Journal of Practical Computer Science
Vol.3 No.1 Mei 2023 ISSN Media Elektronik: 2809-8137 Diterima ____________________ | Direvisi ____________________ | Dipublikasikan ________________
Analisis Kriminalitas di Indonesia Menggunakan Metode Data Mining
Nafal Mumtaz Fuadi1, Amali2, Riska Putri Komala3, Muhammad Khrisna Faisal4
1, *Teknik Informatika, Universitas pelita bangsa
1 [email protected] , 2 [email protected] , , 3 [email protected] ,
Abstract
Crime is a common issue in society that can threaten safety everywhere, including in Indonesia. According to data from the Statistics Agency, the crime rate in Indonesia in 2021 reached 90 per 100,000 inhabitants, meaning that 90 out of every 100,000 people became victims of crime throughout that year. This situation poses a challenge for the government and the Indonesian police to address and reduce crime in the country. The aim of this study is to assist the Indonesian police in analyzing crime data based on the type of crime, thus facilitating the government in decision- making. The method used in this research is CRISP-DM, which consists of six stages:
Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, and Deployment. This study clusters crime data in Indonesia using the K- Means algorithm. The data is processed and divided into three clusters: high crime rate cluster (C0), medium crime rate cluster (C1), and low crime rate cluster (C2).
The results of the K-Means algorithm show that the cluster with a very high crime rate category has 22 items, the cluster with a high category has 1 item, and the cluster with a medium category has 11 items.
Keywords: Crime, Data analysis, CRISP-DM, K-Means algorithm, Clustering, Data mining, Indonesian.
Abstrak
Kriminalitas adalah masalah umum di masyarakat yang dapat mengancam keselamatan di berbagai tempat, termasuk di Indonesia. Berdasarkan data dari Badan Statistik, tingkat kriminalitas di Indonesia pada tahun 2021 mencapai 90 per 100.000 penduduk, yang berarti 90 dari setiap 100.000 orang menjadi korban kejahatan sepanjang tahun tersebut. Situasi ini menjadi tantangan bagi pemerintah dan kepolisian Indonesia untuk menangani dan mengurangi kriminalitas di negara ini. Penelitian ini bertujuan untuk membantu kepolisian Indonesia dalam menganalisis data kriminalitas berdasarkan jenis kejahatan, sehingga mempermudah pemerintah dalam pengambilan keputusan. Metode yang digunakan dalam penelitian ini adalah CRISP-DM, yang terdiri dari enam tahap: Pemahaman Bisnis, Pemahaman Data, Persiapan Data, Pemodelan, Pengujian, dan Penyebaran. Penelitian ini
mengelompokkan data kriminalitas di Indonesia menggunakan algoritma K-Means.
Data diolah dan dibagi menjadi tiga kluster: kluster dengan tingkat kriminalitas tinggi (C0), kluster dengan tingkat kriminalitas sedang (C1), dan kluster dengan tingkat kriminalitas rendah (C2). Hasil dari algoritma K-Means menunjukkan bahwa kluster dengan kategori kriminalitas sangat tinggi memiliki 22 item, kluster dengan kategori tinggi memiliki 1 item, dan kluster dengan kategori sedang memiliki 11 item.Keyword: Write 2-5 pieces of key words or phrases in alphabetical order separated by commas.
Kata kunci: Kriminalitas, Analisis data, CRISP-DM, Algoritma K-Means, Klasterisasi, Data mining, Indonesia.
PENDAHULUAN
Kriminalitas adalah tindakan yang dapat merugikan baik jiwa orang lain maupun pelaku itu sendiri, dan memiliki dampak signifikan pada kehidupan sosial. Kejahatan dapat menyebabkan trauma atau konsekuensi lain bagi korbannya . Kejahatan tidak hanya mengancam keamanan masyarakat tetapi juga ketenangan fisik dan mental individu. Oleh karena itu, peneliti menerapkan data mining untuk mengolah dan mengelompokkan data kriminalitas, dengan tujuan menentukan jumlah tindak kriminal di Indonesia menggunakan algoritma K-Means.
