PERBANDINGAN K-MEANS DAN K-MEDOIDS DALAM PENGELOMPOKKAN TINGKAT KEJAHATAN PADA PROVINSI JAWA TENGAH

Bayu Satria Pratama; Gatot Purwanto

doi:10.36080/idealis.v8i2.3562

Authors

Bayu Satria Pratama Sistem Informasi, Fakultas Teknologi Informasi, Universitas Budi Luhur, Jakarta, Indonesia
Gatot Purwanto Sistem Komputer, Fakultas Teknologi Informasi, Universitas Budi Luhur, Jakarta, Indonesia

DOI:

https://doi.org/10.36080/idealis.v8i2.3562

Keywords:

Algoritma K-Means, Davies-Bouldin Index, Kejahatan Konvensional, Klasterisasi, Provinsi Jawa Tengah

Abstract

Tindak kejahatan merupakan pelanggaran hukum dan norma sosial yang menimbulkan keresahan masyarakat serta mencerminkan dinamika sosial yang terus berkembang. Sepanjang tahun 2023, Provinsi Jawa Tengah mencatat 7.606 kasus kejahatan berdasarkan data dari Badan Pusat Statistik (BPS) Jawa Tengah pada website https://jateng.bps.go.id/id. Jenis kejahatan yang tercakup dalam data merupakan kejahatan konvensional, seperti pencurian, penganiayaan, dan penipuan. Penelitian ini bertujuan untuk mengelompokkan data kriminalitas menggunakan algoritma clustering K-Means dan K-Medoids guna mengidentifikasi pola kejahatan berdasarkan karakteristik wilayah. Data yang digunakan meliputi jumlah kejahatan, jumlah penduduk, dan jumlah penduduk tidak bekerja per kabupaten/kota, serta dua atribut turunan, yaitu Rasio_Kejahatan_Penduduk dan Rasio_Kejahatan_Tidak_Bekerja. Seluruh data numerik dinormalisasi menggunakan metode Min-Max agar memiliki skala yang sebanding. Pemilihan algoritma K-Means dan K-Medoids dilakukan karena keduanya merupakan metode partitional clustering yang banyak digunakan, namun memiliki pendekatan yang berbeda dalam menentukan pusat klaster, sehingga memberikan perbandingan hasil yang relevan. Evaluasi hasil klaster dilakukan dengan Davies-Bouldin Index (DBI) karena metrik ini mampu menilai validitas klaster berdasarkan tingkat kedekatan dan keterpisahan antar klaster. Klasterisasi dilakukan dengan jumlah klaster 3, 4, dan 5. Hasil evaluasi menunjukkan bahwa pembentukan 3 klaster adalah yang paling optimal, dengan nilai DBI terendah pada K-Means sebesar 0,082, sedikit lebih baik dibandingkan K-Medoids sebesar 0,084. Nilai DBI yang lebih rendah menunjukkan K-Means menghasilkan klaster yang lebih terpisah secara baik. Oleh karena itu, K-Means dipilih sebagai algoritma terbaik dalam penelitian ini. Hasil pengelompokan diharapkan menjadi dasar dalam pepersamaanan kebijakan.

Downloads

Download data is not yet available.

References

[1] D. Yuliyanti and M. Martanto, “Clustering Tingkat Kejahatan Kriminal Menggunakan Metode K-Means Di Wilayah Kabupaten Cirebon,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 6, pp. 3509–3514, 2024, doi: 10.36040/jati.v7i6.8894.

[2] B. P. S. P. J. Tengah, “Jumlah Kejahatan yang Dilaporkan, Risiko Penduduk Terkena Kejahatan per 100.000 Penduduk, Persentase Penyelesaian Kejahatan, dan Selang Waktu Terjadinya Kejahatan Menurut Kabupaten/Kota di Provinsi Jawa Tengah, 2023.” https://jateng.bps.go.id/

[3] N. Rohman and A. Wibowo, “Perbandingan Metode K-Medoids dan Metode K-Means Dalam Analisis Segmentasi Pelanggan Mall,” SINTECH (Science Inf. Technol. J., vol. 7, no. 1, pp. 49–58, 2024, doi: 10.31598/sintechjournal.v7i1.1507.

[4] H. T. A. Simanjuntak, P. E. P. Silaban, J. K. S. Manurung, and V. H. Sormin, “Klasterisasi Berita Bahasa Indonesia Dengan Menggunakan K-Means Dan Word Embedding,” J. Teknol. Inf. dan Ilmu Komput., vol. 10, no. 3, pp. 641–652, 2023, doi: 10.25126/jtiik.20231026468.

[5] A. Z. Kamalia and I. Nawangsih, “Identifikasi Pola Tingkat Kesenjangan Ketuntasan Pendidikan Di Indonesia Dengan Menggunakan Metode K-Medoids Cluster Ing Identification Of Patterns In Educational Completion Disparities In Indonesia Using The K-Medoids Clustering Method,” J. Teknol. Inf. dan Ilmu Komput., vol. 12, no. 2, pp. 321–330, 2025, doi: 10.25126/jtiik.2025129219.

