Pengelompokan Daerah Rawan Kriminalitas di Sulawesi Selatan Menggunakan Metode K-means Clustering

Irwan Irwan(1*), Wahida Sanusi(2), Febriyanto Saman(3),

(1) Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Makassar
(2) Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Makassar
(3) Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam
(*) Corresponding Author




DOI: https://doi.org/10.35580/jmathcos.v5i1.32719

Abstract


Penelitian ini merupakan penelitian terapan yang menekankan cara melaksanakan analisis cluster secara matematis, mengetahui bagaimana aplikasi k-means clustering, dan ciri dari setiap kelompok daerah rawan kriminalitas. Adapun data simulasi yang digunakan pada penelitian ini adalah data yang diperoleh dari Badan Pusat Statistika (BPS) Propinsi Sulawesi Selatan. Data tersebut selanjutnya dianalisis dengan metode K-means clustering. Hasil penelitian menunjukan bahwa terdapat empat ciri dari tiap kelompok daerah rawan kriminalitas di Sulawesi Selatan. Kelompok 1 masuk kategori daerah yang cukup aman kriminalitas, Kelompok 2 masuk kategori daerah yang rawan kriminalitas, kelompok 3 masuk ketegori daerah yang aman kriminalitas,  dan kelompok 4 masuk kategori daerah yang cukup rawan kriminalitas.

 Kata Kunci: Analisis Cluster,K-means Clustering, Kriminalitas

This research is an applied research that emphasizes how to carry out cluster analysis mathematically, knowing how to apply k-means clustering, and the characteristics of each group of crime-prone areas. The simulation data used in this study is data obtained from the Central Statistics Agency (BPS) of South Sulawesi Province. The data was then analyzed by the K-means clustering method. The results of the study show that there are four characteristics of each group of crime-prone areas in South Sulawesi. Group 1 is categorized as a crime-safe area, Group 2 is categorized as a crime-prone area, group 3 is categorized as a crime-safe area, and group 4 is categorized as an area that is quite prone to crime.

Keywords: Cluster Analysis, K-means Clustering, Crime.


Full Text:

PDF

References


Adhe, D. et al. (2020). Implementasi text mining pengelompokkan dokumen skripsi menggunakan metode k-means clustering, Jurnal FMIPA UNMUL. 11, pp. 167–174.

Alfina, T., Santosa, B. & Barakbah, R. (2012). Analisa perbandingan metode hierarchical clustering , k-means dan gabungan keduanya dalam kluster data ( Studi kasus : Problem Kerja Praktek Jurusan Teknik Industri ITS ). Jurnal teknik its, 1.

Andayani, S. (2007). Pembentukan cluster dalam knowledge discovery in database dengan algoritma k-means. Jurnal SEMNAS Matematika dan Pendidikan Matematika. Jurdik Matematika FMIPA UNY Yogyakarta, 2007.

Awaliah, Resky. (2018). Analisis clustering untuk mengelompokkan tingkat desejatraan kabupaten/kota berdasarkan sosial ekonomi rumah tangga di wilayah Provinsi Sulawesi Selatan. Skripsi. Fakulltas Sains Dan Teknologi, Jurusan Matematika, Universitas Islam Negeri Alauddin, Makassar.

Dwirohayati, defi. (2020). Pemetaan daerah rawan kriminalitas menggunakan k-means clustering Polrestabes Bandar Lampung. Skripsi. Informatic Institute Business Darmajaya, Bandar Lampung.

Everitt, B.S. (1993). Cluster Analisys. Third edition halsted press an imprint of John Wiley and Sons Inc.Jurnal of American Statistikal. Ney York.

Goreti, Maria. (2016). Perbandingan hasil analisis cluster menggunakan metode single linkage dan metode k-means. Jurnal Eksponensial Volume 7, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Mulawarman.

Goreti, &Yuki Novia. (2016). Perbandingan hasil analisis cluster dengan menggunakan metode single linkage dan metode k-means, Jurnal FMIPA UNMUL. 7, pp. 9–16.

Nuningsih, Sri, (2010). K-Means Clustering: Studi kasus pada data pengujian kualitas susu di koperasi peternakan Bandung Selatan. Skripsi. Fakultas Matematika Dan Ilmu Pengetahuan Alam. UPI. (2013).

Prima, D., T. & Widodo, E. (2017). Pengelompokan daerah rawan kriminalitas di Indonesia menggunakan analisis k-means clustering, Jurnal Seminal Nasional Integritas Matematika.1(1), pp. 147–153.

Sianturi, Yuni Irma, (2020). Faktor-faktor yang mempengaruhi kriminalitas di Sumatra Utara tahun 2019 Dengan Analisis Jalur. Skripsi. FMIPA, Statistika, Universitas Sumatra Utara, Medan.

Suryadi, U. T., Supriatna, Y. & Pendahuluan, I. (2019). Sistem clustering tindak kejahatan pencurian di Wilayah Jawa Barat menggunakan algoritma k-means. Jurnal teknologi informasi dan komunikasi, (April), pp. 15–27.

Zahrotun, L. (2015). Analisis pengelompokkan jumlah penumpang bus trans Jogja menggunakan metode clustering k-means dan agglomerative hierarchical clustering ( AHC ), Jurnal Iformatiki. 9(1), pp. 1039–1047


Article Metrics

Abstract view : 936 times | PDF view : 7 times

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 JMathCos (Journal of Mathematics, Computations, and Statistics)

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Indexed by:

         

 

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.