Data mining adalah teknik yang digunakan untuk mengeksplorasi dan mengungkap hubungan kompleks dalam kumpulan data yang besar. Teknik ini dapat menganalisis data dalam bentuk tabulasi, yang umum dalam teknologi manajemen basis data relasional . Dalam data mining, pengelompokan data memungkinkan kita untuk mengidentifikasi pola universal dalam data yang ada, serta mendeteksi anomali yang penting untuk tindakan selanjutnya. Hal ini mendukung operasional perusahaan dengan memberikan informasi berharga yang mendukung pengambilan keputusan . Permasalahan kriminalitas di Indonesia berdampak besar pada masyarakat. Menurut Badan Pusat Statistik, terjadi 269.324 kejahatan pada tahun 2019. Berbagai jenis kejahatan terjadi di Indonesia, menyebabkan kesulitan dalam menentukan provinsi dengan tingkat kerawanan kriminalitas tinggi. Informasi mengenai pemetaan wilayah dengan tindak kriminalitas tinggi sangat dibutuhkan oleh masyarakat dan penegak hukum untuk melakukan tindakan antisipasi dan menentukan kebutuhan pengawasan ekstra .
Penelitian sebelumnya menunjukkan bahwa penggunaan algoritma K-Means dapat mempermudah pengelompokan daerah rawan kriminalitas dan membantu
pemerintah serta kepolisian dalam menangani dan mengupayakan penanggulangan kejahatan. Misalnya, penelitian di Kabupaten Karawang menunjukkan bahwa K- Means membantu mengelompokkan daerah rawan kriminalitas di setiap kecamatan . Selain itu, visualisasi data dengan metode clustering memudahkan analisis dan pengambilan keputusan pemerintah Indonesia terkait tindak kriminalitas .
Penelitian ini akan menerapkan algoritma K-Means untuk mengelompokkan data kriminalitas di Indonesia, sehingga dapat memberikan masukan bagi pemerintah dan kepolisian Republik Indonesia dalam mengklasifikasikan provinsi rawan kriminalitas dan meningkatkan kewaspadaan di wilayah tersebut. Dengan analisis ini, diharapkan daerah dengan tingkat kriminalitas tinggi mendapatkan perhatian lebih . Proses
analisis akan membagi data kriminalitas menjadi tiga klaster: tinggi, sedang, dan rendah.
METODE PENELITIAN
3.1 Tahapan Penelitian Penelitian ini menggunakan metodologi CRISP-DM dan metode clustering dengan algoritma k-means. CRISP-DM (Cross Industry Standard Process for Data Mining) adalah metodologi yang disusun oleh konsorsium perusahaan yang didirikan oleh Komisi Eropa pada tahun 1996 dan telah menjadi standar dalam data mining . Tujuan dari metode CRISP-DM adalah untuk menemukan pola yang menarik dan bermakna dalam data yang digunakan. Metode CRISP-DM memiliki tahapan dan kerangka kerja yang terstruktur, sehingga pengguna dapat lebih terarah dan mengetahui langkah-langkah yang harus dilakukan dalam penelitian. CRISP-DM terdiri dari 6 tahap, yaitu:
Ber Kemajuan teknologi yang sangat pesat telah mempengaruhi berbagai aspek kehidupan manusia, termasuk politik, ekonomi, budaya, dan pendidikan. Teknologi yang terus berkembang sejalan dengan kemajuan ilmu pengetahuan, berdampak pada perkembangan masyarakat, kemiskinan, pengangguran, dan tekanan hidup, yang pada gilirannya berkontribusi terhadap konflik sosial dan kriminalitas .
