Implementasi algoritma Autoregressive Moving Average dalam megukur kejadian kriminalitas berdasarkan data media online
Pebbi Pratama Putra S,Rsyidah siregar, Arief Budiman
Fakultas Teknik dan Komputer, Prodi Teknik Informatika, Universitas Harapan, Medan, Indonesia Email: pebbypratama96@gmail.com, rosyidahsiregar@gmail.com, ariefbudiman@gmail.com
Abstrak-Tindakan kriminal meningkat pesat dari hari ke hari dan memiliki efek sosial yang signifikan. Media informasi online merupakan sumber informasi harian yang terdapat artikel tindakan kriminal yang dapat dibaca oleh warga atau masyarakat di Indonesia. Beberapa portal media informasi online seperti okezone.com, Tribunews.com, kompas.com dan detik.com menjadi media media informasi online yang sering diakses. Permasalahan pada penelitian ini akan mengetahui tingkat criminal berdasarkan dat a- data hasil dari crawling berita media media online yang sudah didapat dengan Teknik crawling, hasil dari crawling akan dianalisa dengan menggunakan algoritma Autoregressive Moving Average sehingga diketahui tingkat criminal berdasarkan dari data media media online. Tujuan dari penelitian ini berupa untuk dapat mengukur tingkat kriminalitas berdasarkan pada artikel berita yang dimuat pada media informasi online di Indonesia sehingga dapat diketahui dan dilakukan perbandingan terhadap data kepolisian yang diperoleh dari badan pusat statistik. Dalam mencapai tujuan tersebut data hasil crawling berupa data kategori criminal akan digunakan untuk melakukan prediksi tingkat criminal.
Kata kunci: Prediksi, criminal, algoritma
Abstract-Criminal acts are increasing day by day and have significant social effects. Online information media is a daily source of information that contains articles on criminal acts that can be read by citizens or the public in Indonesia. Several online information media portals such as okezone.com, Tribunnews.com, kompas.com and detik.com have become the most frequently accessed online information media. The problem in this study will be to find out the criminal rate based on the data from the crawling of news media online media that has been obtained with the crawling technique, the results of the crawling will be analyzed using the Autoregressive Moving Average algorithm so that the crime rate is known based on the data of online media media. The purpose of this study is to measure the crime rate based on news articles published in online information media in Indonesia so that it can be known and compared to police data obtained from the Central Statistics Agency. In achieving this goal, the crawled data in the form of criminal category data will be used to predict the criminal rate.
Keywords: Prediction, criminal, algorithm
1. PENDAHULUAN
Tindakan kriminal meningkat pesat dari hari ke hari dan memiliki efek sosial yang signifikan. Sehingga kriminal dijadikan satu isu utama yang terus berkembangan[1]. Kriminal adalah bentuk perbuatan yang melanggar hukum baik itu perdata maupun pidana yang merupakan salah satu isu yang dominan dan membuat gelisah dalam masyarakat[2].
Lembaga penegak hukum mendapatkan informasi data kriminal dari perkembangan teknologi informasi seperti media- media online yang ada di Indonesia[3] ,[4]. Kejadian kriminal tidak dapat diprediksi dan dari pendataan ditemukan bahwa banyak faktor yang mempengaruhi tindakan kriminal seperti pengangguran, kemiskinan, dan narkoba[5]. Media informasi online merupakan sumber informasi harian yang terdapat artikel tindakan kriminal yang dapat dibaca oleh warga atau masyarakat di Indonesia. Beberapa portal media informasi online seperti okezone.com, Tribunews.com, kompas.com dan detik.com menjadi media media informasi online yang sering diakses berdasarkan penilian dari situs alexa.com[6]. Penulis melakukan eksplorasi terhadap media online di Indonesia yang fokus terhadap kategori berita kriminal. Menurut data kepolisian persentase kriminal di Indonesia semakin meningkat dari tahun ke tahun sehingga perlu ada nya eksplorasi data pada media media di Indonesia dengan melakukan teknik crawling untuk mendata persentase kategori berita kriminal yang ada di Indonesia[7].
