ANALISIS CLUSTER DENGAN METODE SOM UNTUK PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN INDIKATOR KRIMINALITAS

Mardhani Dwi Novianto, Sri Andayani

Abstract


Kriminalitas atau kejahatan adalah suatu perbuatan yang dapat mengakibatkan masalah bagi masyarakat. Salah satu teknik analisis untuk mengatasi masalah ini adalah analisis cluster. Hasil analisis ini dapat dijadikan evaluasi bagi pemerintah dalam memperhatikan kriminalitas yang terjadi. Penelitian ini bertujuan untuk mendeskripsikan hasil analisis cluster dan karakteristik dari hasil analisis cluster dengan metode Self-Organizing Maps (SOM) untuk pengelompokan provinsi di Indonesia berdasarkan indikator kriminalitas nasional. Penelitian ini menggunakan data indikator kriminalitas nasional tahun 2021 yang diperoleh dari laman resmi Badan Pusat Statistik Indonesia. Data yang digunakan terdiri dari 34 provinsi dan 7 variabel. Hasil penelitian menunjukkan bahwa 5 cluster adalah jumlah cluster optimal dengan nilai validasi DBI 0,3793. Setiap cluster memiliki karakteristiknya tersendiri. Cluster ke-1 memiliki rata-rata jumlah kejahatan ringan, sedang, berat, dan jumlah kejahatan yang diselesaikan paling rendah, serta selang waktu terjadinya kejahatan paling lama. Cluster ke-2 memiliki rata-rata jumlah kejahatan sedang dan berat paling tinggi, serta selang waktu terjadinya kejahatan paling cepat. Cluster ke-3 memiliki rata-rata jumlah kejahatan ringan paling tinggi. Cluster ke-4 memiliki rata-rata persentase penyelesaian kejahatan dan risiko penduduk terkena kejahatan paling rendah. Cluster ke-5 memiliki rata-rata jumlah kejahatan yang diselesaikan, persentase penyelesaian kejahatan, dan risiko penduduk terkena kejahatan paling tinggi.

Kata kunci: Indikator Kriminalitas Nasional, analisis cluster, Self-Organizing Maps, Davies Bouldin Index


Full Text:

PDF

References


Arthur, D. & Vassilvitskii, S. (2007). K-Means++ : The Advantages of Careful Seeding.

Badan Pusat Statistik. (2021). Statistik Kriminal 2021. Jakarta : Badan Pusat Statistik.

Badan Pusat Statistik. (2022). Statistik Kriminal 2022. Jakarta : Badan Pusat Statistik.

Bustamam, A., Rivai, M. A., & Siswantining, T. (2018). Implementation of Spectral Clustering on Microarray Data of Carcinoma Using Self Organizing Map (SOM). https://doi.org/10.1063/1.5064237

Choudary, A. (2019). Comprehensive Guide to K-Means Clustering. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2019/08/comprehensive-guide-k-means-clustering/

Davies, D. L., & Bouldin, D. W. (1979). A Cluster Separation Measure. IEEE Transactions on Pattern Analysis and Machine Intelligence, PAMI-1(2), 224–227. https://doi.org/10.1109/TPAMI.1979.4766909

Dulkiah, M. (2020). Sosiologi kriminal. http://digilib.uinsgd.ac.id/40086/1/BUKU SOSILOGI KRIMINAL.pdf

Gupta, N. (2021). ML | K-Means Algorithm. GeeksforGeeks. https://www.geeksforgeeks.org/ml-k-means-algorithm/

Halim, N. N., & Widodo, E. (2017). Clustering dampak gempa bumi di indonesia menggunakan kohonen self organizing maps. Prosiding SI MaNIS (Seminar Nasional Integrasi Matematika Dan Nilai Islami), 1(1), 188–194. http://conferences.uin-malang.ac.id/index.php/SIMANIS/article/view/62

Khotija. (2022). Pengelompokan Tindak Kriminal di Indonesia Menggunaan Algoritma Self Organizing Maps (SOM) dan K-Means.

Lestari. (2018). Pengelompokan Provinsi Di Indonesia Berdasarkan Kriminalitas Menggunakan Metode Ward Dan K-Medoids. Repository.Unimus.Ac.Id. http://repository.unimus.ac.id/4348/12/19.Jurnal Ilmiah_ANGGI.pdf

Numbeo. (2022). South-Eastern Asia: Crime Index by Country 2022 Mid-Year. https://www.numbeo.com/crime/rankings_by_country.jsp?title=2022-mid&region=035&displayColumn=0.

P., M. A., Hendrawan, R. A., & Hafidz, I. (2014). K-Means Untuk Klasifikasi Pelanggan Perusahaan. Seminar Nasional Sistem Informasi Indonesia (SESINDO), September, 419–425.

Pamulang, M. N. P., Aini, M. N., & Enri3, U. (2021). Komparasi Distance Measure Pada K-Medoids Clustering untuk Pengelompokkan Penyakit ISPA. Edumatic: Jurnal Pendidikan Informatika, 5(1), 99–107. https://doi.org/10.29408/edumatic.v5i1.3359

Septiani, I. W., Fauzan, A. C., & Huda, M. M. (2022). Implementasi Algoritma K-Medoids Dengan Evaluasi Davies-Bouldin-Index Untuk Klasterisasi Harapan Hidup Pasca Operasi Pada Pasien Penderita Kanker Paru-Paru. Jurnal Sistem Komputer Dan Informatika (JSON), 3(4), 556. https://doi.org/10.30865/json.v3i4.4055

Tempola, F., Muhammad, M., & Mubarak, A. (2020). Penggunaan Internet Dikalangan Siswa SD di Kota Ternate: Suatu Survey, Penerapan Algoritma Clustering dan Validasi DBI. Jurnal Teknologi Informasi Dan Ilmu Komputer, 7(6), 1153. https://doi.org/10.25126/jtiik.2020722370

Undang-Undang Nomor 1 Tahun 2023 Tentang Kitab Undang-Undang Hukum Pidana.

Wahyudi, N., Suhartono, V., & Pramunendar, R. A. (2015). Background Subtraction Berbasis Self Organizing Map Untuk Deteksi Objek Bergerak. Systemic: Information System and Informatics Journal, 1(1), 42–51. https://doi.org/10.29080/systemic.v1i1.283

Wehrens, R. (2007). . JSS Journal of Statistical Software, 21(5). http://www.jstatsoft.org/

Yang, L., Ouyang, Z., & Shi, Y. (2012). A modified clustering method based on self-organizing maps and its applications. Procedia Computer Science, 9, 1371–1379. https://doi.org/10.1016/j.procs.2012.04.151


Refbacks

  • There are currently no refbacks.


 

Online ISSN (e-ISSN): 3031-1152

Creative Commons LicenseJurnal Kajian dan Terapan Matematika by https://journal.student.uny.ac.id/index.php/jktm/index is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.