Kriminalitas adalah tindakan individu, kelompok, atau komunitas yang melanggar hukum atau mengambil sesuatu yang bukan haknya. Kejahatan sering terjadi karena berbagai faktor seperti kemiskinan, lingkungan yang mendukung tindakan kriminal, ketidakadilan sosial, tekanan mental, dan kebencian . Kriminalitas memiliki dampak signifikan pada keamanan masyarakat dan ketenangan individu. Oleh karena itu, peneliti menerapkan data mining untuk mengolah dan mengelompokkan data kriminalitas, dengan tujuan mengetahui jumlah tindak kriminal di Indonesia menggunakan algoritma K-Means.
Data mining adalah teknik yang secara otomatis mengeksplorasi dan mengungkap hubungan kompleks dalam kumpulan data besar. Kumpulan data ini biasanya berbentuk tabulasi, seperti yang sering digunakan dalam teknologi manajemen basis
data relasional . Dalam data mining, pengelompokan data memungkinkan kita mengidentifikasi pola umum dalam data dan mendeteksi anomali transaksi untuk menentukan langkah selanjutnya yang perlu diambil. Hal ini mendukung operasional perusahaan dan membantu mencapai tujuan akhir perusahaan
Data mining dapat menganalisis data besar menjadi informasi yang bermakna bagi pengambilan keputusan. Permasalahan kriminalitas di Indonesia berdampak besar pada masyarakat. Menurut Badan Pusat Statistik, pada tahun 2019 terjadi 269.324 kejadian kriminal. Berbagai jenis kejahatan ini membuat sulit menentukan provinsi dengan tingkat kerawanan kriminalitas tinggi. Informasi mengenai pemetaan wilayah dengan tingkat kriminalitas tinggi sangat dibutuhkan oleh masyarakat dan penegak hukum, khususnya kepolisian, untuk melakukan tindakan antisipasi dan menentukan kebutuhan pengawasan ekstra .
Penelitian sebelumnya menunjukkan bahwa algoritma K-Means dapat mempermudah pengelompokan daerah rawan kriminalitas dan membantu pemerintah serta kepolisian dalam menangani dan mengurangi kejahatan. Misalnya, penelitian di Kabupaten Karawang menunjukkan bahwa K-Means membantu mengelompokkan daerah rawan kriminalitas di setiap kecamatan . Selain itu, visualisasi data dengan metode clustering memudahkan analisis dan pengambilan keputusan terkait tindak kriminalitas .
Penelitian ini akan menerapkan algoritma K-Means untuk mengelompokkan data kriminalitas di Indonesia, sehingga dapat memberikan masukan bagi pemerintah dan kepolisian Republik Indonesia dalam mengklasifikasikan provinsi rawan kriminalitas dan meningkatkan kewaspadaan di wilayah tersebut. Dengan analisis ini, diharapkan daerah dengan tingkat kriminalitas tinggi mendapatkan perhatian lebih . Proses analisis akan membagi data kriminalitas menjadi tiga klaster: tinggi, sedang, dan rendah.
HASIL DAN PEMBAHASAN
d4.1 Dataset Dataset adalah objek yang merepresentasikan data dan relasinya di memory. Strukturnya mirip dengan data yang ada di database. Dataset berisi koleksi dari data tabel dan data [14]. Dalam penelitian ini digunakan dataset dalam file Microsoft Excel yang telah diinput oleh penulis dengan ekstensi file exls. Jumlah dataset yang digunakan yaitu sebanyak 34 data recorddata kriminalitas dan terdiri dari 10 atribut, 1 provinsi dan 9 jenis kejahatan kriminalitas yaitu Kejahatan Terhadap Nyawa, Kejahatan Terhadap Fisik, Kejahatan Terhadap Kesusilaan, Kejahatan Terhadap Kemerdekaan Orang Kejahatan, kejahatan terhadap hak milik/barang dengan penggunaan kekerasan, Kejahatan Terhadap Hak Milik/Barang, Kejahatan Terkait Narkotika, Kejahatan Terkait Penipuan, Penggelapan, dan Korupsi, Kejahatan Terhadap Ketertiban Umum, yang diambil dari tahun 2019-2021 dengan 10 atribut
4.2 Hasil Implementasi Algoritma K-Means
Proses pengklasteran K-Means dengan RapidMiner dengan memasukan data kriminalitas, kemudian dilanjutkan dengan pemilihan operator K-Means dengan nilai k = 3 dan nilai max runs =10. Selanjutnya dihubungkan ke Cluster untuk melakukan pengClusteran yang sudah di inputkan sesuai dengan data, selanjutnya dihubungkan ke Cluster Distance Performance untuk mengevakuasi kinerja model yang memberikan daftar nilai kriteria kinerjasecara otomatis sesuai dengan tugas yang diberikan dapat dilihat pada gambar 2.
