Analisis Spasial Sebaran CCTV Menggunakan K-Means Clustering untuk Optimalisasi Penempatan CCTV

Raden Roro Dalilati Nabilah Karamina (Universitas Islam Negeri Sunan Ampel Surabaya)
Andhy Permadi (Universitas Islam Negeri Sunan Ampel Surabaya)
Noor Wahyudi (Universitas Islam Negeri Sunan Ampel Surabaya)
Yunita Ardilla (Universitas Islam Negeri Sunan Ampel Surabaya)

Jurnal Nasional Komputasi dan Teknologi Informasi

Abstrak - Sistem transportasi cerdas menjadi solusi vital untuk manajemen lalu lintas di perkotaan, dengan kamera Closed-Circuit Television (CCTV) sebagai komponen utama. Di Kota X, implementasi sistem transportasi cerdas mengandalkan 580 unit CCTV yang tersebar di berbagai titik. Namun, seiring dengan meningkatnya jumlah perangkat, tantangan muncul dalam mengelola distribusinya yang sering kali tidak merata. Hal ini berpotensi menciptakan blind spot dan menghambat perencanaan penempatan CCTV baru yang berbasis data. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan menerapkan K-Means Clustering untuk menganalisis sebaran lokasi CCTV. Data 580 titik lokasi CCTV diproses dan dikelompokkan menggunakan algoritma ini, dengan menggunakan Metode Elbow, nilai optimal Cluster ditetapkan pada K=3. Hasil analisis menunjukkan bahwa sebaran CCTV di Kota X tidak merata, dengan adanya area-area yang kurang terpantau. Analisis lebih lanjut berdasarkan kepadatan Cluster  (rasio luas area per jumlah CCTV) mengidentifikasi Cluster 1 sebagai area yang paling jarang terpasang CCTV. Cluster  ini berlokasi di Bagian Barat Kota X dan memiliki skor kepadatan tertinggi, yaitu 1.700.779,70 m²/CCTV. Berdasarkan temuan ini, centroid dari Cluster tersebut direkomendasikan sebagai lokasi prioritas untuk penambahan CCTV baru. Penelitian ini menunjukkan bahwa K-Means Clustering dapat menjadi pendekatan yang efektif untuk menyediakan rekomendasi strategis dalam mengoptimalkan sistem pengawasan lalu lintas. Kata kunci: Analisis Spasial; CCTV; K-Means Clustering; Optimalisasi Penempatan;Abstract - Intelligent transportation systems are becoming a vital solution for urban traffic management, with Closed-Circuit Television (CCTV) cameras serving as a core component. In X City, the city’s intelligent transport system relies on 580 CCTV units strategically placed throughout the area. However, as the number of devices increases, managing their distribution efficiently becomes a challenge. The lack of a systematic data-driven analysis of CCTV locations can lead to imbalanced surveillance and create potential blind spots, hindering the planning of new CCTV placements. This research aims to address this problem by applying K-Means Clustering to analyze the spatial distribution of CCTV locations. Data from 580 CCTV points were pre-processed and then grouped using this algorithm, using the Elbow Method, the optimal number of Clusters was determined to be K=3. The analysis revealed that the distribution of CCTV in X City is uneven, with certain areas being less monitored. Further analysis based on Cluster density (the ratio of area size to the number of CCTVs) identified Cluster 1 as the area with the sparsest CCTV coverage. This Cluster , located on the West side of X City, had the highest density score of 1,700,779.70 m²/CCTV. Based on these findings, the centroid of this Cluster  is recommended as a priority location for adding new CCTV units. This study demonstrates that K-Means Clustering can be used as an effective approach for providing strategic recommendations to optimize traffic surveillance systems. Keywords: Spatial Analysis; CCTV; K-Means Clustering; Steganography;