah Multidisipline, vol. 2, no. 3, pp. 543–549, 2024, doi: 10.5281/zenodo.12171133.

T. Palokoto, E. Y. Purwanti, and Y. B. Mudakir, “Analisis Konsekuensi Ekonomi Akibat Kejahatan di Indonesia,” Jurnal Ekonomi dan Pembangunan Indonesia, vol. 20, no. 2, pp. 146–159, Jul. 2020, doi: 10.21002/jepi.2020.09.

P. M. S. Tarigan, J. T. Hardinata, H. Qurniawan, M. Safii, and R. Winanjaya, “Implementasi Data Mining Menggunakan Algoritma Apriori dalam Menentukan Persediaan Barang (Studi Kasus : Toko Sinar Harahap),” Just IT: Jurnal Sistem Informasi, Teknologi Informasi dan Komputer, vol. 12, no. 2, pp. 51–61, 2022, [Online]. Available: https://jurnal.umj.ac.id/index.php/just-it/index

D. A. Manalu and G. Gunadi, “Implementasi Metode Data Mining K-Means Clustering terhadap Data Pembayaran Transaksi Menggunakan Bahasa Pemrograman Python pada CV Digital Dimensi,” Infotech: Journal of Technology Information, vol. 8, no. 1, pp. 43–54, Jun. 2022, doi: 10.37365/jti.v8i1.131.

P. S. Rosiana, A. A. Mohsa, M. A. Fadila, and J. H. Jaman, “Visualisasi Data Kejahatan di Kabupaten Karawang Berdasarkan Jenis Kriminalitas dengan Algoritma Clustering K-Means,” Jurnal Informatika dan Teknik Elektro Terapan, vol. 11, no. 3, pp. 2830–7062, 2023, doi: 10.23960/jitet.v11i3%20s1.3347.

M. D. Novianto and S. Andayani, “Analisis Cluster dengan Metode SOM untuk Pengelompokan Provinsi di Indonesia berdasarkan Indikator Kriminalitas,” Jurnal Kajian dan Terapan Matematika, vol. 9, no. 1, pp. 39–53, 2023, [Online]. Available: https://www.numbeo.com/

Statistik Kriminal oleh Badan Pusat Statistik 2023. 2023.

R. M. Salsabila and A. Syarief, “Analisis Spasial Tingkat Kerawanan Kriminalitas Menggunakan Metode Nearest Neighbor Analysis Dan Kernel Density Di Kota Pekanbaru,” Jurnal Pendidikan Tambusai, vol. 8, no. 2, pp. 28844–28850, 2024.

T. Hidayat, “Klasifikasi Data Jamaah Umroh Menggunakan Metode K-Means Clustering,” Jurnal Sistim Informasi dan Teknologi, vol. 4, no. 1, pp. 19–24, Feb. 2022, doi: 10.37034/jsisfotek.v4i1.115.

H. Kurniawan, S. Defit, and Sumijan, “Data Mining Menggunakan Metode K-Means Clustering Untuk Menentukan Besaran Uang Kuliah Tunggal,” Journal of Applied Computer Science and Technology (JACOST), vol. 1, no. 2, pp. 80–89, Dec. 2020, doi: 10.52158/jacost.v1i2.102.

D. A. S. Simamora, M. T. Furqon, and B. Priyambadha, “Clustering Data Kejadian Tsunami Yang Disebabkan Oleh Gempa Bumi Dengan Menggunakan Algoritma K-Medoids,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 1, no. 8, pp. 635–640, 2017, [Online]. Available: http://j-ptiik.ub.ac.id

A. H. Yusup and W. Maharani, “Model Prediksi Kepribadian Berdasarkan Tweet dan Kategori Big Five dengan Metode Agglomerative Hierarchical Clustering,” TELKATIKA, vol. 1, no. 1, p. 2021, 2021.

DOI: https://doi.org/10.36080/bit.v21i2.3414

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