Klasterisasi Wilayah Rawan Tindak Kriminal Menggunakan Algoritma K-Means . (Studi Kasus Di Wilayah Hukum Pengadilan Negeri Painan)
DOI:
https://doi.org/10.31004/joecy.v6i1.6737Keywords:
Klasterisasi, Kriminal, Algoritma K-Means, Daerah, Data PersidanganAbstract
Meningkatnya jumlah kasus kriminal setiap tahun di wilayah hukum Pengadilan Negeri Painan menjadi perhatian penting bagi aparat penegak hukum. Oleh karena itu, diperlukan penyediaan informasi yang bermanfaat bagi masyarakat mengenai daerah-daerah yang tergolong rawan tindak kriminal. Salah satu metode yang dapat digunakan untuk mengidentifikasi daerah rawan tersebut adalah klasterisasi dengan algoritma K-Means.
Penelitian ini bertujuan untuk mengelompokkan daerah berdasarkan tingkat kerawanan tindak kriminal di wilayah hukum Pengadilan Negeri Painan menggunakan algoritma K-Means. Metode ini termasuk dalam teknik data mining yang berfungsi untuk memisahkan atau mengelompokkan data ke dalam beberapa kelompok (cluster) berdasarkan kesamaan karakteristik tertentu.
Hasil penelitian menunjukkan bahwa penerapan algoritma K-Means dengan bantuan aplikasi RapidMiner 5.3 mampu mengelompokkan wilayah ke dalam beberapa kategori tingkat kerawanan, yaitu rawan, kurang rawan, dan aman. Informasi yang dihasilkan dari penelitian ini diharapkan dapat membantu lembaga penegak hukum dalam melakukan pemetaan daerah rawan kejahatan serta mendukung pengambilan keputusan yang lebih efektif dalam upaya pencegahan tindak kriminal
References
Kusbianti, S. F. S., Yaqin, M. I. A., & Agustin, A. D. (2025). Analysis of Mapping the Distribution Zone of Crime Cases in Indonesia: A Case Study of 2018 to 2022. AIP Conference Proceedings, 3316(1), 080007.
Rahmawati, D., & Prasetyo, E. (2024). Crime Data Clustering Using K-Means and DBSCAN for Predictive Policing. Journal of Data Science and Applications, 12(2), 55–64.
Lestari, I., & Hidayat, R. (2024). Implementation of K-Means Clustering in Crime Mapping: Case Study of Urban Security Zones. Indonesian Journal of Computer Science, 9(3), 201–210.
Ahmed, T., & Chatterjee, S. (2023). Geospatial Crime Hotspot Detection Using K-Means and Heatmap Visualization. International Journal of Information Technology, 15(4), 142–151.
Suryani, M., & Ramadhan, F. (2023). Comparative Analysis of Clustering Algorithms in Crime Data Segmentation Using RapidMiner. Jurnal Teknologi Informasi dan Komputer (JTIK), 10(1), 87–96.
Mulyono, A., & Sari, N. A. (2024). Optimization of K-Means Algorithm for Regional Crime Analysis Using Silhouette Coefficient. Procedia Computer Science, 239, 120–129.
Wu, H., Zhang, J., & Li, X. (2025). Machine Learning for Urban Crime Prediction: An Empirical Comparison of K-Means and Neural Networks. Applied Intelligence, 75(2), 452–468.
Yuliana, R., & Hapsari, D. (2023). Penerapan Metode K-Means dalam Pemetaan Daerah Rawan Kriminal di Kota Bandung. Jurnal Informatika dan Komputasi, 8(2), 135–143.
Farhan, M., & Nugroho, T. (2025). Application of K-Means and GIS for Spatial Crime Risk Clustering. International Journal of Geographical Information Systems, 14(1), 33–42.
Zhang, L., & Kim, J. (2024). Spatial Clustering of Crime Data Using Enhanced K-Means with Adaptive Centroid Initialization. IEEE Access, 12, 14285–14297.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Sando Eka Putra, Sintia Sintia, Diana Kemala Odang
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
