pemetaan tingkat kriminalitas kota pagar alam dengan memanfaatkan metode machine learning
Abstract
Tujuan dari penelitian ini adalah menghasilkan pemetaan tingkat kriminalitas kota Pagar Alam dengan memanfaatkan metode machine learning. Penelitian ini dilatar belakangi data laporan polisi kurang lengkapnya data dalam berita acara pemeriksaaan yang digunakan, berdampak pada informasi terkait lokasi kejadian yang ada pada data laporan Satreskrim sehingga kurangnya keakuratan informasi. Metode pengembangan sistem menggunakan CRISP-DM yang terdiri dari 6 tahap yaitu Business Understanding, Data Understanding, Data Preparation, Modelling, Evaluation dan Deployment. Pada penelitian ini algoritma yang digunakan yaitu K-Means Clustering, data diolah menjadi 3 Cluster yaitu Cluster tingkat kriminalitas tidak rawan (C0), Cluster rawan (C1), Cluster sangat rawan (C2). Hasil diperoleh tahun 2020 untuk cluster_0 yaitu sebanyak 28 kelurahan, tahun 2021 sebanyak 24 kelurahan dan tahun 2020 sebanyak 20 kelurahan. Untuk cluster_1 pada tahun 2020 yaitu 6 kelurahan, tahun 2021 sebanyak 10 kelurahan dan tahun 2022 sebanyak 11 kelurahan. Dan cluster_2 pada tahun 2020 dan 2021 yaitu hanya 1 kelurahan dan tahun 2022 sebanyak 4 kelurahan. Metode pengujian menggunakan Elbow. Hasil dari pengujian metode Elbow untuk menghitung hasil SSE terbentuk 3 cluster (K=3) dengan nilai 3244.766. Hasil pengujian dengan jumlah cluster 3 dapat dikatakan valid atau sesuai dengan hasil clastering k-means pada Rapid Miner, hasil dari klasterisasi berupa pemetaan menggunakan ArcGISReferences
A. Alimuddin, J. N. S. Juntak, R. A. E. Jusnita, I. Murniawaty, and H. Y. Wono, “Teknologi dalam Pendidikan: Membantu Siswa Beradaptasi Dengan Revolusi Industri 4.0,” Menur PJournal Educ., vol. 05, no. 04, pp. 11777–11790, 2023, [Online]. Available: http://jonedu.org/index.php/joe
L. Suriani, “Pengelompokan Data Kriminal Pada Poldasu Menentukan Pola Daerah Rawan Tindak Kriminal Menggunakan Data Mining Algoritma K-Means Clustering,” vol. 1, pp. 151–157, 2020, doi: 10.30865/json.v1i2.1955.
E. Retnoningsih and R. Pramudita, “Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python,” Bina Insa. Ict J., vol. 7, no. 2, p. 156, 2020, doi: 10.51211/biict.v7i2.1422.
Wiki Lofandri, “Analisis Predictive Maintenance Peralatan Lab Berbasis Machine Learning,” J. Sistim Inf. dan Teknol., vol. 5, pp. 7–9, 2022, doi: 10.37034/jsisfotek.v5i1.164.
F. Rahmadayanti, I. Anggraini, and T. Susanti, “Pengklasterisasian Data Penyakit Hipertensi dengan Menggunakan Metode K-Means,” J. Inf. Syst. Res., vol. 4, no. 2, pp. 737–741, 2023, doi: 10.47065/josh.v4i2.2905.
R. I. O. Limabri, F. Putrawansyah, and A. Arif, “Penerapan Data Mining Untuk Mengklasifikasi Nasabah Bank Sumsel Babel Menggunakan Algoritma C4. 5,” Escaf, pp. 1101–1108, 2023, [Online]. Available: https://semnas.univbinainsan.ac.id/index.php/escaf/article/view/488
E. Luthfi and A. W. Wijayanto, “Analisis perbandingan metode hirearchical , k-means , dan k-medoids clustering dalam pengelompokkan indeks pembangunan manusia Indonesia Comparative analysis of hirearchical , k-means , and k-medoids clustering and methods in grouping Indonesia ’ s human,” Inovasi, vol. 17, no. 4, pp. 770–782, 2021, [Online]. Available: https://journal.feb.unmul.ac.id/index.php/INOVASI/article/download/10106/1437
Sasmita and S. Muntari, “Penerapan Algoritma K-Means Clustering Pada Data Keluhan Pelanggan Pt. Pln Persero Kota Pagar Alam,” J. Ilm. Teknosains, vol. 9, no. 1, pp. 8–12, 2023.
P. Apriyani, A. R. Dikananda, and I. Ali, “Penerapan Algoritma K-Means dalam Klasterisasi Kasus Stunting Balita Desa Tegalwangi,” Hello World J. Ilmu Komput., 2023, [Online]. Available: https://doi.org/10.56211/helloworld.v2i1.230
H. D. Tampubolon, S. Suhada, M. Safii, S. Solikhun, and D. Suhendro, “Penerapan Algoritma K-Means dan K-Medoids Clustering untuk Mengelompokkan Tindak Kriminalitas Berdasarkan Provinsi,” J. Ilmu Komput. dan Teknol., vol. 2, no. 2, pp. 6–12, 2021, doi: 10.35960/ikomti.v2i2.703.
D. Winarti, M. Kom, E. Revita, M. Kom, E. Y. S, 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.
N. S. Resti Noor Fahmi, Mohamad Jajuli, “ANALISIS PEMETAAN TINGKAT KRIMINALITAS DI KABUPATEN KARAWANG MENGGUNAKAN ALGORITMA K-MEANS,” J. Inf. Technol. Comput. Sci., vol. 4, no. 2614–1574, pp. 67–79, 2021.
S. H. Sahir, Buku ini di tulis oleh Dosen Universitas Medan Area Hak Cipta di Lindungi oleh Undang-Undang Telah di Deposit ke Repository UMA pada tanggal 27 Januari 2022. 2022.
G. Radiena et al., “APLIKASI KAI ACCESS MENGGUNAKAN METODE SUPPORT VECTOR MACHINE,” no. April, pp. 1–10, 2023.
N. N. Hakim, “Implementasi Machine Learning pada Sistem Prediksi Kejadian dan Lokasi Patah Rel Kereta Api di Indonesia,” J. Sist. Cerdas, vol. 03, no. 01, pp. 25–35, 2020.
F. Putrawansyah and N. C. Dewi, “Implementasi Algoritma K-Means dengan menggunakan Metode Profile Matching pada Alumni STT Pagar Alam Implementation of the K-Means Algorithm using the Profile Matching Method for Alumni of STT Pagar Alam,” J. Ilm. Bin. STMIK Bina Nusant. Jaya, vol. 3, no. 2, pp. 2657–2117, 2021.
F. Rahmadayanti and R. Rahayu, “Penerapan Metode Data Mining Pada Kasus Kriminalitas Indonesia,” J. Teknol. Inf. …, vol. 15, no. 1, pp. 52–61, 2023, [Online]. Available: https://www.jurnal.univbinainsan.ac.id/index.php/jti/article/view/2054%0Ahttps://www.jurnal.univbinainsan.ac.id/index.php/jti/article/download/2054/1046
E. Virantika and J. Ipmawati, “Evaluasi Hasil Pengujian Tingkat Clusterisasi Penerapan Metode K-Means Dalam Menentukan Tingkat Penyebaran Covid-19 di Indonesia,” J. MEDIA Inform. BUDIDARMA, vol. 6, no. 2614–5278, pp. 1657–1666, 2022, doi: 10.30865/mib.v6i3.4325.
