IMPLEMENTASI ALGORITMA K-MEANS UNTUK CLUSTERING KASUS KRIMINAL DI WILAYAH KOTA DEPOK

Authors

  • Amelia Adhariani Teknik Informatika, Universitas Darussalam Gontor, Ponorogo, Indonesia
  • Triana Harmini Teknik Informatika, Universitas Darussalam Gontor, Ponorogo, Indonesia
  • Aziz Musthafa Teknik Informatika, Universitas Darussalam Gontor, Ponorogo, Indonesia

Keywords:

Algoritma K- Means, Clustering, CRISP- DM, Data Mining, Kriminalitas

Abstract

Tindakan kriminal merupakan tindakan yang dilarang, ditindak tegas serta mendapatkan hukuman di setiap negara demi melindungi masyarakatnya. Pada portal Data Indonesia.id Kepolisian RI (Polri) mendata, ada 288.472 tindak kriminal yang terjadi di Indonesia sepanjang tahun 2023 jumlah kejahatan tersebut mengalami kenaikan sebesar 4,33% dibandingkan tahun sebelumnya sebanyak 276.507 kasus. Khususnya Kota Depok yang mengalami peningkatan sebanyak 32% pada tahun 2023 dibandingkan tahun 2022. Dengan adanya peningkatan angka kriminalitas, diperlukannya suatu metode yang efektif untuk memahami distribusi untuk meminimalisir kasus kriminal di masing- masing wilayah. Penelitian ini menggunakan data yang mencakup informasi tentang 5 jenis kejahatan yang memiliki nilai tertinggi pada tahun 2023 di masing- masing wilayah Kepolisian Sektor Kota Depok, yang kemudian dikelompokkan menggunakan algoritma K-Means. Sedangkan metode yang digunakan dalam penelitian ini adalah CRISP-DM (Cross-Industry Standard Process for Data Mining) yang terdiri dari beberapa fase yaitu, pemahaman bisnis, pemahaman data, persiapan data, pemodelan, evaluasi, dan deployment. Tujuan dari penelitian ini untuk menganalisis hasil clustering sehingga dapat mengetahui kategori wilayah berdasarkan kasus kriminal dengan kategori rawan, tidak rawan dan sedang. Berdasarkan hasil evaluasi yang telah dilakukan terhadap hasil clustering didapatkanlah cluster 3 dengan memperoleh hasil Silhouette Score sebesar 0.5470.

Downloads

Published

2025-02-21

Conference Proceedings Volume

Section

Prodi Statistika

Categories