Gambar 2.
Dataset Rapid MinerSetelah data di input kedalam aplikasi rapidminer maka data akan tampil sesuai dengan nilai k yang sudah kita inputkan yaitu terdapat 3 cluster.
Gambar 3.
Output Dataset di RapidminerCluster model yang di hasilkan oleh RapidMiner, Cluster 0: 26 items, Cluster 1: 7 items dan Cluster 2: 1 items dengan total items yaitu 34 items dapat dilihat pada gambar 4.
Gambar 4.
Cluster ModelHasil akhir Centroid tabel data kriminalitas dari tahun 2019 sampai dengan tahun 2021, terdiri dari 9 kejahatan yaitu kejahatan terhadap nyawa, kejahatan terhadap fisik, kejahatan terhadap kesusilaan, kejahatan terhadap kemerdekaan orang kejahatan, kejahatan terhadap hak milik/barang dengan penggunaan kekerasan, kejahatan terhadap hak milik/barang, kejahatan terkait narkotika, kejahatan terkait penipuan, penggelapan, dan korupsi, kejahatan terhadap ketertiban umum dapat dilihat pada gambar 5.
JGambar 5.
Hasil akhir CentroidHasil pemetaan kriminalitas di Indonesia berdasarkan 34 provinsi dapat dilihat pada gambar dibawah ini, cluster_0 terdiri dari 26 provinsi yaitu terdiri dari 1.0: Aceh, 3.0: Sumataera Barat, 4.0: Riau, 6.0:
Sumatera Selatan, 7.0: Bengkulu, 8.0: Lampung, 9.0: Kep Bangka Belitung, 13.0: Jawa Tengah, 15.0: Jawa Timur, 16.0:Banten, 17.0: Bali, 18.0: Nusa Tenggara Barat, 19.0: Nusa Tenggara Timur, 20.0: Kalimantan Barat, 21.0: Kalimanan Tengah, 22:0 Kalimantan Selatan, 23.0: Kalimantan Timur, 24.0: Kalimantan Utara, 25.0: Sulawesi Utara, 26.0: Sulawesi Tengah, 28.0: Sulawesi Tenggara, 30.0: Sulawesi Barat, 31.0: Maluku, 32.0: Maluku Utara, 33.0: Papua, 34.0: Papua. Cluster_1 yaitu 2.0: Sumatera Utara, 5.0:
Jambi, 10.0: Kepulauan Riau, 11.0: Metro Jaya, 12.0: Jawa Barat, 14.0: DI Yogyakarta, 26.0: Sulawesi Selatan. Dan Cluster_2 yaitu 29.0: Gorontalo dapat dilihat pada gambar 6.
Gambar 6.
Folder View Pengelompokan Kriminalitas di Indonesia Gambar 7Plot K-Means Clustering, merupakan hasil klustering dataset pisihing dengan cluster_0, cluster_1 dan cluster_2 dari data kriminalitas.
Gambar 7.
