Perbandingan K-Medoid dan Robust Sparse K-Means untuk Penggerombolan Provinsi di Indonesia Berdasarkan Indikator Kriminalitas

Abstract

Kriminalitas adalah tindakan melanggar hukum yang dilakukan dengan sadar dan sengaja untuk menguntungkan diri sendiri dan merugikan orang lain. Pada tahun 2021, Indonesia menempati peringkat 72 dari 142 negara di dunia dengan indeks kriminalitas sebesar 46,23. Semakin tinggi tingkat kriminalitas pada suatu daerah, semakin banyak kejahatan yang terjadi sehingga menyebabkan masyarakat kehilangan rasa aman. Banyak kejahatan provinsi di Indonesia beragam yang menunjukkan adanya kesenjangan akan keamanan. Kesenjangan banyak kejahatan antarprovinsi menimbulkan pencilan pada beberapa daerah. Tujuan penelitian adalah menggerombolkan provinsi berdasarkan indikator kriminalitas dengan memerhatikan pencilan menggunakan K-Medoid dan Robust Sparse K-Means. Data yang digunakan pada penelitian ini berasal dari 34 provinsi dengan 16 peubah numerik indikator kriminalitas tahun 2021. K-Medoid menghasilkan empat gerombol optimal dengan banyak anggota dari masing-masing gerombolnya adalah 22, 4, 1, dan 7. Gerombol 1, 2, dan 3 dikategorikan sebagai daerah dengan angka kejahatan rendah. Gerombol 3 merupakan daerah dengan kepadatan penduduk dan PDRB tinggi ekstrem dibandingkan gerombol lain. Gerombol 4 dikategorikan sebagai daerah dengan angka kejahatan sangat tinggi. Hasil penggerombolan optimum ditentukan berdasarkan rasio sw⁄sb minimum. K Medoid lebih baik dibandingkan RSK-Means karena memiliki rasio sw⁄sb lebih kecil.

Crime is an unlawful act carried out consciously and deliberately to benefit oneself and harm others. In 2021, Indonesia was ranked 72 out of 142 countries in the world with a crime index of 46,23. The higher the crime rate in an area, the more crimes that occur, causing people to feel insecure. The number of crimes per province in Indonesia varies, showing a gap in security. This range of variation leads to an extreme crime rate index or outliers in some areas. The aim of this study is to cluster provinces based on crime indicators by paying attention to outliers using K Medoid and Robust Sparse K-Means. The data used in this study were from 34 provinces with 16 numerical variables of crime indicators in 2021. K-Medoid produces four optimal clusters with the number of members in each cluster being 22, 4, 1, and 7. Clusters 1, 2, and 3 are categorized as areas with a low crime rate. Cluster 3 is an area with an extremely high population density and GRDP compared to other clusters. Cluster 4 is categorized as an area with a very high crime rate. The best clustering results are determined based on the minimum sw⁄sb ratio. K Medoid has better performance than RSK Means with a smaller sw⁄sb ratio.