Klasterisasi Jumlah Tindak Pidana Kepolisian Daerah Pada Algoritma K-Means Klustering
Main Article Content
Abstract
Penelitian ini bertujuan untuk menganalisis jumlah tindak pidana di Indonesia berdasarkan wilayah Kepolisian Daerah (Polda) dengan menerapkan algoritma K-Means Clustering. Data yang digunakan meliputi berbagai fitur numerik terkait tindak pidana dari sejumlah Polda di Indonesia. Proses analisis dilakukan dengan teknik normalisasi data serta pengelompokan menggunakan tiga klaster utama (C1, C2, C3), yang menunjukkan tingkat keparahan atau intensitas tindak pidana di masing-masing wilayah. Validitas hasil klaster diukur menggunakan nilai Silhouette, yang menunjukkan rata-rata sebesar 0,63, menunjukkan bahwa kualifikasi antar klaster cukup baik dan representatif. Hasil clustering menampilkan bahwa Polda-Polda yang tergolong dalam klaster C1 cenderung memiliki tingkat tindak pidana yang lebih rendah, yang ditunjukkan oleh nilai fitur yang relatif kecil. Sebaliknya, klaster C3 berisi wilayah dengan tingkat tindak pidana tertinggi, seperti Sumatera Utara dan beberapa wilayah padat penduduk lainnya. Klaster C2 berada di antara kedua kategori tersebut. Pengelompokan ini dapat membantu pihak berwenang dalam menyusun strategi penanggulangan kejahatan yang lebih tepat sasaran, dengan fokus pada klaster yang menunjukkan tingkat kejahatan tinggi. Penelitian ini menegaskan bahwa pendekatan data mining seperti K-Means Clustering efektif digunakan dalam menganalisis data kriminalitas dan memberikan wawasan geografis yang berguna untuk pengambilan keputusan. Ke depan, penelitian serupa dapat ditingkatkan dengan menambahkan variabel sosio-ekonomi atau demografi untuk memperkaya pencetakan dan interpretasi hasil.
Downloads
Article Details
Aswan, Y., Defit, S., & Nurcahyo, G. W. (2021). Algoritma K-Means Clustering dalam Mengklasifikasi Data Daerah Rawan Tindak Kriminalitas (Polres Kepulauan Mentawai). Jurnal Sistim Informasi Dan Teknologi, 245–250. https://doi.org/10.37034/jsisfotek.v3i4.73
Hartanto, A. (n.d.). Implementasi Orange Data Mining Untuk Prediksi Penderita Diabetes. In Prosiding Seminar Kecerdasan Artifisial, Sains Data, dan Pendidikan Masa Depan PROKASDADIK (Vol. 1).
Hidayati, R., Zubair, A., Hidayat Pratama, A., Indana, L., Studi Sistem Informasi, P., & Teknologi Informasi, F. (2021). Analisis Silhouette Coefficient pada 6 Perhitungan Jarak K-Means Clustering Silhouette Coefficient Analysis in 6 Measuring Distances of K-Means Clustering (Vol. 20, Issue 2).
Lubis, R. M. F., Huang, J.-P., Wang, P.-C., Damanik, N., Sitepu, A. C., & Simanullang, C. D. (2023). K-Means and AHC Methods for Classifying Crime Victims by Indonesian Provinces: A Comparative Analysis. Building of Informatics, Technology and Science (BITS), 5(1). https://doi.org/10.47065/bits.v5i1.3630
Maharrani, R. H., Abda’u, P. D., & Faiz, M. N. (2024). Clustering method for criminal crime acts using K-means and principal component analysis. Indonesian Journal of Electrical Engineering and Computer Science, 34(1), 224–232. https://doi.org/10.11591/ijeecs.v34.i1.pp224-232
Miftahurrahmi, S., Zilrahmi, Amalita, N., & Mukhti, T. O. (2024). Metode Density Based Spatial Clustering of Applications with Noise (DBSCAN) dalam Mengelompokkan Provinsi di Indonesia Berdasarkan Kasus Kriminalitas Tahun 2022. UNP Journal of Statistics and Data Science, 2(3), 330–337. https://doi.org/10.24036/ujsds/vol2-iss3/203
Oktaviani, S., & Bahtiar, A. (2023). Implementasi Algoritma K-Means Dalam Pengelompokan Data Penjualan CV. Widuri Menggunakan Orange. In Jurnal Wahana Informatika (JWI) (Vol. 2, Issue 1).
Paembonan, S., Abduh, H., & Kunci, K. (2021). Penerapan Metode Silhouette Coeficient Untuk Evaluasi Clutering Obat Clustering; K-means; Silhouette coeficient (Vol. 6, Issue 2). https://ojs.unanda.ac.id/index.php/jiit/index
Palinggik Allorerung, P., Erna, A., Bagussahrir, M., & Alam, S. (2024). Analisis Performa Normalisasi Data untuk Klasifikasi K-Nearest Neighbor pada Dataset Penyakit. In Jurnal Informatika Sunan Kalijaga) (Vol. 9, Issue 3).
Pratama, & Septian. (2023). referensi data table 1. Implementasi Orange Untuk Klasifikasi Kepribadian Siswa-Siswi SMAN 79 Jakarta Dengan Model Random Forest dan Naive Bayes.
Putri, A. E., Mz, Y., & Bororing, J. E. (2025). IMPLEMENTASI K-MEANS CLUSTERING DAN MODEL CRISP-DM UNTUK PENGELOMPOKAN DAERAH RAWAN TINDAK PIDANA NARKOBA DI DIY. Jurnal Informatika Teknologi Dan Sains, 7(2), 615.
Sagala, N. T. M., & Gunawan, A. A. S. (2022). Discovering the Optimal Number of Crime Cluster Using Elbow, Silhouette, Gap Statistics, and NbClust Methods. ComTech: Computer, Mathematics and Engineering Applications, 13(1), 1–10. https://doi.org/10.21512/comtech.v13i1.7270
Silvi, R. (2018). Analisis Cluster dengan Data Outlier Menggunakan Centroid Linkage dan K-Means Clustering untuk Pengelompokkan Indikator HIV/AIDS di Indonesia. Jurnal Matematika “MANTIK,” 4(1), 22–31. https://doi.org/10.15642/mantik.2018.4.1.22-31
Wisma Anggoro, J., Awaluddin, M., & Laila Nugraha, A. (2019). ZONASI DAERAH RAWAN PENCURIAN KENDARAAN BERMOTOR (CURANMOR) DI KOTA SEMARANG DENGAN MENGGUNAKAN METODE CLUSTER ANALYSIS. In Jurnal Geodesi Undip Oktober (Vol. 8).
Yunita, Y., Fahmi, M., & Salmon, S. (2024). Penerapan Algoritma K-Means Data Mining Pada Clustering Kelayakan Penerima UKT Dengan Normalisasi Data Model Z-Score. Building of Informatics, Technology and Science (BITS), 6(3), 1977–1986. https://doi.org/10.47065/bits.v6i3.6475
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.