skip to main content

PERBANDINGAN METODE FUZZY C-MEANS DAN K-MEANS UNTUK PEMETAAN DAERAH RAWAN KRIMINALITAS DI KOTA SEMARANG

*Hana Sugiastu Firdaus  -  Department of Geodesy Engineering, Diponegoro University, Indonesia
Arief Laila Nugraha  -  Department of Geodesy Engineering, Diponegoro University, Indonesia
Bandi Sasmito  -  Department of Geodesy Engineering, Diponegoro University, Indonesia
Moehammad Awaluddin  -  Department of Geodesy Engineering, Diponegoro University

Citation Format:
Abstract

Kriminalitas merupakan salah satu masalah penting di wilayah perkotaan termasuk di Kota Semarang. namun di Polrestabes Kota Semarang selama ini hanya mencatat laporan terjadinya kriminalitas tanpa memvisualisasikan ke dalam bentuk informasi spasial. Hal ini perlu dilakukan untuk memudahkan pihak berwenang dalam memetakan dan monitoring sebaran daerah rawan kriminalitas. Pada penelitian ini, dilakukan perbandingan metode clustering untuk menentukan metode yang paling baik untuk memetakan daerah rawan kriminalitas di Kota Semarang. Metode clustering yang digunakan yaitu Fuzzy C-Means dan K-Means. Metode Fuzzy C-Means adalah pengelompokan data ditentukan oleh derajat keanggotaan, sedangkan metode K-Means adalah pengelompokan data ditentukan dari centroid kejadian kriminalitas. Hasil penelitian ini menunjukan terdapat 1.965 kasus kriminalitas selama kurun waktu tahun 2016-2018. Daerah tingkat kerawanan dari kedua metode tersebut mempunyai hasil yang berbeda-beda. Nilai uji pengolahan metode Fuzzy C-Means sebesar 0,818 dikategorikan baik karena mendekati angka 1. Hasil verifikasi dari kedua metode terhadap data kriminalitas tahun 2019, menunjukan nilai metode Fuzzy C-Means lebih baik dengan persentase sebesar 71,23 %.

Fulltext View|Download
  1. Hapsari, D. P. T. dan Edi, W. 2017. Pengelompokan Daerah Rawan Kriminalitas di Indonesia Menggunakan Analisis K-Means Clustering. Jurnal Fakultas Fakultas MIPA. Universitas Islam Indonesia
  2. Kaur, R dan Sehra S. S. 2014. Analyzing and Displaying of Crime Hotspots Using Fuzzy Mapping Method. International Journal of Computer Applications, India
  3. Manuel, R. 2017. Analisa Penentuan Skala Prioritas Obat Berdasarkan Klaster Penyakit Menggunakan Fuzzy C-Means (Studi Kasus: Kecamatan Sirimau Kota Ambon). Tesis Fakultas Teknologi Industri. Institut Teknologi Sepuluh Nopember, Surabaya
  4. Prasetyo, E. 2012. Data Mining: Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta: Andi Offset
  5. Pradipta, A. D. R. 2018. Pemetaan Daerah Rawan Kecelakaan di Kota Semarang Dengan Menggunakan Metode Cluster Analysis (Studi Kasus: Kecamatan Banyumanik Dan Tembalang). Skripsi Fakultas Teknik. Universitas Diponegoro, Semarang
  6. Ramadhan, A., dan Efendi, Z. 2017. Perbandingan K-Means dan Fuzzy C-Means untuk Pengelompokan Data User Knowledge Modeling. Proseding dalam Seminar Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI). 2017
  7. Santosa, B. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu
  8. Sari, H. L. 2014. Fuzzy Clustering Dalam Pengclusteran Data Curah Hujan Kota Bengkulu dengan Algoritma C-Means. Journal Ilmiah Matriks, Vol.16 No.2 Agustus 2014
  9. Wirawan, Y. A., Indwiarti, D., Si, M., Sibaroni, Y., dan Si, S. 2015. Kombinasi Algoritma Agglomerative Clustering dan K-Means Untuk Segmentasi Pengunjung Website. Jurnal Ilmu Komputasi Fakultas Informatika. Universitas Telkom

Last update:

No citation recorded.

Last update:

No citation recorded.