diff --git a/Implementasi K-Means Clustering Dalam Pemetaan Daerah Rawan Pencurian Kendaraan Bermotor Dan Pencurian Dengan Kekerasan Berbasis Sistem Informasi Geografis (Studi Kasus Di Kabupaten Probolinggo).pdf b/Implementasi K-Means Clustering Dalam Pemetaan Daerah Rawan Pencurian Kendaraan Bermotor Dan Pencurian Dengan Kekerasan Berbasis Sistem Informasi Geografis (Studi Kasus Di Kabupaten Probolinggo).pdf new file mode 100644 index 0000000..71ea766 --- /dev/null +++ b/Implementasi K-Means Clustering Dalam Pemetaan Daerah Rawan Pencurian Kendaraan Bermotor Dan Pencurian Dengan Kekerasan Berbasis Sistem Informasi Geografis (Studi Kasus Di Kabupaten Probolinggo).pdf @@ -0,0 +1,4441 @@ + IMPLEMENTASI K-MEANS CLUSTERING DALAM +PEMETAAN DAERAH RAWAN PENCURIAN KENDARAAN + + BERMOTOR DAN PENCURIAN DENGAN KEKERASAN + BERBASIS SISTEM INFORMASI GEOGRAFIS + + (STUDI KASUS DI KABUPATEN PROBOLINGGO) + + SKRIPSI + + Oleh : + Daffa Fauzi Rahman + + NIM E41211408 + + PROGRAM STUDI TEKNIK INFORMATIKA + JURUSAN TEKNOLOGI INFORMASI + POLITEKNIK NEGERI JEMBER + 2025 + IMPLEMENTASI K-MEANS CLUSTERING DALAM + PEMETAAN DAERAH RAWAN PENCURIAN KENDARAAN + + BERMOTOR DAN PENCURIAN DENGAN KEKERASAN + BERBASIS SISTEM INFORMASI GEOGRAFIS + + (STUDI KASUS DI KABUPATEN PROBOLINGGO) + + SKRIPSI + + Sebagai salah satu syarat untuk memperoleh gelar Sarjana Terapan Komputer +(S.Tr.Kom.) pada Program Studi Teknik Informatika Jurusan Teknologi Informasi + + Oleh : + Daffa Fauzi Rahman + + NIM E41211408 + + PROGRAM STUDI TEKNIK INFORMATIKA + JURUSAN TEKNOLOGI INFORMASI + POLITEKNIK NEGERI JEMBER + 2025 + + ii + dKEMENTERIAN PENDIDIKAN TINGGI, SAINS DAN TEKNOLOGI + + POLITEKNIK NEGERI JEMBER + JURUSAN TEKNOLOGI INFORMASI + +IMPLEMENTASI K-MEANS CLUSTERING DALAM PEMETAAN + DAERAH RAWAN PENCURIAN KENDARAAN BERMOTOR + DAN PENCURIAN DENGAN KEKERASAN BERBASIS + SISTEM INFORMASI GEOGRAFIS + (STUDI KASUS DI KABUPATEN PROBOLINGGO) + + Daffa Fauzi Rahman (E41211408) + + Telah Diuji Pada Tanggal 19 Mei 2025 + dan Dinyatakan Memenuhi Syarat + + Ketua Penguji, + +Dia Bitari Mei Yuana, S.ST., M.Tr.Kom. + NIP. 19930508 202203 2 013 + +Sekretaris Penguji, Anggota Penguji, + + Bety Etikasari, S.Pd, M.Pd Fatimatuzzahra, S.Kom., M.Kom +NIP. 19920528 201803 2 001 NIP. 19950602 202406 2 005 + + Dosen Pembimbing, + + Bety Etikasari, S.Pd, M.Pd + NIP. 19920528 201803 2 001 + + Mengesahkan, +Ketua Jurusan Teknologi Informasi + +Hendra Yufit Riskiawan, S.Kom, M.Cs + NIP. 19830203 200604 1 003 + + iii + SURAT PERNYATAAN +Saya yang bertanda tangan di bawah ini : + + Nama : Daffa Fauzi Rahman + NIM : E41211408 + Menyatakan dengan sebenar-benarnya bahwa segala pernyataan dalam +Skripsi saya yang berjudul “Implementasi K-Means Clustering Dalam Pemetaan +Daerah Rawan Pencurian Kendaraan Bermotor Dan Pencurian Dengan Kekerasan +Berbasis Sistem Informasi Geografis (Studi Kasus Di Kabupaten Probolinggo)“ +merupakan gagasan dan hasil karya sendiri dengan arahan dosen pembimbing, dan +belum pernah diajukan dalam bentuk apapun pada perguruan tinggi mana pun. + Semua data dan informasi telah dinyatakan secara jelas dan dapat diperiksa +kebenarannya. Sumber informasi yang berasal atau dikutip dari karya yang +diterbitkan oleh penulis lain telah disebutkan dalam naskah dan dicantumkan dalam +daftar pustaka di bagian akhir skripsi ini. + + Jember, 19 Mei 2025 + + Daffa Fauzi Rahman + E41211408 + + iv + PERNYATAAN PERSETUJUAN + PUBLIKASI KARYA ILMIAH UNTUK + + KEPENTINGAN AKADEMIS + +Yang bertanda tangan di bawah ini, saya : + +Nama : Daffa Fauzi Rahman + +NIM : E41211408 + +Program Studi : D4 Teknik Informatika + +Jurusan : Teknologi Informasi + + Demi pengembangan Ilmu Pengetahuan, saya menyetujui untuk memberikan +kepada UPT. Perpustakaan Politeknik Negeri Jember, Hak Bebas Royalti +NonEkslusif (Non-Exclusive Royalty Free Right) atas Karya Ilmiah berupa Skripsi +saya yang berjudul: + + Implementasi K-Means Clustering Dalam Pemetaan Daerah Rawan +Pencurian Kendaraan Bermotor Dan Pencurian Dengan Kekerasan Berbasis + + Sistem Informasi Geografis (Studi Kasus Di Kabupaten Probolinggo) + + Dengan Hak bebas Royalti Non-Eklusif ini UPT. Perpustakaan Politeknik +Negeri Jember berhak menyimpan, mengalih media atau format, mengelola dalam +bentuk Pangkalan Data (Database), mendistribusikan karya dan menampilkan atau +mempublikasikannya di Internet atau media lain untuk kepentingan akademis tanpa +perlu memina ijin dari saya selama tetap mencantumkan nama saya sebagai penulis +atau pencipta. + + v + Saya bersedia untuk menanggung secara pribadi tanpa melibatkan pihak +Politeknik Negeri Jember, Segala Bentuk tuntutan hukum yang timbul atas +Pelanggaran Hak Cipta dalam Karya Ilmiah ini + +Demikian pernyataan ini saya buat dengan sebenarnya. + + Dibuat di : Jember + + Pada Tanggal : 19 Mei 2025 + + Yang menyatakan + + Nama : Daffa Fauzi Rahman + NIM : E41211408 + +vi + HALAMAN PERSEMBAHAN + + Segala puji dan syukur penulis panjatkan ke hadirat Allah SWT atas segala +limpahan rahmat, karunia, serta hidayah-Nya yang tiada henti. Shalawat dan salam +semoga senantiasa tercurah kepada junjungan Nabi Muhammad SAW sebagai +teladan sepanjang masa. Dengan penuh rasa syukur, penulis mempersembahkan +karya skripsi yang berjudul “Implementasi K-Means Clustering Dalam Pemetaan +Daerah Rawan Pencurian Kendaraan Bermotor Dan Pencurian Dengan Kekerasan +Berbasis Sistem Informasi Geografis (Studi Kasus Di Kabupaten Probolinggo)” +sebagai bentuk pencapaian dalam menyelesaikan studi pada Program Sarjana +Terapan di Program Studi D-IV Teknik Informatika. Pencapaian ini tidak terlepas +dari doa, bimbingan, dan dukungan yang tulus dari berbagai pihak yang telah +memberikan semangat serta motivasi kepada penulis selama proses studi dan juga +proses penyusunan skripsi hingga penyelesaian skripsi ini. Oleh karena itu karya +tulis ilmiah yang berupa skripsi ini, penulis persembahkan kepada : +1. Kedua orang tua penulis yaitu Bapak Budiman dan Ibu Mutmainah atas doa, + + kasih sayang, serta dukungan yang tak henti-hentinya dalam setiap langkah + penulis hingga berhasil menyelesaikan studi ini. +2. Bapak Saiful Anwar, S.TP.,M.P sebagai Direktur Politeknik Negeri Jember +3. Bapak Hendra Yufit Riskiawan, S.Kom.,M.Cs. sebagai Ketua Jurusan + Teknologi Informasi +4. Ibu Bety Etikasari, S.Pd., M.Pd. sebagai Koordinator Prodi D4 Teknik + Informatika sekaligus dosen pembimbing penulis yang telah memberikan + ilmu, bimbingan, masukan serta saran, dan juga motivasi kepada penulis. +5. Ibu Dia Bitari Mei Yuana, S.ST., M.Tr.Kom. dan Ibu Fatimatuzzahra, S.Kom., + M.Kom. sebagai dosen penguji yang telah memberikan bantuan, saran, + masukan, serta motivasi yang bersifat membangun. +6. Seluruh Dosen dan Staff Jurusan Teknologi Informasi yang juga telah + memberikan ilmu dan pengalaman yang bermanfaat selama masa studi. + + vii + 7. Kedua saudara penulis yaitu