2. METODOLOGI PENELITIAN
Pada Bab ini akan melakukan pembahasan proses prediksi tingkat kriminalitas berdasarkan dari berita online dengan melihat tingkat kejahatan dari berita tersebut dengan menggunakan teknik crawling dan memanfaatkan metode ARIMA (Autoregressive Integrated Moving Average).
2.1 Tahapan-Tahapan Penelitian 2.1.1 Pra Penelitian
Beberapa bagian dalam pra penelitian diantaranya:
a. Studi Pendahuluan
Studi pendahuluan dilakukan untuk memperoleh informasi tentang penelitian yang akan dikerjakan. Langkah awal yang dilakukan yaitu menentukan masalah penelitian. Studi pendahuluan berfungsi untuk memperjelas kedudukan masalah peneliti dengan keadaan lingkungan atau bidang yang sesungguhnya.
b. Studi Pustaka
Studi pustaka merupakan sebuah usaha yang dilakukan untuk mendapatkan bahan pengetahuan dan informasi yang relevan, informasi tersebut dapat diperoleh dari buku, laporan penelitian, peraturan-peraturan, ketetapan-ketetapan, jurnal dan sumber tertulis lainnya baik tercetak maupun elektronik.
c. Pengumpulan Data
Di dalam memperoleh data Tindakan kejahatan pada media media online yang akan digunakan pada proses data mining, diawali dengan melalui Teknik crawling pada media media online di indonesia
Proses evaluasi penelitian meliputi proses implementasi dari awal sampai akhir sebagai berikut.
Gambar 1. Tahapan Penelitian 2.2 Analisis Data
Data yang digunakan pada penelitian ini berupa data hasil dari scraping pada berita atau media online diindonesia seperti, detik.com, okezone, inews, tribun dalam proses scraping akan mengambil data berita yang mengandung kriminalitas seperti pembunuhan, pencurian, perampokan dan lainnya[8]. Pada proses scraping data yang dihasilkan masih berupa data mentah yang harus diolah lagi terlebih dahulu melalui tahapan pre proseccing case folding, tokenizing, filtering, dan stemming berikut ini hasil scraping yang belum di preprocessing yang akan ditampilkan pada tabel 1 berikut ini:
Tabel 1. Data set berita
No Tipe Data Headline
275 MEGAPOLITAN Pembunuhan Wanita di Hotel Menteng Berawal dari Open BO, Selengkapnya di iNews Sore Minggu Pukul 16.00 WIB
293 NASIONAL Terkuak! Identitas Pelaku Pembunuhan Wanita di Kawasan Menteng Jakarta Pusat, Selengkapnya di iNews Sore Jumat Pukul 16.00 WIB
309 CELEBRITY Drakor Mouse, Perbuatan Licik Seorang Pembunuh
435 NEWS Polisi Tangkap Penyebar Hoaks Genosida Warga Papua di Facebook
999 NASIONAL Selebgram Tewas di Tangan Kekasih, Selengkapnya di iNews Siang Sabtu Pukul 11.00 WIB
1425 NASIONAL "iNews Siang" Live di iNews dan RCTI+ Senin Pukul 11.00: Mengaku Selingkuh, Istri Dibunuh
1817 NEWS Ibu Kandung Pembunuh Tiga Balitanya, Akhirnya Meninggal Dunia 1935 NASIONAL TNI AD dan Marinir Diterjunkan Buru Kelompok MIT
2699 NEWS Bentrok Pendukung Trump dan BLM di Portland, Satu Orang Tewas Ditembak 3277 CELEBRITY Hot Gosip: Lidya Pratiwi Ganti Identitas hingga Sayang Aurel Hermansyah
untuk Krisdayanti
3481 NEWS Trump Sebut Perusuh Minneapolis Preman yang Tidak Menghormati George Floyd
3689 NEWS India Tuntut Tokoh Muslim dengan Pasal Pembunuhan karena Lonjakan Kasus Virus Corona