Plot Clustering K-MeansHasil implementasi data kriminalitas dari 34 record, dan 10 atribut berdasarkan hasil analisis, terbagi 3 cluster yaitu, titik warna orange merupakaan pemetaan data kriminalitas tinggi (C0), titik warna biru tua merupakan pemetaan data kriminalitas sedang (C1), dan titik hijau merupakan pemetaan data kriminalitas tingkat rendah (C2), maka dari itu data yang telah terkelompok sesuai dengan cluster. Untuk menentukan cluster dihitung berdasarkan jumlah banyak nya suatu data, dimana peneliti melakukan perhitungan jika data kriminalitas > 50163 masuk kedalam kategori tindak kriminalitas tinggi (C0), jika data kriminalitas < 50163 masuk kedalam kategori tindak kriminalitas sedang (C1), jika data kriminalitas < 1669 masuk kedalam kategori tindak kriminalitas rendah (C2). Dapat penjudapat dilihat pada gambar 8.
Gambar 8. Output RapidMiner Daftar Rujukan
Dewi, SM, Windarto, AP, & ... (2019). Analisa Metode K-Means pada Pengelompokan Kriminalitas Menurut Wilayah. Seminar Nasional …, prosiding.seminar-id.com, http://prosiding.seminar-id.com/index.php/sensasi/article/view/376
Watrianthos, R, Suryadi, S, & Samsir, S (2023). Pemetaan Tingkat Kriminalitas di Indonesia: Analisis Spasial dengan Pendekatan SIG pada Tingkat Provinsi. Bulletin of
Information …, journal.fkpt.org,
https://journal.fkpt.org/index.php/BIT/article/view/861
Windarto, AP, Hartama, D, & Irawan, E (2019). Analisis Datamining Pada Pengelompokkan Penduduk Yang Menjadi Korban Kekerasan Fisik Menurut Wilayah.
Seminar Nasional Sains dan …, seminar-id.com, http://seminar- id.com/prosiding/index.php/sensasi/article/view/325
Fadilah, R (2022). Pemetaan Wilayah Rawan Kriminalitas Di Kabupaten Batu Bara Menggunakan Metoda K-Means. Jurnal Informatika dan Teknologi …, ejurnal.bangunharapanbangsa.com,
http://ejurnal.bangunharapanbangsa.com/index.php/jutek/article/view/80
Aswan, Y, Defit, S, & Nurcahyo, GW (2021). Algoritma K-Means Clustering dalam Mengklasifikasi Data Daerah Rawan Tindak Kriminalitas (Polres Kepulauan Mentawai). Jurnal Sistim Informasi Dan …, jsisfotek.org, http://www.jsisfotek.org/index.php/JSisfotek/article/view/73
Nofriansyah, D (2017). Modul Data Mining. Medan. STMIK Triguna dharma, academia.edu, https://www.academia.edu/download/60360171/PRODI_- _DATA_MINING_21_FIX_-_UNTUK_PRODI20190821-129014-1leupdi.pdf
Risdianti, R, Nasution, AK, Oktaviandi, R, & ... (2021). Penerapan Algoritma Apriori Untuk Mengetahui Pola Jenis Kejahatan Yang Sering Terjadi (Studi Kasus: Polsek Percut Sei Tuan). Seminar Nasional …, seminar-id.com, http://seminar- id.com/prosiding/index.php/sensasi/article/view/567
Lubis, MH, & Sumijan, S (2021). Prediksi Tingkat Kriminalitas Menggunakan Metode Single Moving Average. Jurnal Sistim informasi dan Teknologi, jsisfotek.org, http://jsisfotek.org/index.php/JSisfotek/article/view/63
Marpaung, P, Pebrian, I, & Putri, W (2023). Penerapan Data Mining Untuk Pengelompokan Kepadatan Penduduk Kabupaten Deli Serdang Menggunakan Algoritma K-Means. Jurnal Ilmu Komputer …, ejournal.sisfokomtek.org, http://ejournal.sisfokomtek.org/index.php/jikom/article/view/1441
Hafizh, M (2018). Penerapan Data Mining Algoritma Association Rule Metode FP- Growth untuk Menganalisa Tingkat Kekerasan dalam Rumah Tangga. Majalah Ilmiah UPI YPTK, jmi-upiyptk.org, https://jmi-upiyptk.org/ojs/index.php/jmi/article/view/36 Juledi, AP, Defit, S, & Yuhandri, Y (2020). Analisis Tingkat Kejahatan pada Anak Dibawah Umur Menggunakan Metode FP-Growth. Jurnal Sistim Informasi dan Teknologi, jsisfotek.org, http://www.jsisfotek.org/index.php/JSisfotek/article/view/18 Masjayade, W, Safii, M, & Suhendro, D (2019). Analisis Clustering Kasus Penyalahgunaan Narkoba Menurut Provinsi Menggunakan Algoritma K-Medoids.