Dias Rizky Darmawan dan Dani Rifky Setiawan + yang juga telah memberikan dukungan kepada penulis dalam penyelesaian + studi dan skripsi ini. + +8. Seluruh personil kontrakan Keluarga Cemara ( Ilham, Arya Siwer, Rio + Bangla, Rizal (Bang Irul), Yudis Bimanet, Gus Lora Lana, Sugeng, Akbar, + Afin, Fawaid, Gigas, Rayhan (Didim) ) yang dengan sengaja menghambat + pengerjaan Skripsi ini dan Studi Penulis + +9. Seluruh pengurus HMJ TI periode 2023 dan 2022 yang juga memberikan + banyak dukungan serta pengalaman yang luar biasa. + +10. Almamater penulis yaitu Politeknik Negeri Jember + Penulis menyadari bahwa skripsi ini masih jauh dari kata sempurna. Oleh + +karena itu, penulis sangat terbuka terhadap segala bentuk masukan, kritik, dan saran +yang membangun demi perbaikan ke depannya. Penulis juga memohon maaf yang +sebesar-besarnya apabila terdapat kekeliruan maupun tidak tepatan dalam penulisan +maupun isi dari skripsi ini. + + viii + HALAMAN MOTO +“Sepusing Dan Seberat Apa Masalahmu Kursi Indomaret Adalah Solusi” + + (Daffa Rahman) + “Wes Ojok Serius Serius, Engko Dikiro Mahasiswa Cumlaude.” + + (Daffa Rahman) + “Deadline Dekat = Semangat Membara” + + (Daffa Rahman) + " Jare Mama Ndaa Popo Skripsian Tapi Maem Sek, + + Mikir Keri, Kadang Wareg Gowo Solusi” + (Daffa Rahman) + + "Jangan Takut Gagal, Yang Penting Jangan Lupa Semicolon (;)." + (Daffa Rahman) + + "Hidup Ituseperti Loop Tanpa Break: Muter Di Situ-Situ Aja." + (Daffa Rahman) + + ix + Implementasi K-Means Clustering Dalam Pemetaan Daerah Rawan + Pencurian Kendaraan Bermotor Dan Pencurian Dengan + Kekerasan Berbasis Sistem Informasi Geografis + (Studi Kasus Di Kabupaten Probolinggo) + + Dibimbing oleh Bety Etikasari, S.Pd.,M.Pd. + + Daffa Fauzi Rahman + Program Studi Teknik Informatika + + Jurusan Teknologi Informasi + + ABSTRAK + +Peningkatan kasus kriminalitas di Kabupaten Probolinggo, khususnya pencurian +dengan kekerasan (curas) dan pencurian kendaraan bermotor (curanmor), +mendorong perlunya strategi pencegahan berbasis data spasial. Penelitian ini +bertujuan untuk menerapkan algoritma K-Means Clustering dengan perhitungan +jarak menggunakan persamaan Manhattan satu dimensi dalam pemetaan daerah +rawan curas dan curanmor, menentukan nilai k optimal menggunakan metode +elbow, serta memvisualisasikan hasil klastering pada web GIS. Hasil penelitian +menunjukkan bahwa algoritma K-Means berhasil diterapkan secara otomatis +melalui sistem berbasis web, yang memudahkan integrasi data dengan peta wilayah. +Berdasarkan analisis Sum of Squared Errors (SSE), nilai k optimal untuk kedua +jenis data adalah k = 3, ditunjukkan oleh penurunan SSE yang signifikan antara k += 2 dan k = 3. Visualisasi peta interaktif berhasil menampilkan klaster aman, +sedang, dan rawan untuk masing-masing kecamatan. Hasil klastering menunjukkan +bahwa kasus curas memiliki distribusi: 1 kecamatan rawan, 4 sedang, dan 19 aman, +sedangkan kasus curanmor terdiri dari: 1 kecamatan rawan, 6 sedang, dan 17 aman. +Perbedaan ini menunjukkan bahwa setiap jenis kejahatan memiliki pola kerawanan +yang berbeda, sehingga diperlukan pemetaan dan penanganan yang spesifik. Sistem +ini diharapkan dapat menjadi alat bantu pengambilan keputusan bagi pihak +berwenang dalam upaya pencegahan kejahatan yang lebih efektif. + +Kata Kunci : K-means, Manhattan Distance, Elbow Method. Pencurian Dengan +Kekerasan (Curas), Pencurian Kendaraan Bermotor (Curanmor) + + x + Implementation of K-Means Clustering in Mapping Areas Prone to + Motor Vehicle Theft and Violent Theft Based on Geographic + Information Systems (Case Study in Probolinggo Regency) + + Bety Etikasari, S.Pd.,M.Pd.as a supervisor + + Daffa Fauzi Rahman + Study Program of Informatics Engineering + + Department of Information Technology + + ABSTRACT + +The increasing crime rate in Probolinggo Regency, particularly robbery with +violence (curas) and motor vehicle theft (curanmor), necessitates spatial data- +based prevention strategies. This study aims to implement the K-Means Clustering +algorithm using a one-dimensional Manhattan distance formula to map high-risk +areas of curas and curanmor, determine the optimal value of k using the elbow +method, and visualize the clustering results through a web-based GIS. The results +show that the K-Means algorithm was successfully applied automatically through +a web-based system, enabling seamless data integration with regional maps. Based +on the analysis of the Sum of Squared Errors (SSE), the optimal number of clusters +for both types of data is k = 3, as indicated by a significant SSE decrease between +k = 2 and k = 3. The interactive map visualization effectively displays safe, +moderate, and high-risk clusters for each sub-district. The clustering results reveal +that the curas cases are distributed into 1 high-risk, 4 moderate, and 19 safe sub- +districts, while the curanmor cases are grouped into 1 high-risk, 6 moderate, and +17 safe sub-districts. These differences indicate that each type of crime has distinct +vulnerability patterns, making specific mapping and handling approaches +necessary. This system is expected to serve as a decision support tool for authorities +in more effective crime prevention efforts. + +Keywords: K-Means, Manhattan Distance, Elbow Method, Aggravated Robbery +(Curas), Vehicle Theft (Curanmor). + + xi + RINGKASAN + + Implementasi K-Means Clustering Dalam Pemetaan Daerah Rawan +Pencurian Kendaraan Bermotor Dan Pencurian Dengan Kekerasan Berbasis +Sistem Informasi Geografis (Studi Kasus Di Kabupaten Probolinggo), Daffa +Fauzi Rahman, NIM. E41211408, Teknologi Informasi, Politeknik Negeri Jember, +Bety Etikasari, S.Pd.,M.Pd. (Dosen Pembimbing). + + Peningkatan kasus kriminalitas di Kabupaten Probolinggo, khususnya +pencurian dengan kekerasan (curas) dan pencurian kendaraan bermotor (curanmor), +menuntut adanya strategi pencegahan berbasis spasial. Penelitian ini bertujuan +untuk menerapkan algoritma K-Means dengan perhitungan jarak menggunakan +persamaan Manhattan satu dimensi guna memetakan daerah rawan curas dan +curanmor, menentukan jumlah klaster optimal menggunakan metode elbow, serta +menampilkan hasilnya dalam bentuk visualisasi peta interaktif pada web GIS. + + Hasil penelitian menunjukkan bahwa nilai k optimal untuk masing-masing +data adalah k = 3, dengan penurunan signifikan pada nilai SSE. Sistem berhasil +mengelompokkan wilayah menjadi tiga klaster (aman, sedang, rawan), di mana +untuk curas terdapat 1 kecamatan rawan, 4 sedang, dan 19 aman, sedangkan untuk +curanmor terdiri dari 1 kecamatan rawan, 6 sedang, dan 17 aman. + + Kesimpulan dari penelitian ini adalah bahwa implementasi K-Means berbasis +web dengan metode jarak Manhattan dapat memetakan daerah rawan kejahatan +secara efektif dan interaktif, serta dapat menjadi alat bantu pengambilan keputusan +dalam upaya pencegahan kriminalitas