4085 NEWS Sebelum Habisi Karyawan Koperasi, Pelaku Sempat Berdamai dengan Korban 4429 NEWS Tanggapi Serangan Roket, Israel Akan Kembali Gunakan "Kebijakan
Pembunuhan"
4487 NEWS Ini 2 Presiden AS yang Pernah Dimakzulkan seperti Donald Trump
4635 NEWS Terganggu Suara Tangisan, Ibu yang Mabuk Berusaha Bekap Putranya Hingga Tewas
4807 NEWS Puluhan Jenazah yang Ditemukan dalam Truk Kontainer di Inggris Berhasil Diidentifikasi
4835 NEWS Disebut AS sebagai Sponsor Terorisme, Korea Utara Kesal 4837 MEGAPOLITAN Kecanduan Game Online Berujung Pembunuhan Sopir Taksi
5023 NEWS Rekaman Pembunuhan Jurnalis Jamal Khashoggi: Saya Mendengarkan Musik Sambil Memotong-Motong Mayat
No Tipe Data Headline
5025 NEWS Berusaha Usir Setan, Pria AS Siram Putranya dengan Air Panas Hingga Tewas 5061 NEWS Pria Italia Tembak Mati Ayahnya saat Berburu Babi Hutan
5357 NEWS Rekonstruksi Pembunuhan Sekeluarga di Serang, Tersangka Peragakan 28 Adegan
5427 LIFESTYLE Curhat Bintang Porno Mia Khalifa, Dibayar Rp171 Juta hingga Diancam Dibunuh ISIS
5475 NEWS Pelaku Pembunuhan Siswi SMK di Tapanuli Ternyata Pria Beranak 5, Motifnya Masih Digali
2.3 Algoritma Yang Digunakan
Analisis data dalam penelitian ini menggunakan Microsoft Excel untuk pengolahan data dan python untuk simulasi dan proses prediksi dengan menggunakan algoritma arima. Data yang sudah melawati tahap preprocessing, selanjutnya akan digunakan untuk pembuatan sebuah model. Data tersebut akan dibagi menjadi tiga yaitu data training, validation dan testing yang digunakan untuk menguji model arima yang berbeda[9]-[10]. Data validation digunakan untuk mengevaluasi model setiap periode training (epoch) dan menentukan kategori model yang dihasilkan overfitting atau underfitting[11]. Data Preparation, dengan melihat data dari file excel yang diberikan, maka dapat disimpulkan bahwa yang mempengaruhi status prediksi tingkat kejahatan menggunakan attribute, yaitu jenis kejahatan, jumlah kejahatan dan tanggal[12]. Kita akan menggunakan 10 data pertama yang akan dihitung menggunakan model ARIMA yang telah dibuat untuk melakukan validasi terkait apakah jumlah kejahatan pada prediksi selanjutnya menggunakan Fungsi autoagresive yang digunakan untuk melakukan verifikasi terkait prediksi tingkat kejahatan tersebut adalah Fungsi karena data-nya berbentuk diskrit. Berikut merupakan tampilan datanya:
Tabel 2. Dataset sample berita No Nama Media Jumlah Data
1 Okezone 573
2 Kompas 487
3 Detik 732
4 Tribun 1131
5 Voa 450
6 inews 597
Dari hasil paramater diatas dapat diketahui hasil persamaan AR-nya yaitu Xt = 716,341 Tabel 3. Tabel peramalan AR
No Nama Media Data asli Data ramalan
1 Okezone 573 681
2 Kompas 487 696
3 Detik 732 710
4 Tribun 1131 669
5 Voa 450 604
6 Inews 597 716
3. HASIL DAN PEMBAHASAN
3.1 Data Yang Digunakan
Data yang digunakan merupakan data hasil dari crawling dan scraping yang terdapat pada media media online di indonesia seperti detik.com, kompas.com, okezone.com, teribunnews.com dari tahun 2019 sampai 2020. Data hasil carwling dan scraping dibagi berdasarkan kategori kejahatan seperti, pencurian, narkotika, penganiayaan, pembunuhan, perampokan dengan jumlah 23.919 data kemudian data tersebut dilakukan pembagian sesuai dengan kategori kejahatan.