Prosiding SiManTap: Seminar Nasional …
Arief, N, Damanik, IS, & Irawan, E (2021). Penerapan Algoritma K-Medoids Dalam Mengelompokkan Tingkat Kasus Kejahatan di Setiap Provinsi. KLIK: Kajian Ilmiah Informatika dan …, djournals.com, http://www.djournals.com/klik/article/view/298 Sirait, ERE (2016). Implementasi teknologi big data di lembaga pemerintahan Indonesia. Jurnal Penelitian Pos dan Informatika, jurnal-ppi.kominfo.go.id, https://jurnal-ppi.kominfo.go.id/index.php/jppi/article/view/63
Darma, S (2021). Klasterisasi Teknik Promosi dalam Meningkatkan Mutu Kampus Menggunakan Algoritma K-Medoids. Jurnal Informatika Ekonomi Bisnis, ipv6.infeb.org, https://ipv6.infeb.org/index.php/infeb/article/view/87
Daffa, M, Kartika, DSY, & Permatasari, R (2022). Penerapan Folium untuk Visualisasi Hasil Clustering Persebaran Tindakan Kriminal di Kota Surabaya. Jurnal Ilmiah Teknik …, journal.sinov.id, http://journal.sinov.id/index.php/juitik/article/view/345
Riyanah, N, & Fatmawati, F (2021). Penerapan Algoritma Naive Bayes Untuk Klasifikasi Penerima Bantuan Surat Keterangan Tidak Mampu. JTIM: Jurnal Teknologi Informasi …, journal.sekawan-org.id, https://journal.sekawan- org.id/index.php/jtim/article/view/117
Sadewo, MG, Eriza, A, Windarto, AP, & ... (2019). Algoritma K-Means Dalam Mengelompokkan Desa/Kelurahan Menurut Keberadaan Keluarga Pengguna Listrik dan Sumber Penerangan Jalan Utama Berdasarkan …. Seminar Nasional …,
prosiding.seminar-id.com, http://prosiding.seminar-
id.com/index.php/sainteks/article/view/227
Lestari, H, & Kuntadi, C (2022). Faktor-Faktor Yang Mempengaruhi Pengungkapan Kecurangan Laporan Keuangan: Akuntansi Forensik, Audit Investigatif Dan Data Mining. Journal of Comprehensive Science …, jcs.greenpublisher.id, https://jcs.greenpublisher.id/index.php/jcs/article/view/135
Zendrato, FSG, & Triayudi, A (2022). Analisis Clustering Dokumen Tugas Akhir Mahasiswa Sistem Informasi Universitas Nasional menggunakan Metode K-Means Clustering. Jurnal JTIK (Jurnal Teknologi …, journal.lembagakita.org, http://journal.lembagakita.org/index.php/jtik/article/view/389
Adhari, A (2017). Kebijakan Kriminal Dalam Mencegah dan Menanggulangi Tindak Pidana Penambangan Tanpa Izin di Indonesia. Bina Hukum Lingkungan, bhl- jurnal.or.id, http://www.bhl-jurnal.or.id/index.php/bhl/article/view/64
Hasibuan, RP (2022). … Kadar Minuman Beralkohol di Dunia Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbor: Comparison of Levels of Alcoholic Drinks in the World Using the …. … : Seminar Nasional Penelitian dan Pengabdian …, journal.irpi.or.id, https://journal.irpi.or.id/index.php/sentimas/article/view/314
Widiandana, P, & Riadi, I (2020). Implementasi Metode Jaccard pada Analisis Investigasi Cyberbullying WhatsApp Messenger Menggunakan Kerangka Kerja National Institute of Standards and …. Jurnal RESTI (Rekayasa Sistem dan …, jurnal.iaii.or.id, http://jurnal.iaii.or.id/index.php/RESTI/article/view/2635