di Kabupaten Probolinggo. + + xii + HALAMAN PRAKATA + + Segala puji dan syukur penulis panjatkan ke hadirat Allah SWT atas segala +limpahan rahmat, karunia, serta hidayah-Nya yang tiada henti, sehingga dapat +terselesaikannya skripsi yang berjudul “Implementasi K-Means Clustering Dalam +Pemetaan Daerah Rawan Pencurian Kendaraan Bermotor Dan Pencurian Dengan +Kekerasan Berbasis Sistem Informasi Geografis (Studi Kasus Di Kabupaten +Probolinggo)”. + + Penulisan skripsi ini disusun sebagai salah satu syarat untuk meraih gelar +Sarjana Terapan Komputer (S.Tr.Kom) pada program studi D4 Teknik Informatika +di Politeknik Negeri Jember. Banyak pihak yang turut memberikan dukungan +sehingga skripsi ini bisa disusun. Oleh karena itu penulis mengucapkan banyak +terima kasih kepada +1. Bapak Budiman dan Ibu Mutmainah sebagai orang tua penulis +2. Bapak Saiful Anwar, S.TP.,M.P sebagai Direktur Politeknik Negeri Jember +3. Kapolres Probolinggo AKBP Wisnu Wardana, S.H., S.I.K. +4. Bapak Hendra Yufit Riskiawan, S.Kom.,M.Cs. sebagai Ketua Jurusan + + Teknologi Informasi +5. Ibu Bety Etikasari, S.Pd.,M.Pd. sebagai Koordinator Prodi D4 Teknik + + Informatika sekaligus dosen pembimbing penulis yang telah memberikan + ilmu, bimbingan, masukan serta saran, dan juga motivasi kepada penulis. +6. Ibu Dia Bitari Mei Yuana, S.ST., M.Tr.Kom. dan Ibu Fatimatuzzahra, S.Kom., + M.Kom. sebagai dosen penguji yang telah memberikan bantuan, saran, + masukan, serta motivasi yang bersifat membangun. +7. Kasat PSDM dan Kasat Reskrim Polres Probolinggo +8. Bapak Andi Tri Nugroho, S. H, sebagai PS Kaurmintu Satreskrim Polres + Probolinggo +9. Teman teman dan seluruh pihak yang telah membantu dalam penelitian dan + penyusunan skripsi ini. + Penulis menyadari bahwa skripsi ini masih jauh dari kata sempurna. Oleh +karena itu, penulis sangat terbuka terhadap segala bentuk masukan, kritik, dan saran + + xiii + yang membangun demi perbaikan ke depannya. Penulis juga memohon maaf yang +sebesar-besarnya apabila terdapat kekeliruan maupun tidak tepatan dalam penulisan +maupun isi dari skripsi ini. Semoga skripsi ini bermanfaat bagi kita semua. + + Jember, 19 Mei 2025 + Daffa Fauzi Rahman + + xiv + DAFTAR ISI + + Halaman + +HALAMAN SAMPUL ............................................................................. i + +HALAMAN JUDUL ................................................................................. ii + +HALAMAN PENGESAHAN .................................................................. iii + +SURAT PERNYATAAN .......................................................................... iv + +PERNYATAAN PERSETUJUAN PUBLIKASI .................................. v + +HALAMAN PERSEMBAHAN ............................................................... vii + +HALAMAN MOTO .................................................................................. ix + +ABSTRAK ................................................................................................. x + +ABSTRACT ................................................................................................ xi + +RINGKASAN ............................................................................................ xii + +HALAMAN PRAKATA........................................................................... xiii + +DAFTAR ISI.............................................................................................. xv + +DAFTAR GAMBAR ................................................................................. xix + +DAFTAR TABEL ..................................................................................... xxi + +DAFTAR LAMPIRAN ............................................................................. xxiii + +BAB 1. PENDAHULUAN ....................................................................... 1 + +1.1 Latar Belakang..................................................................... 1 + +1.2 Rumusan Masalah ............................................................... 3 + +1.3 Tujuan Penelitian................................................................. 4 + +1.4 Manfaat................................................................................. 4 + +1.5 Batasan Masalah .................................................................. 4 + +xv + BAB 2. TINJAUAN PUSTAKA.............................................................. 5 + +2.1 State Of The Art .................................................................... 5 + +2.2 Landasan Teori .................................................................... 8 + +2.2.1 Curanmor dan Curas..................................................... 8 + +2.2.2 Sistem Informasi Geografis (SIG)................................ 8 + +2.2.3 K-Means Clustering ..................................................... 11 + +2.2.4 Metode Elbow............................................................... 13 + +2.2.5 User Acceptance Testing (UAT) .................................. 14 + +2.2.6 Black Box Testing ......................................................... 15 + +BAB 3. METODE PENELITIAN........................................................... 17 + +3.1 Tempat dan Waktu Pelaksanaan ....................................... 17 + +3.2 Alat dan Bahan..................................................................... 17 + +3.2.1 Alat Penelitian .............................................................. 17 + +3.2.2 Bahan Penelitian........................................................... 17 + +3.3 Tahapan Penelitian .............................................................. 18 + +3.3.1 Studi Literatur............................................................... 18 + +3.3.2 Pengumpulan Data ....................................................... 18 + +3.3.3 Pengolahan Data ........................................................... 19 + +3.3.4 Pengembangan Sistem.................................................. 22 + +3.3.5 Pengujian ...................................................................... 23 + +3.3.6 Analisis dan Pembahasan ............................................. 26 + +BAB 4. HASIL DAN PEMBAHASAN ................................................... 27 + +4.1 Studi Literatur ..................................................................... 27 + +4.2 Pengumpulan Data .............................................................. 28 + +xvi + 4.2.1 Data Kasus Curanmor .................................................. 28 + +4.2.2 Data Kasus Curas ......................................................... 30 + +4.3 Pengolahan Data .................................................................. 31 + +4.3.1 Filter ............................................................................. 31 + +4.3.2 Penggabungan Data ...................................................... 