Berikut ini jumlah data dari setiap media online sebagai berikut:
Tabel 4. Total Kejahatan pada website okezzone.com No Kejahatan Total kasus
1 Narkotika 2076
2 Penganiayaan 1533
3 Pembunuhan 2383
4 Perampokan 370
5 Pencurian 1464
Jumlah 7826
Tabel 5. Total Kejahatan pada website kompas.com No Kejahatan Total kasus
1 Narkotika 1876
2 Penganiayaan 1785
3 Pembunuhan 2973
4 Perampokan 546
5 Pencurian 1563
Jumlah 8743
Tabel 6. Total Kejahatan pada website tribunnews.com No Kejahatan Total kasus
1 Narkotika 2391
2 Penganiayaan 1589
3 Pembunuhan 2839
4 Perampokan 643
5 Pencurian 1875
Jumlah 9337
Tabel 7. Total Kejahatan pada website detik.com No Kejahatan Total kasus
1 Narkotika 1982
2 Penganiayaan 923
3 Pembunuhan 1783
4 Perampokan 768
5 Pencurian 1876
Jumlah 7332
3.1.1 Data training dan testing
Data training merupakan bagian dataset yang kita latih untuk membuat prediksi sesuai tujuannya masing-masing. Pada penelitian ini data training dan testing yang digunakan pada setiap kejahatan berbeda beda namun dengan proporsi yang sama yaitu 70% untuk data latih dan 30% untuk data tes. Berikut ini adalah salah satu data training dan testing yang digunakan untuk melakukan prediksi kejahatan berdasarkan kategori yang sudah ditentukan sebagai berikut.
Gambar 2. Data training
Data yang digunakan pada sampel training dan testing merupakan data resample dengan interval mingguan.
Resample merupakan sampling berulang berdasarkan interval waktu tertentu. Dari hasil tersebut didapatkan 105 sampel dari 731 sampel untuk data narkotika.
Gambar 3. Kasus narkotika interval harian
Perlakuan resampling dengan interval mingguan dilakukan karena data interval harian terlihat noise dan lebih sulit untuk dilakukan interpretasi. Berikut adalah diagram plot resample dengan interval mingguan.
Gambar 4. Kasus Narkotika Interval Mingguan 3.2 Data trend kejahatan berdasarkan waktu
Pada media media online diindonesia seperti okezone.com, tribunnews.com, detik.com, dan kompas.com terdapat selalu berita dari waktu ke waktu yang mengandung kejahatan seperti pencurian, perampokan, narkotika, pembunuhan dan penganiayaan. Dalam penelitian ini akan ditampilkan sebuah plot yang bertujuan untuk melihat data kejahatan berdasarkan tren mingguan, tahunan dan bulan seperti pada gambar 5 berikut:
Gambar 5. data trend kejahatan 3.3 Data observasi
Data observasi merupakan data actual yang sudah terdapat pada data set yaitu hasil dari crawling dan scraping dari 4 media online di indonesia yaitu tribun, kompas, detik dan okezone. Data observasi mempunyai manfaat yaitu Mumpulkan data dimana dan kapan suatu peristiwa atau aktivitas sedang terjadi (actual) untuk mempermudah proses dalam melakukan prediksi kejahatan. Berikut ini plot dari data observasi seperti pada gambar 6 dibawah ini:
Gambar 6. plot data observasi
3.4 Trend
Komponen tren dalam sebuah data yang menunjukkan seberapa tinggi tren yang terjadi dalam data tersebut. Jika di lihat dari plot tersebut, terjadi peningkatan tren kriminalitas dari bulan ke bulan. Berikut plot dari tren yang terdapat pada gambar 7 dibawah ini:
Gambar 7. Trend 3.5 Seasonal
Komponan data yang mendeskripsikan adanya pengaruh musiman dalam sebuah data (Contohnya Idul fitri, Idul Adha, Liburan dan seterusnya yang terjadi secara berulang setiap tahun/ setiap bulan/ setiap waktu tertentu). Contoh: Weekdays penjualan selalu menurun, namun weekend selalu meningkat karena liburan (ini adalah contoh seasonal). Ada 3 jenis bentuk data seasonal: Seasonal Pattern (Interval lembahan dan bukit konsisten), Cyclic Movement (Interval tidak sama, dan ada pergeseran seasonal (Idul fitri yang biasanya setiap tahun bergeser 7 hari)), random variation (Tidak ada pattern interval atau cyclic movement). Berikut seasonal pada penelitian ini:
Gambar 8. Seasonal 3.6 Residual
Noise data Event random pada waktu-waktu tertentu, faktor yang tidak dapat dijelaskan. Berikut ini plot residual pada penelitian prediksi tingkat kejahatan
Gambar 9. Residual 3.7 Hasil dari Prediksi Kejahatan
Berdasarkan model yang sudah dirancang mulai dari tahapan merubah format time series menjadi supervised kemudian dilakukan Split dataset dan Normalisasi data menggunakan log. Setelah itu Menggunakan moving average sebagai input modeling dan inisiasi terhadap algoritma ARIMA (Autoregressive Integrated Moving Average) dengan kernel Radial Basis Fauction sehingga terbentuk model baru dilakukan tahapan training data dan prediksi sehingga hasil yang didapatkan sebagai berikut:
Gambar 10. hasil prediksi kejahatan pembunuhan
Berdasarkan pada gambar 4.9 axis Y menunjukkan frekuensi kejahatan yang terjadi dari waktu ke waktu. Model SVM berhasil memprediksi kejahatan pada bulan Juni tanggal 7 hingga bulan awal tahun 2021 pada tanggal 3. Tingkat error dengan metriks evaluasi Root Mean Squared Error (RMSE) adalah sebesar 3.793.