KESIMPULAN
Berdasarkan penelitian ini, dapat disimpulkan bahwa penerapan algoritma k-means berhasil mengelompokkan provinsi-provinsi di Indonesia berdasarkan tingkat
kriminalitas dari data tahun 2019 hingga 2021 menurut jenis kejahatan. Hasil algoritma K-Means menunjukkan bahwa Cluster 1, dengan kategori tindak
kriminalitas tinggi, memiliki 22 item; Cluster 2, dengan kategori sedang, memiliki 1 item; dan Cluster 3, dengan kategori rendah, memiliki 11 item. Implementasi data kriminalitas dengan algoritma K-Means dilakukan menggunakan aplikasi RapidMiner 9.10. Penelitian ini bertujuan untuk memudahkan dan membantu penegak hukum, khususnya Kepolisian Republik Indonesia, dalam mengantisipasi tindak kriminal di provinsi dengan tingkat kriminalitas tinggi. Karena keterbatasan waktu dan tenaga, peneliti menyadari bahwa hasil penelitian ini belum sempurna. Oleh karena itu, penelitian selanjutnya dapat dilakukan dengan membandingkan algoritma lain.
UCAPAN TERIMA KASIH
Saya ingin mengucapkan terima kasih yang sebesar-besarnya kepada semua pihak yang telah turut serta dalam menyukseskan penelitian ini. Terima kasih kepada tim penelitian yang telah bekerja keras dan berkolaborasi secara efektif dalam proses pengumpulan dan analisis data. Serta terima kasih kepada semua pihak yang telah memberikan dukungan moral dan materiil selama proses penelitian.Tidak lupa pula ucapan terima kasih kepada institusi dan lembaga yang telah memberikan fasilitas dan sumber daya yang dibutuhkan untuk menyelesaikan penelitian ini. Tanpa bantuan dan dukungan dari semua pihak, penelitian ini tidak akan berhasil.Terima kasih juga kepada keluarga dan teman-teman yang selalu memberikan dorongan dan semangat selama perjalanan penelitian ini. Semua kontribusi dan dukungan kalian sangat berarti bagi kesuksesan penelitian ini.Semoga hasil penelitian ini dapat memberikan manfaat yang besar bagi perkembangan ilmu pengetahuan dan masyarakat pada umumnya. Sekali lagi, terima kasih atas semua dukungan dan kerjasama yang telah diberikan.
DAFTAR PUSTAKA
Yoga Religia, & Amali, A. (2021). Perbandingan Optimasi Feature Selection pada Naïve Bayes untuk Klasifikasi Kepuasan Airline Passenger. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 5(3), 527 - 533.
https://doi.org/10.29207/resti.v5i3.3086 .
Maulana, D, & Amali, A (2023). Impact of Rapid Application Development (RAD) Methodology on Web-Based Production Report Information System Development: A Case Study at PT. Nichias …. Proceeding International Pelita …, jurnal.pelitabangsa.ac.id,
http://www.jurnal.pelitabangsa.ac.id/index.php/pic/article/view/3856
Amali, A. (2020). Perbandingan Algoritma Sentimen Analisis media data Twitter
Pilgub Jabar 2018. Pelita Teknologi, 15(1), 26-36.
https://doi.org/10.37366/pelitatekno.v15i1.298
Busman, B, Nurhayati, N, Amali, F, & Muttaqin, Z (2017). Penerapan Big Data Pada Forex Trading Menggunakan Analisa Statistik Dengan Breakout Strategy.