32 + +4.3.3 Normalisasi Data .......................................................... 33 + +4.3.4 Menghitung Jumlah Data dan Variasi Data ................. 37 + +4.3.5 Menentukan nilai k ....................................................... 38 + +4.3.6 Menentukan Centroid Awal Pada Setiap Klaster ......... 41 + +4.3.7 Menghitung Jarak Setiap Data Terhadap Centroid ...... 42 + +4.3.8 Menentukan Nilai Centroid Baru ................................. 47 + +4.3.9 Melakukan Iterasi Selanjutnya ..................................... 48 + +4.3.10 Hasil Akhir K-Means Clustering ................................ 49 + +4.4 Pengembangan Sistem ......................................................... 56 + +4.4.1 Flowchart Sistem ......................................................... 57 + +4.4.2 Use Case Diagram........................................................ 64 + +4.4.3 Database Sistem........................................................... 65 + +4.4.4 Fitur Fitur Pada Sistem................................................. 72 + +4.5 Pengujian .............................................................................. 83 + +4.5.1 Black Box Testing ......................................................... 83 + +4.5.2 User Acceptance Testing .............................................. 86 + +4.5.3 Pengujian Metode ......................................................... 90 + +4.6 Analisis dan Pembahasan.................................................... 93 + +4.6.1 Nilai K Optimal ............................................................ 93 + +4.6.2 Penerapan Algoritma K-Means Pada Sistem................ 95 + +xvii + 4.6.3 Sistem Pemetaan Kasus Curas dan Curanmor Di Kabupaten + +Probolinggo ............................................................................ 96 + +BAB 5. KESIMPULAN DAN SARAN ................................................... 98 + +5.1 Kesimpulan........................................................................... 98 + +5.2 Saran ..................................................................................... 99 + +DAFTAR PUSTAKA ................................................................................ 100 +LAMPIRAN............................................................................................... 103 + +xviii + DAFTAR GAMBAR + + Halaman + +Gambar 2.1 Gambaran Data Spasial ........................................................... 10 + +Gambar 2.2 Tahapan Algoritma K-Means Clustering................................. 12 + +Gambar 3.1 Tahapan Penelitian .................................................................. 18 + +Gambar 4.1 Grafik Perkembangan Kasus Curanmor di Kab. Probolinggo Tahun + +2022 - 2024 ................................................................................................. 28 + +Gambar 4.2 Grafik Perkembangan Kasus Curas di Kab. Probolinggo Tahun 2022 - + +2024 ............................................................................................................. 30 + +Gambar 4.3 Grafik Frekuensi Pada Setiap Variasi Data Curas ................... 37 + +Gambar 4.4 Grafik Frekuensi Pada Setiap Variasi Data Curanmor ............ 38 + +Gambar 4.5 Grafik Metode Elbow Kasus Curas......................................... 39 + +Gambar 4.6 Grafik Metode Elbow Kasus Curanmor.................................. 40 + +Gambar 4.7 Flowchart Sistem Fitur Login ................................................. 57 + +Gambar 4.8 Flowchart Sistem Fitur Tambah Data Curas ........................... 58 + +Gambar 4.9 Flowchart Sistem Fitur Batalkan Penambahan Curas ............. 59 + +Gambar 4.10 Flowchart Sistem Fitur Tambah Data Curanmor .................. 60 + +Gambar 4.11 Flowchart Sistem Fitur Batalkan Tambahan Data Curanmor 61 + +Gambar 4.12 Flowchart Sistem Fitur Tampil Hasil Pemetaan.................... 62 + +Gambar 4.13 Flowchart Sistem Fitur Logout.............................................. 63 + +Gambar 4.14 Use Case Diagram ................................................................. 64 + +Gambar 4.15 Database Sistem .................................................................... 66 + +Gambar 4.16 Tabel Data Users ................................................................... 67 + +Gambar 4.17 Data Tabel Kecamatans ......................................................... 67 + +Gambar 4.18 Struktur Tabel Klasters .......................................................... 68 + +Gambar 4.19 Struktur Tabel Curas.............................................................. 69 + +Gambar 4.20 Struktur Tabel Detail_Curas .................................................. 70 + +Gambar 4.21Struktur Tabel Curanmors ...................................................... 70 + +Gambar 4.22 Struktur Tabel Detail_Curanmors ......................................... 71 + +Gambar 4.23 Halaman Utama..................................................................... 72 + +xix + Gambar 4.24 Halaman Login...................................................................... 74 + +Gambar 4.25 Halaman Dashboard Admin .................................................. 75 + +Gambar 4.26 Halaman Master Kecamatan ................................................. 76 + +Gambar 4.27 Halaman Master Kkaster ....................................................... 77 + +Gambar 4.28 Halaman Master Data Curas ................................................. 78 + +Gambar 4.29 Halaman Master Data Curanmor........................................... 80 + +Gambar 4.30 Halaman Hasil Pemetaan ...................................................... 81 + +Gambar 4.31 Halaman Detail Perhitungan K-Means ................................. 82 + +Gambar 4.32 Grafik Jumlah Klaster Yang Mudah Dipahami ..................... 94 + +Gambar 4.33 Grafik Validasi Hasil K-Means Terhadap Ketetapan Polres . 95 + +Gambar 4.34 Grafik Nilai Hasil Pengujian Web........................................ 97 + +xx + DAFTAR TABEL + + Halaman + +Tabel 2.1 State Of The Art ........................................................................... 5 + +Tabel 3.1 Ambang Batas Pengkategorian Kasus......................................... 25 + +Tabel 4.1 Data Curas dan Curanmor Yang Telah di Filter .......................... 32 + +Tabel 4.2 Data Curas dan Curanmor Yang Sudah Digabungkan ................ 32 + +Tabel 4.3 Hasil Normalisasi Data Kasus Curas .......................................... 34 + +Tabel 4.4 Hasil Normalisasi Data Kasus Curanmor.................................... 36 + +Tabel 4.5 NIlai SSE di Setiap Nilai k Pada Data Kasus Curas ................... 39 + +Tabel 4.6 Nilai SSE Setiap Nilai k Pada Data Kasus Curanmor................. 40 + +Tabel 4.7 Nilai Centroid Awal Data Kasus Curas ....................................... 41 + +Tabel 4.8 Nilai Centroid Awal Data Kasus Curas ....................................... 