Gambar 11. Hasil prediksi kejahatan pembunuhan dengan data Moving Average
Setelah dilakukan smoothing data dengan metode moving average terjadi peningkatan kualitas model yang ditunjukkan pada menurunnya tingkat error RMSE yaitu 3.123.
3.7.1 Hasil prediksi kejahatan pencurian
Hasil prediksi kejahatan pencurian menampilkan axis Y menunjukkan frekuensi kejahatan yang terjadi dari waktu ke waktu. Model SVM berhasil memprediksi kejahatan pada bulan Juni tanggal 7 hingga bulan awal tahun 2021 pada tanggal 3. Tingkat error dengan metriks evaluasi Root Mean Squared Error (RMSE) adalah sebesar 2.017
Gambar 12. Hasil prediksi kejahatan pencurian
Kemudian dilakukan teknik smoothing data dengan metode moving average terjadi peningkatan kualitas model yang ditunjukkan pada menurunnya tingkat error RMSE yaitu 1.903
Gambar 13. Hasil prediksi kejahatan pencurian dengan data Moving Average 3.7.2 Hasil prediksi kejahatan perampokan
Hasil prediksi kejahatan pencurian menampilkan axis Y menunjukkan frekuensi kejahatan yang terjadi dari waktu ke waktu. Model SVM berhasil memprediksi kejahatan pada bulan Juni tanggal 7 hingga bulan awal tahun 2021 pada tanggal 3. Tingkat error dengan metriks evaluasi Root Mean Squared Error (RMSE) adalah sebesar 2.451
Gambar 14. Hasil prediksi kejahatan perampokan
Kemudian dilakukan teknik smoothing data dengan metode moving average terjadi peningkatan kualitas model yang ditunjukkan pada menurunnya tingkat error RMSE yaitu 1.275
Gambar 15. Hasil prediksi kejahatan perampokan dengan data Moving Average 3.7.3 Hasil prediksi kejahatan narkotika
Hasil prediksi kejahatan pencurian menampilkan axis Y menunjukkan frekuensi kejahatan yang terjadi dari waktu ke waktu. Model SVM berhasil memprediksi kejahatan pada bulan Juni tanggal 7 hingga bulan awal tahun 2021 pada tanggal 3. Tingkat error dengan metriks evaluasi Root Mean Squared Error (RMSE) adalah sebesar 3.882
Gambar 16. Hasil prediksi kejahatan narkotika
Kemudian dilakukan teknik smoothing data dengan metode moving average terjadi peningkatan kualitas model yang ditunjukkan pada menurunnya tingkat error RMSE yaitu 2.49.