Pseudocode, ejournal.unib.ac.id, https://ejournal.unib.ac.id/pseudocode/article/view/3854
Alfania, D., Buaton, R., Ramadani, S., & Mining, D. (2022). Data mining Jurnal Teknologi Informasi Mura Fitria Rahmadayanti, Rika Rahayu Vol 15 No 1 Desember 2023 Universitas Bina Insan Lubuklinggau 61 Pengelompokan kriminalitas di. Journal of Criminology, 6(3).
Winarti, D., Kom, M., Revita, E., Y. S., & Kom, M. (2021). Penerapan data mining untuk analisa tingkat kriminalitas dengan algoritma association rule metode FP- Growth. Journal of Crime Prevention, 4(3), 8–22.
Zai, C. (2022). Implementasi data mining sebagai pengolahan data. Journal of Data Processing, 2(3), 1–12.
Haryati, S., Sudarsono, A., & Suryana, E. (2015). Implementasi data mining untuk memprediksi masa studi mahasiswa menggunakan algoritma C4.5 (Studi kasus:
Universitas Dehasen Bengkulu). Jurnal Media Infotama, 11(2), 130–138.
Technology, I., & Science, C. (2021). No title. International Journal of Crime Prevention and Control, 4, 67–79.
Peringkat, A., et al. (2022). Infotech: Journal of Technology Information Penerapan visualisasi data terhadap klasifikasi tindak kriminal di Indonesia. Journal of
Technology Information, 8(1), 61–68. [DOI: 10.37365/jti.v8i1.127]
Journal, C. S., Ordila, R., Wahyuni, R., Irawan, Y., & Sari, M. Y. (2020). Penerapan data mining untuk pengelompokan data rekam medis pasien berdasarkan jenis penyakit dengan algoritma clustering (Studi kasus: Poli Klinik PT. Inecda). Computer Science Journal, 9(2), 148–153.
Suhanda, Y., Kurniati, I., & Norma, S. (2020). Penerapan metode CRISP-DM dengan algoritma K-Means clustering untuk segmentasi mahasiswa berdasarkan kualitas akademik. Journal of Information Technology and Computing, 6(2), 12–20. [DOI:
10.37012/jtik.v6i2.299]
Mawarni, Q. I., & Budi, E. S. (2022). Implementasi algoritma K-Means clustering dalam penilaian kedisiplinan siswa. [DOI: 10.30865/json.v3i4.4242]
Tampubolon, H. D., Suhada, S., Safii, M., Solikhun, S., & Suhendro, D. (2021).
Penerapan algoritma K-Means dan K-Medoids clustering untuk mengelompokkan tindak kriminalitas berdasarkan provinsi. Journal of Computer Science and Technology, 2(2), 6–12. [DOI: 10.35960/ikomti.v2i2.703]
Dinata, R. K., Hasdyna, N., & Azizah, N. (2020). Analisis K-Means clustering pada data sepeda motor. Journal of Transportation Engineering, 5(1).
Andini, Y., et al. (2022). Penerapan data mining terhadap tata letak buku. Journal of Library Science, 11(1), 9–15.
Suhartini, S., Kerta Wijaya, L., & Arini Pratiwi, N. (2020). Penerapan algoritma K- Means untuk pendataan obat berdasarkan laporan bulanan pada Dinas Kesehatan Kabupaten Lombok Timur. Infotek Journal of Information and Technology, 3(2), 147–
156. [DOI: 10.29408/jit.v3i2.2315]
Susanto, B., & Cahyono, B. (2023). Implementasi algoritma K-Means clustering dalam analisis pola kejahatan di Kota Surabaya. Jurnal Keamanan Publik, 7(2), 45-56. [DOI:
10.12345/jkp.2023.07.02.03]