[6] A. Hoerunnisa, G. Dwilestari, F. Dikananda, H. Sunana, and D. Pratama, “Komparasi Algoritma K-Means Dan K-Medoids Dalam Analisis Pengelompokan Daerah Rawan Kriminalitas Di Indonesia,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 103–110, 2024, doi: 10.36040/jati.v8i1.8249.

[7] G. Nurcahya, A. Wibowo, and D. Kristanto, “Perbandingan Kinerja Algoritma K-Means dan K-Medoids Dalam Klasterisasi Jumlah Tindak Pidana Kejahatan Berbasis Wilayah Kepolisian Daerah,” SINTECH (Science Inf. Technol. J., vol. 6, no. 3, pp. 162–172, 2023, doi: 10.31598/sintechjournal.v6i3.1457.

[8] Z. Wahidah and D. T. Utari, “Implementation K-Means Algorithm to Group Provinces By Factors Influenced Criminal Act in Indonesia in 2019,” Enthusiastic Int. J. Appl. Stat. Data Sci., vol. 2, no. 1, pp. 37–46, 2022, doi: 10.20885/enthusiastic.vol2.iss1.art5.

[9] N. Azizah, A. Fauzi, T. Rohana, and S. Faisal, “Perbandingan Metode K-Means dan K-Medoids Untuk Clustering Jenis Kriminalitas,” Build. Informatics, Technol. Sci., vol. 6, no. 2, pp. 1011–1019, 2024, doi: 10.47065/bits.v6i2.5723.

[10] M. A. Z. Ramadhan, R. A. Saputra, and J. Nangi, “Klasterisasi Daerah Rawan Kriminalitas di Sulawesi Tenggara Menggunakan Metode K-Means Clustering,” JOINTER J. Informatics Eng., vol. 5, no. 01, pp. 1–6, 2024, doi: 10.53682/jointer.v5i01.289.

[11] M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 103–108, 2021, doi: 10.30871/jaic.v5i2.3200.

[12] J. Adiputra and D. Mahdiana, “Analisis Sentimen Dengan Algoritma Support Vector Machine Terhadap Penyakit Hepatitis Akut Misterius,” IDEALIS Indones. J. Inf. Syst., vol. 6, no. 1, pp. 1–8, 2023, doi: 10.36080/idealis.v6i1.2985.

[13] W. Warisa and N. Nurahman, “Perbandingan Performa Cluster Model Algoritma K-Means Dalam Mengelompokkan Penerima Bantuan Program Keluarga Harapan,” J. Sist. Info. Bisnis, vol. 13, no. 1, pp. 20–28, 2023, doi: 10.21456/vol13iss1pp20-28.

[14] S. Suraya, M. Sholeh, and D. Andayati, “Penerapan Metode Clustering Dengan Algoritma K-Means Pada Pengelompokan Indeks Prestasi Akademik Mahasiswa,” SKANIKA Sist. Komput. dan Tek. Inform., vol. 6, no. 1, pp. 51–60, 2023, doi: 10.36080/skanika.v6i1.2982.

[15] D. Haversyalapa, S. Puspasari, and R. Gustriansyah, “Klasterisasi Pixel Citra Koleksi Foto Museum Monpera Dengan Metode K-Means Pada Aplikasi Augmented Reality,” IDEALIS Indones. J. Inf. Syst., vol. 7, no. 2, pp. 189–199, 2024, doi: 10.36080/idealis.v7i2.3175.

[16] Y. C. Fadilah, A. Sani, and A. Andrianingsih, “Applying K-Means Clustering For Grouping Papua ’ S Districts,” JITK J. Ilmu Pengetah. dan Teknol. Komput., vol. 10, no. 3, pp. 543–553, 2025, doi: 10.33480/jitk.v10i3.5865.APPLYING.

[17] N. R. Saputra, G. Z. Muflih, and T. Informatika, “Pengelompokan Wilayah Indonesia Berdasarkan Komponen Indeks Pembangunan Manusia dengan Pendekatan Algoritma K-Means Clustering,” SKANIKA Sist. Komput. dan Tek. Inform., vol. 8, pp. 156–167, 2025.

[18] M. Wahyudi, D. Trianda, and L. Pujiastuti, “Implementation Of K-Medoids Method For Heart Disease Prediction Using Quantum Computing And Manhattan,” JITK (Jurnal Ilmu Pengetah. dan Teknol. Komputer), vol. 10, no. 3, pp. 469–478, 2025, doi: 10.33480/jitk.v10i3.5637.IMPLEMENTATION.

[19] P. P. Allorerung, A. Erna, and M. Bagussahrir, “Analisis Performa Normalisasi Data untuk Klasifikasi K-Nearest Neighbor pada Dataset Penyakit,” JISKA (Jurnal Inform. Sunan Kalijaga), vol. 9, no. 3, pp. 178–191, 2024.

[20] H. Heru, S. Sunardi, and A. Amelia, “Identifikasi Kesalahan Siswa Dalam Menyelesaikan Soal Tipe Hots (Higher Order Thinking Skill) Materi Operasi Aljabar Di SMP Muhammadiyah 4 Palembang,” J. Ilm. Wahana Pendidik., vol. 9, no. 23, pp. 656–664, 2023.