41 + +Tabel 4.9 Perhitungan Jarak Pada Kasus Curas di Iterasi Pertama ............. 43 + +Tabel 4.10 Hasil Klaster Sementara Pada Kasus Curas di Iterasi Pertama . 44 + +Tabel 4.11 Perhitungan Jarak Pada Kasus Curanmor di Iterasi Pertama .... 45 + +Tabel 4.12 Hasil Klaster Sementara Pada Kasus Curanmor di Iterasi Pertama 46 + +Tabel 4.13 Centroid Baru Hasil Iterasi Pertama Data Kasus Curas ............ 47 + +Tabel 4.14 Centroid Baru Hasil Iterasi Pertama Data Kasus Curanmor ..... 48 + +Tabel 4.15 Centroid Akhir Data Kasus Curas ............................................. 49 + +Tabel 4.16 Iterasi Akhir Data Kasus Curas ................................................. 50 + +Tabel 4.17 Hasil Akhir Klaster Kasus Curas............................................... 51 + +Tabel 4.18 Hasil Akhir Klaster Data Curas ................................................. 52 + +Tabel 4.19 Centroid Akhir Data Kasus Curanmor ...................................... 53 + +Tabel 4.20 Iterasi Akhir Kasus Curanmor................................................... 53 + +Tabel 4.21 Hasil Akhir Klaster Kasus Curanmor........................................ 55 + +Tabel 4.22 Hasil Akhir Klaster Kasus Curanmor....................................... 55 + +Tabel 4.23 Tabel Hasil Black Box Testing ................................................... 84 + +Tabel 4.24 Hasil Penilaian UAT.................................................................. 87 + +Tabel 4.25 Hasil Pengujian UAT Responden Golongan II.......................... 88 + +Tabel 4.26 Hasil Pengujian Metode Pada Data Kasus Curas...................... 90 + +xxi + Tabel 4.27 Hasil Pengujian Metode Pada Data Kasus Curanmor ............... 92 + +Tabel 4.28 Nilai K Optimal ......................................................................... 93 + +xxii + DAFTAR LAMPIRAN + Halaman + +LAMPIRAN 1 Data Kasus Curas dan Curanmor Polres Probolinggo ...... 103 +LAMPIRAN 2 Surat Izin Penelitian .......................................................... 105 +LAMPIRAN 3 Serah Terima Data dari Polres Probolinggo ...................... 106 +LAMPIRAN 4 Penyerahan Surat dan Sertifikat dari Polres ...................... 107 +LAMPIRAN 5 Sertifikat Selesai Penelitian............................................... 108 +LAMPIRAN 6 Surat Selesai Penelitian ..................................................... 109 +LAMPIRAN 7 Pengujian Sistem Oleh Polres ........................................... 110 +LAMPIRAN 8 Pertanyaan UAT Responden Gol I .................................... 111 +LAMPIRAN 9 Pertanyaan dan Hasil UAT Responden Gol II................... 112 +LAMPIRAN 10 Perhitungan K-Means Curas ........................................... 116 +LAMPIRAN 11 Pehitungan K-Means Kasus Curanmor ........................... 118 +LAMPIRAN 12 Hasil Black Box Testing.................................................. 124 +LAMPIRAN 13 Hasil UAT Responden Gol I............................................ 130 + + xxiii + BAB 1. PENDAHULUAN + +1.1 Latar Belakang + Tindakan kriminal merugikan seluruh lapisan masyarakat baik dalam segi + +ekonomis, psikologi, dan juga merupakan tindakan yang melanggar hukum dan +norma-norma agama maupun sosial yang ada pada masyarakat (Rohman, 2023). +Jenis-jenis tindakan kriminal ada beberapa, seperti : pencurian, pembunuhan, tindak +asusila, dan lain sebagainya (Apriliana & Haris R, 2022).Badan Pusat Statistik +(BPS) menyatakan bahwa tingkat kriminalitas di Indonesia mengalami kenaikan, +dari yang semula 239.481 kasus pada tahun 2021, kemudian meningkat sebanyak +372.965 kasus di tahun 2022. Atau dapat dinyatakan dalam 1 menit 24 detik terjadi +satu tindak kriminalitas di wilayah Indonesia. Jika dilihat lebih detail lagi pada +publikasi BPS tersebut, provinsi dengan tingkat kriminalitas tertinggi terjadi pada +provinsi Jawa Timur dengan jumlah kasus sebesar 51.905 kasus. (BPS, 2023) + + Salah satu kabupaten pada provinsi Jawa Timur yang memiliki tingkat +kriminalitas tertinggi di tahun 2022 adalah Kabupaten Probolinggo. Pada +Kabupaten Probolinggo, tingkat kriminalitas dari tahun 2021 - 2022 juga +mengalami peningkatan. Menurut Badan Pusat Statistik Kabupaten Probolinggo, +tindak kriminalitas yang terjadi di wilayah hukum Polres Probolinggo pada tahun +2021 tercatat sebanyak 399 kasus, sedangkan pada tahun 2022 tindak kriminalitas +yang tercatat sebanyak 442 kasus (BPS Kab Probolinggo, 2023). Dari data tersebut +dapat dinyatakan terjadi kenaikan sebesar 9,7 %. Jenis tindak kriminalitas yang +paling banyak terjadi pada jenis tindak kriminal pencurian. Tindak kriminal +pencurian ini terbagi lagi dalam tiga kategori, yaitu pencurian dengan +pemberatan(curat), pencurian kendaraan bermotor (curanmor), dan pencurian +dengan kekerasan (curas). Namun tindak kriminal berupa pencurian yang paling +banyak terjadi adalah pencurian dengan kekerasan (curas) dan pencurian kendaraan +bermotor (curanmor). + + Dengan tingginya kasus curas dan curanmor tersebut dapat memberikan +kesan bahwa Kabupaten Probolinggo kurang aman. Salah satu upaya preventif +dalam memberikan rasa aman bagi penduduk asli Kabupaten Probolinggo maupun + + 1 + 2 + +wisatawan yang berkunjung ke Kabupaten Probolinggo dengan memberikan +pengamanan atau patroli pada beberapa titik kecamatan yang dapat dibilang rawan +akan terjadinya tindak curas dan curanmor. Dalam menentukan suatu daerah +tersebut termasuk ke dalam daerah rawan atau aman perlu dilakukan pemetaan +untuk memastikannya, dan hasil dari pemetaan tersebut bisa dipublikasikan agar +setiap orang dapat mengetahuinya. Selain itu dapat membantu pihak kepolisian agar +lebih fokus dalam menangani tindak pidana curas dan curanmor. Pada Kabupaten +Probolinggo sendiri belum ada pemetaan tentang tingkat kerawanan suatu +kecamatan terhadap kasus tindak curas dan curanmor. + + Sebelum ini terdapat beberapa penelitian yang membahas tentang pemetaan +kasus kriminalitas baik dengan menggunakan algoritma clustering ataupun tidak. +Seperti pada penelitian yang dilakukan pada tahun 2023 oleh Yefri Ardiansyah, dkk +yang menyatakan telah berhasil mengembangkan aplikasi berupa sistem informasi +geografis (SIG) kriminalitas di Kabupaten Cilacap. Namun, pada SIG yang +dikembangkan oleh Yefri Ardiansyah, dkk tidak menggunakan algoritma +clustering, sehingga hanya menampilkan titik lokasi terjadinya tindak pidana +kriminalitas. (Ardiansyah & Harjono, 2021). Kemudian Risawandi, dkk pada +penelitiannya telah mengembangkan SIG yang memetakan daerah rawan +kriminalitas di Kota Lhokseumawe untuk setiap kecamatan yang ada di kota +tersebut. Pada penelitian tersebut menggunakan 290 data kriminalitas yang terjadi +selama tahun 2018 hingga 2020. Pada penelitian tersebut Risawandi, dkk +menggunakan algoritma K-means untuk bisa mengkategorikan atau +mengklasterkan kecamatan pada Kota Lhokseumawe berdasarkan