Algoritma K-Means Clustering dalam Mengklasifikasi Data Daerah Rawan Tindak Kriminalitas (Polres Kepulauan Mentawai)

Abstract

Crime is all kinds of actions and actions that are economically and psychologically harmful that violate the laws in force in the State of Indonesia as well as social and religious norms. Ordinary criminal acts affect the security of the community and threaten their inner and outer peace. The research location is the Mentawai Islands Police, which is an agency that can provide security and protection for the community, especially those in the Mentawai Islands Regency. The problem is that it is difficult for the Mentawai Islands Police to classify areas that are prone to crime in the most vulnerable, moderately vulnerable and not vulnerable categories. Especially considering the condition of the Mentawai, there are four large islands consisting of 10 sub-districts, where crime is increasing every year, especially those in the Mentawai Islands Regency area such as motor vehicle theft. Based on the background of the problem above, the researcher is interested in taking research in creating a system to predict the crime rate in the Mentawai Islands Regency in order to anticipate the surge in crime that will come. The method used is the K-Means Clustering Algorithm as a non-hierarchical data clustering method to partition existing data into one or more clusters or groups. This method partitions data into clusters so that data with the same characteristics are grouped into the same cluster and data with different characteristics are grouped into other clusters. Clustering is one of the data mining techniques used to get groups of objects that have common characteristics in large enough data. The data used is data on cases of criminal theft of motor vehicles for the last 5 years from 2016 to 2020. The results of the test show that South Sipora District is an area prone to the crime of motor vehicle theft.

Pengelompokan Responsivitas Hasil Kuesioner terhadap Penggunaan Perpustakaan Digital Menggunakan Algoritma K-Means

“…Hitung jarak dan alokasikan masing-masing data ke centroid rata-rata terdekat. Sementara itu, DBI sebesar 1.285 mencerminkan pemisahan cluster yang kuat, menunjukkan tingkat kemiripan yang signifikan di antara cluster (Aswan et al, 2021). Namun, nilai DBI sebesar 1,285 mengindikasikan tingkat pemisahan antar cluster yang kurang optimal.…”

“…Namun, nilai DBI sebesar 1,285 mengindikasikan tingkat pemisahan antar cluster yang kurang optimal. Angka ini, yang lebih dari satu, mengisyaratkan bahwa pemisahan antar cluster mungkin tidak se ideal yang diharapkan, dan terdapat tingkat ketidak homogenan yang signifikan di seluruh pengelompokan (Aswan et al, 2021) Hasil ini menyoroti kesulitan dalam membentuk kelompok yang homogen dan mempertahankan pemisahan cluster yang optimal. Oleh karena itu, perbaikan dalam pembentukan cluster dan pemisahan elemen dapat diimplementasikan dengan memodifikasi parameter atau mengeksplorasi algoritma pengelompokan alternatif untuk mencapai hasil yang lebih baik.…”

Penerapan Data Mining Clustering Menggunakan Metode K-Means Pada Data Tindak Kriminalitas Di Polres Kabupaten Kuningan

“…Penelitian tentang penggunaan penggunaan data mining clustering menggunakan metode K-Means pada tindak kriminalitas telah menjadi topik yang menarik di bidang analisis keamanan dan prediksi kejahatan, penelitian sebelumnya dengan judul "Algoritma K-Means Clustering dalam mengklasifikasi data daerah rawan tindak kriminalitas Polres Kepulauan Mentawai" menerapkan algoritma K-Means memfokuskan pada pengumpulan dan analisis data kriminilitas yang relevan. Data ini mungkin meliputi jenis kejahatan, lokasi, waktu kejadian dan lainnya dengan pemodelan pola kriminalitas oleh peneliti [6]. Pada penelitian yang dilakukan oleh [7] dengan judul "Analisa pemetaan kriminalitas Kabupaten Bangkalan menggunakan metode K-Means dan K-Means ++" dengan menggunakan 2 metode yaitu Algoritma K-means dan K-Means ++ cara kerja K-Means Clustering itu untuk melakukan partisi set data kedalam Cluster yang telah diimplementasikan dari awal sedangkan K-Means ++ tujuan utama dari algoritma ini mengambil titik-titik data sebagai pusat awal yang berjarak satu sama lain.…”