Claim Missing Document
Check
Articles

Found 1 Documents
Search

ANALISIS CLUSTER DENGAN METODE SOM UNTUK PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN INDIKATOR KRIMINALITAS Mardhani Dwi Novianto; Sri Andayani
Jurnal Kajian dan Terapan Matematika Vol 9, No 1 (2023): Jurnal Kajian dan Terapan Matematika (Maret)
Publisher : Jurnal Kajian dan Terapan Matematika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kriminalitas atau kejahatan adalah suatu perbuatan yang dapat mengakibatkan masalah bagi masyarakat. Salah satu teknik analisis untuk mengatasi masalah ini adalah analisis cluster. Hasil analisis ini dapat dijadikan evaluasi bagi pemerintah dalam memperhatikan kriminalitas yang terjadi. Penelitian ini bertujuan untuk mendeskripsikan hasil analisis cluster dan karakteristik dari hasil analisis cluster dengan metode Self-Organizing Maps (SOM) untuk pengelompokan provinsi di Indonesia berdasarkan indikator kriminalitas nasional. Penelitian ini menggunakan data indikator kriminalitas nasional tahun 2021 yang diperoleh dari laman resmi Badan Pusat Statistik Indonesia. Data yang digunakan terdiri dari 34 provinsi dan 7 variabel. Hasil penelitian menunjukkan bahwa 5 cluster adalah jumlah cluster optimal dengan nilai validasi DBI 0,3793. Setiap cluster memiliki karakteristiknya tersendiri. Cluster ke-1 memiliki rata-rata jumlah kejahatan ringan, sedang, berat, dan jumlah kejahatan yang diselesaikan paling rendah, serta selang waktu terjadinya kejahatan paling lama. Cluster ke-2 memiliki rata-rata jumlah kejahatan sedang dan berat paling tinggi, serta selang waktu terjadinya kejahatan paling cepat. Cluster ke-3 memiliki rata-rata jumlah kejahatan ringan paling tinggi. Cluster ke-4 memiliki rata-rata persentase penyelesaian kejahatan dan risiko penduduk terkena kejahatan paling rendah. Cluster ke-5 memiliki rata-rata jumlah kejahatan yang diselesaikan, persentase penyelesaian kejahatan, dan risiko penduduk terkena kejahatan paling tinggi.Kata kunci: Indikator Kriminalitas Nasional, analisis cluster, Self-Organizing Maps, Davies Bouldin Index