tingkat +kriminalitas yang terjadi (Risawandi & Afrillia, 2022). Selain itu terdapat juga +penelitian yang dilakukan oleh Tutut Suryani untuk memetakan kerusakan jalan di +Kabupaten Malang menggunakan algoritma k-means dengan menghasilkan tiga +klaster dan mendapatkan akurasi 100% (Suryani et al., 2021). Pada beberapa +penelitian yang telah dipaparkan, dalam mengimplementasikan algoritma k-means +clustering, semua penelitian tersebut menggunakan persamaan euclidean distance +dalam mengukur jarak data terhadap centroid. Padahal menurut (Alifah & Fauzan, +2023) persamaan untuk pengukuran jarak data terhadap centroid di k-means tidak + 3 + +hanya bisa menggunakan persamaan euclidean distance, namun bisa menggunakan +persamaan manhattan yang hasil akhir klasternya tergolong baik. Selain itu pada +penelitian yang telah dipaparkan, tidak terdapat penelitian yang menyatakan nilai k +paling optimal untuk masing-masing datanya, sehingga mungkin saja jumlah +klaster yang terbentuk bukanlah klaster yang paling optimal. + + Berdasarkan penelitian dan data-data yang telah di paparkan, dapat +disimpulkan bahwa Kabupaten Probolinggo perlu menerapkan pemetaan daerah +rawan curas dan curanmor pada setiap kecamatan yang berbasis Sistem Informasi +Geografis. Untuk mengkategorikan kerawanan suatu daerah, penulis menggunakan +algoritma k-means clustering dengan perhitungan jarak antar data menggunakan +persamaan manhattan. Selain itu pada penelitian ini juga akan menentukan nilai k +atau jumlah klaster yang paling optimal, sehingga informasi yang dihasilkan lebih +akurat. Kemudian hasil dari clustering yang telah dilakukan pada setiap kasus, akan +divisualisasikan ke dalam peta wilayah Kabupaten Probolinggo dengan warna yang +mencerminkan tingkat kerawanan wilayah tersebut, sehingga lebih mudah untuk +dipahami oleh para penduduk maupun pengunjung. Selain itu hasil dari pemetaan +tersebut bisa digunakan oleh aparat kepolisian sebagai pedoman dalam +memfokuskan patroli atau pengamanan yang harus dilakukan. + +1.2 Rumusan Masalah + Dari latar belakang di atas, terdapat beberapa rumusan masalah dalam + +penelitian ini, sebagai berikut : +1. Bagaimana menerapkan algoritma K - Means dengan perhitungan jarak +menggunakan persamaan manhattan pada web pemetaan daerah rawan curas dan +curanmor di Kabupaten Probolinggo? +2. Berapa nilai k yang optimal untuk algoritma K - Means yang diterapkan pada +masing-masing data Curas dan Curanmor ? +3. Bagaimana memvisualisasikan hasil clustering ke dalam web pemetaan +daerah rawan curas dan curanmor di Kabupaten Probolinggo yang berbasis sistem +informasi geografis? + 4 + +1.3 Tujuan Penelitian + Berdasarkan latar belakang dan rumusan masalah di atas terdapat beberapa + +tujuan dalam penelitian ini, sebagai berikut: +1. Mampu menerapkan algoritma K – Means Clustering dengan perhitungan +jarak menggunakan persamaan manhattan pada web pemetaan daerah rawan curas +dan curanmor di Kabupaten Probolinggo. +2. Mengetahui nilai k yang optimal untuk algoritma K - Means yang diterapkan +pada masing-masing data Curas dan Curanmor. +3. Mampu memvisualisasikan hasil clustering ke dalam web pemetaan daerah +rawan curas dan curanmor di Kabupaten Probolinggo yang berbasis sistem +informasi geografis. + +1.4 Manfaat + Dengan adanya penelitian ini, diharapkan dapat memberikan manfaat berupa + +informasi kepada Kepolisian Resort Kabupaten Probolinggo tentang kecamatan +yang memiliki tingkat pencurian kendaraan bermotor (curanmor) dan pencurian +dengan kekerasan (curas) tinggi atau rendah sehingga dapat dijadikan acuan +terjadinya kasus serupa pada tahun-tahun berikutnya. Selain itu informasi yang +diberikan dapat dipertimbangkan sebagai dasar untuk melakukan patroli rutin dan +pemfokusan patroli atau upaya preventif lainnya dalam pencegahan terjadinya +kasus curas dan curanmor di Kabupaten Probolinggo. + +1.5 Batasan Masalah +1. Data yang digunakan pada penelitian ini merupakan data kasus curas dan +curanmor pada tahun 2022 - 2024 yang didapatkan dari Kepolisian Resort +Kabupaten Probolinggo. +2. Tindak kriminal yang digunakan dalam penelitian ini hanya pada kategori +pencurian kendaraan bermotor (curanmor) dan pencurian dengan kekerasan (curas) + BAB 2. TINJAUAN PUSTAKA + +2.1 State Of The Art +Tabel 2.1 State Of The Art + +No. Judul Penulis Tahun Hasil + +1 Sistem Tutut 2021 Menghasilkan tiga klaster, + + Informasi Suryani, dengan klaster 1 beranggotakan + + Geografis Ahmad 221 data, klaster 2 + + Pemetaan Faisol, dkk beranggotakan 24 data, dan + + Kerusakan klaster 3 memiliki anggota 65 + + Jalan di data. Akurasi yang didapatkan + + Kabupaten mencapai 100% + + Malang + + Menggunakan + + Metode K- + + Means + +2 Geographic Risawandi 2022 Melakukan pemetaan daerah + + Information dan Yesy rawan kriminalitas + + System Afrillia (menggunakan 7 tipe kasus + + Mapping Of kriminalitas ) di Kota + + Criminality Lhokseumawe yang terjadi + + Villed Areas In selama tahun 2018 hingga + + Lhokseumawe 2020. Menggunakan algoritma + + Using K- K-means untuk bisa + + Means Method mengkategorikan atau + + mengklasterkan daerah pada + + Kota Lhokseumawe + + berdasarkan tingkat + + kriminalitas yang terjadi + + 5 + 6 + +3 Implementasi Riska Fitri 2023 Algoritma K-means + +Algoritma K- Nur Alifah menggunakan persamaan + +Means dan Abd, manhattan yang dilakukan + +Clustering Charis sebanyak delapan iterasi + +Berbasis Jarak Fauzan menghasilkan 4 cluster yaitu + +Manhattan Klaster Sistem Informasi + +Untuk sebanyak 5 anggota, Klaster + +Klasterisasi Sistem Cerdas sebanyak 21 + +Konsentrasi anggota, Klaster NCC sebanyak + +Bidang 32 anggota, dan Klaster Game + +Mahasiswa Animasi sebanyak 4 anggota. + + Selain itu Algortima K-means + + menggunakan persamaan + + manhattan mendapatkan nilai + + 0,27 setelah di uji + + menggunakan Davied Bouldien + + Indeks (DBI) yang tergolong + + baik. + +4 Metode Elbow Nadia 2023 Menentukan nilai k atau jumlah + +Dalam Annisa klaster menggunakan metode + +Optimasi Maori elbow dengan nilai k = 3, dan + +Jumlah Cluster menghasilkan klaster yang + +Pada K-Means tingkat kemiripan setiap + +Clustering anggotanya lebih baik dari pada + + pemilihan nilai k secara acak. + 7 + +5 Perbandingan Faisal Nur 2023 Kedua persamaan sama-sama + +Metode Cahya, menghasilkan 3 klaster. Selain + +Perhitungan Yudi itu dalam segi proses + +Jarak Mahatma, pengerjaan, kmeans clustering + +Euclidean Siti menggunakan persamaan + +dengan Rohmah Manhattan lebih cepat bila + +Perhitungan Rohimah dibandingkan dengan + +Jarak Euclidean dsitance. + +Manhattan + +pada K-Means + +Clustering + +Dalam + +Menentukan + +Penyebaran + +Covid di Kota + +Bekasi + + Dari beberapa penelitian yang telah dipaparkan pada state of the art di atas +peneliti menyimpulkan bahwa penelitian ini sejalan dengan penelitian yang +dilakukan oleh Risawandi dan Yesy Afrillia di tahun 2022, namun