Gambar 17. Hasil prediksi kejahatan narkotika dengan data Moving Average 3.7.4 Hasil prediksi kejahatan penganiayaan
Hasil prediksi kejahatan pencurian menampilkan axis Y menunjukkan frekuensi kejahatan yang terjadi dari waktu ke waktu. Model SVM berhasil memprediksi kejahatan pada bulan Juni tanggal 7 hingga bulan awal tahun 2021 pada tanggal 3. Tingkat error dengan metriks evaluasi Root Mean Squared Error (RMSE) adalah sebesar 1.795
kemudian dilakukan teknik smoothing data dengan metode moving average terjadi peningkatan kualitas model yang ditunjukkan pada menurunnya tingkat error RMSE yaitu 2.49
Gambar 19. Hasil prediksi kejahatan penganiayaan dengan data Moving Average 3.8 Pembahasan
Setelah Penelitian yang dilakukan dengan jumlah input data kejahatan menunjukkan bahwa penggunaan algoritma ARIMA (Autoregressive Integrated Moving Average) dengan pemaksimalan nilai parameter untuk prediksi tingkat kejahatan berdasarkan kategori berita kejahatan pada media media online seperti okezone, kompas, tribun dan detik dapat menghasilkan nilai yang cukup baik. Dari pengujian data testing sebanyak 30%, menunjukan dataset dengan variabel tren, seasonal dan residual menggunakan Algoritma ARIMA (Autoregressive Integrated Moving Average) dengan kernel Radial Basis Fauction menghasilkan RMSE sebesar 0.127 pada prediksi kejahatan dari kasus Penganiayaan 1.759 kemudian dilakukan smoothing data dengan metode moving average terjadi peningkatan kualitas model yang ditunjukkan pada menurunnya tingkat error RMSE yaitu 2.49.
Pada prediksi kejahatan kasus pencurian, dataset dengan variabel tren, seasonal dan residual menggunakan Algoritma ARIMA (Autoregressive Integrated Moving Average) dengan kernel Radial Basis Fauction menghasilkan RMSE sebesar 2.451 kemudian dilakukan smoothing data dengan metode moving average terjadi peningkatan kualitas model yang ditunjukkan pada menurunnya tingkat error RMSE yaitu 2.017.
pada prediksi kejahatan kasus perampokan dataset dengan variabel tren, seasonal dan residual menggunakan Algoritma ARIMA (Autoregressive Integrated Moving Average) dengan kernel Radial Basis Fauction menghasilkan RMSE sebesar 1.275 pada prediksi kejahatan kasus penganiayaan, dataset dengan variabel tren, seasonal dan residual menggunakan Algoritma ARIMA (Autoregressive Integrated Moving Average) dengan kernel Radial Basis Fauction menghasilkan RMSE sebesar 0,32.
Pada prediksi kejahatan kasus pembunuhan Dataset dengan variabel tren, seasonal dan residual menggunakan Algoritma ARIMA (Autoregressive Integrated Moving Average) dengan kernel Radial Basis Fauction menghasilkan RMSE sebesar 3.793 kemudian dilakukan smoothing data dengan metode moving average terjadi peningkatan kualitas model yang ditunjukkan pada menurunnya tingkat error RMSE yaitu 3.123.
Pada prediksi kejahatan kasus Narkotika, dataset dengan variabel tren, seasonal dan residual menggunakan Algoritma ARIMA (Autoregressive Integrated Moving Average) dengan kernel Radial Basis Fauction menghasilkan RMSE sebesar 3.882 kemudian dilakukan smoothing data dengan metode moving average terjadi peningkatan kualitas model yang ditunjukkan pada menurunnya tingkat error RMSE yaitu 2.49. Sehingga dapat disimpulkan bahwa dari semua hasil testing menunjukan nilai RMSE yang baik dengan menggabungkan t smoothing data dengan metode moving average. Dengan demikian dari hasil pengujian model diatas dapat disimpulkan bahwa variabel trend, seasonal dan residual akurat dan memiliki nilai RMSE terendah.
