Application of K-Means Clustering in Mapping of Central Java Crime Area

Retno Tri Vulandari, Wawan Laksito Yuly Saptomo, Danar Wijaya Aditama

Abstract

Crimes occur in many places and cause complex problems that have widespread impacts on all levels of society. Crime is related to several factors including crime index, the ratio of the number of police to the population, population density and poverty rates. In this study trying to develop an information system that is able to display and map crime-prone areas in Central Java. Based on these factors, it is used to classify regions in Central Java, namely the category of safe, quite vulnerable, vulnerable and very vulnerable. K-Means clustering method, is very suitable to be used in predicting and grouping which areas are included in the 4 categories. The formulation of the problem is to find out areas prone to crime in Central Java. Based on the results, there are 11 regions with safe categories, 4 areas with quite vulnerable categories, 13 regions with vulnerable categories and 6 regions with very vulnerable categories.

Keywords : K-Means clustering, mapping, Central Java,  criminality, crime area.

Full Text:

PDF

References

Hilman, G. Y. Pemetaan Daerah Rawan Kriminalitas di Wilayah Hukum Poltabes Semarang tahun 2013 dengan Menggunakan Metode Clustering. Jurnal Geodesi UNDIP. 4(1): 32-42. 2015.

Murti, D. H. Clustering Data Non-Numerik dengan Pendekatan Algoritma K-Means dan Hamming Distance Studi Kasus Biro Jodoh. JUTI: Jurnal Ilmiah Teknologi Informasi. 4(1): 46-53. 2015.

Hardiyanti, M. Pemetaan Daerah Berpotensi Transmigran di Kecamatan Kartasura dengan Metode Fuzzy C-Means Clustering. Jurnal Teknologi dan Komunikasi (TiKomSin). 6(1): 13-20. 2018.

Pramesti, D. F. Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Hotspot). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. 1(9): 723-732. 2017.

Siska, S. T. Analisa dan Penerapan Data Mining untuk Menentukan Kubikasi Air Terjual Berdasarkan Pengelompokan Pelanggan Menggunakan Algoritma K-Means Clustering. Jurnal Teknologi Informasi dan Pendidikan. 9(1): 86-93. 2016.

Nasari, F. Penerapan Algoritma K-Means Clustering untuk Pengelompokan Penyebaran Diare di Kabupaten Langkat. COGITO SMART JOURNAL. 2(2): 108-119. 2016.

Vulandari, R. T. Data Mining: Teori dan Aplikasi Rapidminer. Yogyakarta: Gava Media. 2017.

Latief. Trends Kriminal di Pekanbaru 2012-2016. Sisi Lain Realita. 2(1):1-19. 2017.

Prasetyo, E. Data Mining - Mengolah Data menjadi Informasi Menggunakan Matlab. Yogyakarta. Andi Publisher. 2014.

Handoko, S. Sistem Informasi Geografis Berbasis Web untuk Pemetaan Sebaran Alumni Menggunakan Metode K-Means. Jurnal Sistem Informasi Bisnis. 1(2): 81-86. 2011.

Astuti, W. Pemetaan Tindak Kejahatan Jalanan di Kota Semarang Menggunakan Algoritma K-Means Clustering. Jurnal Teknik Elektro. 8(1): 5-7. 2016.

Nengsih, W. GIS Berbasis Web untuk Pemetaan Lahan Menggunakan Classifier Model. Jurnal Komputer Terapan. 2(1): 1-6. 2016.

Iswari, L. Pemanfaatan Algoritma K-Means untuk Pemetaan Hasil Klasterisasi Data Kecelakaan Lalu Lintas. Jurnal Teknologi Industi (TEKNOIN). 21(1): 1-13. 2015.

DOI: https://doi.org/10.13057/ijas.v3i1.40984

Refbacks

  • There are currently no refbacks.