Implementasi Data Mining dalam Pengelompokan Data Kriminalitas Umum di Provinsi Sumatra Utara Menggunakan Algoritma K-Means Clustering

Abstract

Penelitian ini bertujuan untuk mengimplementasikan teknik data mining dalam pengelompokan data kriminalitas umum di Provinsi Sumatra Utara dengan menggunakan algoritma K-Means Clustering. Metode K-Means adalah algoritma non-hierarki yang memilih titik pusat cluster secara acak dari data populasi awal. Algoritma ini kemudian mengevaluasi dan mengelompokkan setiap komponen data ke pusat cluster terdekat berdasarkan jarak minimum. Posisi pusat cluster dihitung ulang hingga semua data dikelompokkan dengan benar, menghasilkan pusat cluster baru setelah iterasi selesai. Hasil perhitungan menggunakan metode K-Means Clustering kemudian dibandingkan dengan data aktual untuk mengetahui tingkat akurasi hasil.Berdasarkan pengujian terhadap 29 daerah, diperoleh rata-rata persentase yaitu adalah 50%. Hal ini menunjukkan bahwa algoritma K-Means Clustering berhasil mengelompokkan daerah berdasarkan tingkat ke dengan presentasi cukup tinggi. K-Means Clustering dapat melakukan pengelompokan daerah berdasarkan tingkat kriminalitas umum secara akurat. Dimana hasil pengelompokan yang diperoleh yaitu pengelompokan untuk pusat cluster pertama (tinggi) ada 1 data sedangkan untuk pusat cluster kedua (sedang) ada 1 data dan pada pusat cluster ketiga (rendah) ada 27 data. Sehingga dapat disimpulkan bahwa ada 1 daerah yang yang memiliki tingkat kriminalitas paling tinggi, 1 daerah memiliki tingkat kriminalitas sedang dan 27 daerah yang memiliki tingkat kriminalitas paling rendah. This research aimed 10 implement data mining techniques in grouping general crime data in Norih Sumatra Province using !he K-Means Clustering algorithm. The K-Means method is a non-hierarchical algorithm that selects cluster center po/tits randomly from the initial population data. TIJJS algorithm then evaluated and groups each data component to the nearest cluster center based on the minimum distance. The cluster center positions are recalculated until all data was grouped correctly, resulting in a new cluster center once the iteration is complete. The calculation results using the K-Means Clustering method are then compared with actual data to determine the level ofaccuracy ofthe results. Based on testing of 29 regions, the average percentage obtained is 50%. This showed that the KMeans Clustering algorithm has succeeded in grouping regions based on levels with a fairly high presentation. K-Means Clustering can group areas based on general crime levels accurately. Where the grouping results obtained were thatfor the first cluster center (high) there was I data, while for the second cluster center (medium) there is I data and/or the third cluster center (low) there are 27 data. So it can be concluded that there is I area that has the highest cnme rate, I area has a medium crime rate and 27 areas have the lowest cnme rate.