4. KESIMPULAN DAN SARAN
Dalam uraian rangkaian mulai dari proses pelatihan dan pengujian untuk memprediksi kriminal dengan menggunakan Bahasa pemrograman python, dapat ditarik beberapa kesimpulan penting antara lain, nilai parameter untuk prediksi tingkat kejahatan berdasarkan kategori berita kejahatan pada media media online seperti okezone, kompas, tribun dan detik dapat menghasilkan nilai yang cukup baik. Dari pengujian data testing sebanyak 30%, menunjukan dataset dengan variabel tren, seasonal dan residual menggunakan Algoritma arima dengan kernel Radial Basis Fauction menghasilkan RMSE sebesar 0.127. pada prediksi kejahatan kasus pencurian, dataset dengan variabel tren, seasonal dan residual menggunakan Algoritma arima dengan kernel Radial Basis Fauction menghasilkan RMSE sebesar 2.451 kemudian dilakukan smoothing data dengan metode moving average terjadi peningkatan kualitas model yang ditunjukkan pada
menurunnya tingkat error RMSE yaitu 2.017. da prediksi kejahatan kasus perampokan dataset dengan variabel tren, seasonal dan residual menggunakan Algoritma arima dengan kernel Radial Basis Fauction menghasilkan RMSE sebesar 1.275 pada prediksi kejahatan kasus penganiayaan, dataset dengan variabel tren, seasonal dan residual menggunakan Algoritma support vector machine dengan kernel Radial Basis Fauction menghasilkan RMSE sebesar 0,32.
REFERENCES
[1] Aini, N., Sinurat, S., & Hutabarat, S. A. (2018). Penerapan Metode Simple Moving Average Untuk Memprediksi Hasil Laba Laundry Karpet Pada Cv. Homecare. Jurikom (Jurnal Riset Komputer), 5(2), 167–175.
[2] Damayanti, F. N., Piarsa, I. N., & Sukarsa, I. M. (2016). Sistem Informasi Geografis Pemetaan Persebaran Kriminalitas Di Kota Denpasar. Merpati, 4(1), 22–32. Https://Doi.Org/10.24843/Jim
[3] Dulkiah, M., & Nurjanah. (2018). Pengaruh Kemiskinan Terhadap Tingkat Tindak Kriminalitas Di Kota Bandung. Jurnal Ilmu Sosial Dan Ilmu Politik, 8(2), 57.
[4] Pratibha, Gahalot, A., Uprant, Dhiman, S., & Chouhan, L. (2020). Crime Prediction And Analysis. 2nd International Conference On Data, Engineering And Applications, Idea 2020. Https://Doi.Org/10.1109/Idea49133.2020.9170731 [5] Putra, R. S. (2016). Kriminalitas Di Kalangan Remaja (Studi Terhadap Remaja Pelaku Pencabulan Di Lembaga
Pemasyarakatan Anak Kelas Ii B Pekanbaru). Jurnal Ilmu Komunikasi, 3(2), 1–15.
Https://Media.Neliti.Com/Media/Publications/127491-Id-Pengaruh-Bauran-Promosi-Terhadap-Minat-B.Pdf
[6] Taram, Nyoman Gde. (2019). Pengelompokan Tingkat Kriminalitas Dengan Metode Agglomerative Dan K-Means Serta Peubah Pencirinya. E-Jurnal Matematika, 8(2), 102. Https://Doi.Org/10.24843/Mtk.2019.V08.I02.P241
[7] Ainun Faulina, N. (2020). Perbandingan Metode Arimax Dan Varimax Untuk Peramalan Jumlah Penumpang Kereta Api Menurut Wilayah. Muhammadiyah University, Semarang.
[8] Annur, H. (2018). Klasifikasi Masyarakat Miskin Menggunakan Metode Naive Bayes. Ilkom Jurnal Ilmiah, 10(2), 160–165.
[9] Arief, S., Imam, S., & Laela, N. (2019). Mekanisme Pembuatan Flowchart Penerimaan Pinjaman (Angsuran) Pada (Bumdes) Di Desa Pomahan Kecamatan Pulung Kabupaten Ponorogo. Jurnal Abdikarya: Jurnal Karya Pengabdian Dosen Dan Mahasiswa, 3(3).
[10] Budi, S. (2017). Text Mining Untuk Analisis Sentimen Review Film Menggunakan Algoritma K-Means. Techno. Com, 16(1), 1–8.
[11] Dewi, S. N., Cholissodin, I., & Santoso, E. (2018). Prediksi Jumlah Kriminalitas Menggunakan Metode Extreme Learning Machine ( Studi Kasus Di Kabupaten Probolinggo ). Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J- Ptiik) Universitas Brawijaya, 2(11), 4687–4693.
[12] Ensmenger, N. (2016). Information & Culture, 51(3), 321–351.