lebih spesifik +pada kasus tindak pidana pencurian dengan kekerasan (curas) dan kasus pencurian +kendaraan bermotor juga (curanmor) di Kabupaten Probolinggo pada tahun 2024. +Selain itu peneliti juga menggunakan metode K-Means Clustering dalam +menentukan suatu kecamatan di Kabupaten Probolinggo termasuk dalam klaster +apa berdasarkan tingkat kasus curas dan curanmornya, namun untuk persamaan +pengukuran jarak antar data, peneliti sejalan dengan dua penelitian yang dilakukan +oleh Riska Fitri Nur Alifah, dkk pada tahun 2023 dan juga penelitian yang +dilakukan oleh Faisal Nur Cahya pada tahun 2023 dengan mengimplementasikan +persamaan manhattan guna mengetahui keakurasiannya. Kemudian untuk +mengoptimalkan hasil klaster yang terbentuk peneliti menerapkan metode elbow + 8 + +untuk menentukan nilai k yang paling optimal, sesuai dengan penelitian yang +dilakukan oleh Nadia Anisa Maori di tahun 2023. + +2.2 Landasan Teori +2.2.1 Curanmor dan Curas + + KUHP ( Kitab Undang-undang Hukum Pidana) pada pasal 362 menyatakan +bahwa perbuatan pelaku kejahatan dengan mengambil suatu barang berupa +kendaraan bermotor yang seluruhnya atau sebagian kepunyaan orang lain +dengan maksud untuk memiliki kendaraan bermotor tersebut secara melawan +hukum. Perbuatan kejahatan dengan mengambil kendaraan bermotor atau yang +sering disebut curanmor berdasarkan pasal tersebut termasuk ke dalam tindak +pidana pencurian. Sama seperti pencurian dengan kekerasan atau yang sering +disebut curas merupakan bagian dari tindak pidana pencurian yang disertai +kekerasan ataupun ancaman kekerasan. Peraturan terkait curas ini juga diatur pada +KUHP ( Kitab Undang-undang Hukum Pidana) pada pasal 365. Kasus curas sering +dianggap lebih serius dan berbahaya daripada jenis kasus pencurian lainnya, karena +sudah melibatkan ancaman fisik dan psikologis korban, bahkan juga mengancam +nyawa. + +2.2.2 Sistem Informasi Geografis (SIG) + Nugroho menjelaskan tentang pengertian dan tujuan Sistem Informasi + +geografis dalam (Umar, 2021) bahwa Geograpic Information System atau Sistem +Informasi Geografis (SIG) merupakan aplikasi pengolahan data spasial dengan +menggunakan sistem terkomputerisasi yang menggabungkan antara data grafis +dengan data atribut objek menggunakan peta dasar digital (basic map) geoerensi +bumi. Tujuan utama SIG untuk mengumpulkan, menyimpan, mengolah dan +menganalisa, serta menyajikan data informasi dari suatu objek atau fenomena yang +berkaitan dengan letak atau keberadaannya di permukaan bumi yang bertujuan +untuk membantu masyarakat mencari lokasi yang sedang dicari. Teknologi SIG +mengintegrasi operasi-operasi umum database, seperti query, dan analisa statistic, +dengan kemampuan visualisasi dan analisa yang unik yang dimiliki oleh pemetaan. + 9 + +Kemampuan inilah yang membedakan SIG dengan Sistem Informasi lainnya +(Umar, 2021). + + Sistem Informasi Geografis (GIS) memiliki cicri ciri khusus seperti yang +disampaikan oleh Susianto dan Guntoro dalam (Andrea Santana Adzani, 2022), +sebagai berikut : +a. Masukan data yang mampu memuat dan memproses data spasial yang +memiliki perbedaan jenis, seperti dari peta kontur menjadi titik ketinggian. +b. Subsistem SIG mampu menyimpan dan memanggil data yang +memungkinkan data spasial untuk ditampilkan, diubah, dan dihapus. +c. Mampu memanipulasi dan menganalisis peran data, pengelompokan dan +pemisahan, perkiraan parameter dan hambatan, serta fungsi permodelan dari data +yang dimuat. +d. Pelaporan yang dimiliki subsistem SIG berbentuk peta, grafis, dan tabel. + + Menurut Susianto dan Guntoro juga dalam (Andrea Santana Adzani, 2022) +suatu sistem informasi geografis memiliki beberapa sub sistem, sebagai berikut : +a. Data Input + + Data input berfungsi untuk mengumpulkan lalu mempersiapkan suatu data +spasial beserta atributnya dari berbagai sumber. Subsistem ini juga bertanggung +jawab dalam mengkonversi atau merepresentasikan format data yang asli ke dalam +format SIG. +b. Data Output + + Data output berfungsi untuk menampilkan atau menghasilkan luaran hasil +dari suatu proses, baik dalam bentuk softcopy maupun hardcopy seperti: tabel, +grafik, peta dan lain – lain. +c. Data Management + + Data management berfungsi untuk memanajemen data, baik data spasial +maupun atribut ke dalam penyimpanan seperti basis data dengan sedemikian rupa +agar dipanggil dan diubah dengan mudah. +d. Data Manipulasi dan Analisis + + Data manipulasi dan analisis berfungsi untuk menentukan informasi mana +saja yang dapat dihasilkan oleh SIG. Subsistem ini memiliki fungsi lain, yakni + 10 + +mampu memanipulasi dan melakukan permodelan data untuk menghasilkan luaran +yang diharapkan. + + Sistem Informasi Geografis tentunya membutuhkan data untuk di olah. Data +yang di olah dan dihasilkan oleh suatu Sistem Informasi Geografis (SIG) terdapat +dua model data, yaitu : +a. Data Spasial + + Data spasial merupakan data yang memuat gambaran permukaan bumi. +Model data ini dibagi menjadi dua, model data raster dan model data vektor, +1) Model data raster merupakan data yang sederhana, dimana setiap data atau +informasi disimpan di grid, yang berupa bidang. Grid tersebut biasa disebut dengan +pixel. Data tersebut merupakan hasil dari scanning seperti citra satelit digital +2) Model data vektor berupa simbol – simbol atau lebih dikenal dengan istilah +feature, seperti feature garis (line), feature daerah (area), dan feature titik (point). + + Sumber : (Andrea Santana Adzani, 2022) + Gambar 2.1 Gambaran Data Spasial + +b. Data Atribut / Data Non Spasial : merupakan data yang menyimpan suatu +atribut dari gambaran yang ada di permukaan bumi. + 11 + +2.2.3 K-Means Clustering + Menurut Fina dalam (Rahayu, 2022) Algoritma K-Means clustering + +merupakan suatu metode analisis data atau metode data mining yang melakukan +proses pemodelan tanpa supervisi (unsupervised) dan merupakan salah satu metode +yang melakukan pengelompokan data dengan sistem partisi. Metode K-Means +berusaha mengelompokan data yang ada kedalam beberapa kelompok, dimana data +dalam satu kelompok mempunyai karakteristik yang sama dan mempunyai +karakteristik yang berbeda dengan data yang ada didalam kelompok yang lain. +Algoritma K-Means Clustering ini pertama kali diterbitkan pada tahun 1955 dan +terus digunakan sampai sekarang (Preddy et al., 2023). Rahmat juga menjelasakan +dalam (Andrea Santana Adzani, 2022) bahwa algoritma K – Means merupakan +algoritma pengelompokan data berdasarkan titik pusat cluster (centroid) paling +dekat dengan data. Tujuan K – Means adalah pengelompokan data yang +memaksimalkan kesamaan data yang dikelompokkan dan meminimalkan kesamaan +data antara clusterSedangkan pengertian clustering yang dijelaskan oleh Rahmat +dalam (Andrea Santana Adzani, 2022) menyatakan bahwa clustering merupakan +proses dalam membagi data yang semulanya tidak berlabel menjadi sekumpulan +data yang membentuk kelompok berdasarkan kemiripan yang dimiliki oleh data +tersebut dengan data lainnya. + + Dalam tahapan algoritma K-Means Clustering terdapat tahap menghitung +jarak dari masing-masing data yang ada terhadap masing-masing pusat cluster +(centroid). Ada beberapa persamaan yang digunakan seperti euclidean distance dan +manhattan. Menurut Dinata dalam (Alifah & Fauzan, 2023) persamaan manhattan +lebih akurat daripadqa persamaan euclidean distance. + + Menurut Ramadhani dalam (Alifah & Fauzan, 2023) untuk menerapkan +algoritma K-Means Clustering ada beberapa tahapan yang digambarkan pada +Gambar 2.2. + 12 + + Gambar 2.2 Tahapan Algoritma K-Means Clustering + Tahapan Algoritma K-Means Clustering berdasarkan Gambar 2.1 dapat +dijelaskan sebagai berikut : +a. Menentukan nilai k sebagai jumlah kluster yang akan dibentuk +b. Tentukan titik pusat (centroid) awal secara acak dari setiap kluster yang telah +ditentukan +c. Hitung jarak dari setiap objek terhadap masing masing titik pusat (centroid) +dari masing masing kluster dengan persamaan Manhattan. yang tertera pada +persamaan (2.1) : + 13 + + (, ) = | − | … … … (2.1) + +Keterangan : +d = jarak antar x dan y +x = data pada atribut +y = pusat klaster (centroid) +d. Kelompokkan masing masing objek ke dalam titik pusat (centroid) terdekat +e. Lakukan iterasi, kemudian hitung pusat cluster (centroid) terbaru, dengan +persamaan (2.2) : + + ∑ + = ; 1,2,3, … … … … (2.2) +f. Ulangi langkah c – e , hingga data tidak berpindah lagi ke cluster yang lain. + +2.2.4 Metode Elbow + Metode Elbow menurut Jollyta dalam (Riani et al., 2023) merupakan suatu + +teknik yang digunakan untuk menentukan jumlah klaster (c) yang optimal dengan +menghitung nilai Sum of Square Error (SSE) untuk setiap klaster. Semakin besar +perbedaan nilai SSE antara klaster yang satu dengan klaster berikutnya, yang +membentuk sebuah titik sudut siku, maka jumlah klaster yang dipilih dianggap +semakin baik. Sejalan dengan Jollyta, (Maori & Evanita, 2023) menyatakan bahwa +penggunaan metode elbow untuk menentukan nilai k yang tegolong kecil, tetapi +punya nilai withinss atau nilai kedekatan data pada setiap klaster yang rendah juga. +Selain itu, metode elbow agar lebih mudah dipahami titik siku yang terbentuk +biasanya di ditampilkan dalam suatu grafik. Sumbu x pada grafik tersebut +merupakan rentang nilai k yang di uji. Sedangkan untuk sumbu y merupakan nilai +SSE untuk setiap nilai k. Untuk menghitung nilai Sum of Square Error (SSE) bisa +menggunakan persamaan 2.3 + + = || − || … … … (2.3) + +Keterangan : + 14 + +k : jumlah klaster + +Ci : klaster ke-i + +x : data yang termasuk dalam klaster Ci + + : pusat (centroid) dari klaster Ci + +|| − || : kuadrat jarak antara data xxx dengan centroid-nya + +2.2.5 User Acceptance Testing (UAT) + User Acceptance Testing (UAT) merupakan salah satu pengujian sistem yang + +berfokus menguji interaksi antara user atau pengguna dengan sistem secara +langsung yang berfungsi untuk memverifikasi bahwa fitur telah berjalan sesuai +dengan kebutuhan user tersebut (Rumariana & Arifin, 2022). Hady menyatakan +dalam (Andrea Santana Adzani, 2022) bahwa User Acceptance Testing (UAT) +memiliki tujuan untuk mengetahui, apakah sistem yang telah dirancang telah +memenuhi harapan pengguna, sehingga dapat mempermudah peneliti untuk +mengetahui, bagian mana yang masih dirasa kurang. Output dari pengujuan User +Acceptance Testing (UAT) yaitu dokumen hasil uji software dengan nilai yang baik +dan sudah memenuhi kebutuhan yang diminta atau memenuhi kriteria (acceptance +criteria) yang dibutuhkan pengguna. + + Bentuk pengujian UAT dengan memberikan kuisioner kepada pengguna atau +responden yang berisi pernyataan pengujian, sehingga pengguna bisa memberikan +penilaiannya dengan membandingkan pernyataan yang ada terhadap sistem yang di +uji. Penilaian dari kuisioner tersebut menggunakan skala likert yang berisi 5 poin, +yaitu sangat tidak setuju (1 poin), tidak setuju (2 poin), netral (3 poin), setuju (4 +poin), dan sangat setuju (5 poin) (Fitriastuti et al., 2024). Untuk dapat +menyimpulkan hasil penilaian tersebut perlu dihitung menggunakan persamaan +skala likert (Anisah & Puspasari, 2024). Berikut tahapan menghitung hasil +penilaian. +a. Menghitung Nilai yang didapatkan untuk setiap pertanyaan menggunakan + + persamaan seperti persamaan 2.4 + 15 + + = ( 5) + ( 4) + ( 3) + ( 2) + ( 1) … … … (2.4) + +Keterangan : + +Nilai : Nilai yang didapatkan per pertanyaan + +SS : Jumlah responden yang memilih sangat setuju + +S : Jumlah responden yang memilih setuju + +N : Jumlah responden yang memilih netral + +TS : Jumlah responden yang memilih tidak setuju + +STS : Jumlah responden yang memilih sangat tidak setuju + +b. Menghitung Nilai maksimal untuk satu pertanyaan menggunakan persamaan + 2.5 + = 5 … … … (2.5) + +Keterangan : + +Nilai Max : Nilai maksimal yang didapatkan per pertanyaan + +n : Jumlah Seluruh Responden + +c. Menghitung prosentase nilai setiap pertanyaan menggunakan persamaan 2.6 + + % = 100 % … … … (2.5) + + + +Keterangan : + +Nilai % : Prosentase nilai yang didapatkan per pertanyaan + +Nilai : Nilai yang didapatkan per pertanyaan + +Nilai Max : Nilai maksimal yang didapatkan per pertanyaan + +2.2.6 Black Box Testing + Pengujian black box merupakan salah satu jenis pengujian yang bertujuan + +untuk memverifikasi hasil keluaran aplikasi berdasarkan input yang diberikan (data +uji), guna memastikan bahwa fungsionalitas aplikasi telah sesuai dengan kebutuhan + 16 + +atau persyaratan yang ditentukan (Mintarsih, 2023). Pengujian Black Box +merupakan metode pengujian yang berfokus pada antarmuka (interface) dan fungsi- +fungsi dalam aplikasi, serta memastikan bahwa alur kerja aplikasi berjalan sesuai +dengan yang dibutuhkan oleh pengguna. Selain itu dalam proses Black Box Testing, +pengujian dilakukan tanpa mengetahui struktur internal atau kode dari aplikasi. +Sebelum melakukan pengujian, perlu membuat test case atau skenario pengujian +yang mengacu atau berpedoman pada alur sistem yang sesuai dengan kebutuhan +pengguna. + BAB 3. METODE PENELITIAN + +3.1 Tempat dan Waktu Pelaksanaan + Penelitian dengan judul “Implementasi K-Means Clustering Dalam Pemetaan + +Daerah Rawan Curanmor dan Curas Berbasis Sistem Informasi Geografis (Studi +Kasus di Kabupaten Probolinggo) “ dilaksanakan di Politeknik Negeri Jember, +Kepolisian Resort Probolinggo. Waktu yang dibutuhkan untuk penelitian ini 10 +bulan, dimulai dari bulan Juni 2024 sampai bulan Mei 2025. + +3.2 Alat dan Bahan +3.2.1 Alat Penelitian + + Pada penelitian ini menggunakan alat penelitian berupa perangkat keras dan +perangkat lunak, sebagai berikut : +a. Perangkat Keras +1) Laptop Asus AMD E2 +2) Smartphone Oppo F9 +3) WiFi +b. Perangkat Lunak +1) OS Windows 10 +2) Visual Studio Code +3) MySQL +4) Framework Laravel +5) Library JS ( Leaflet ) +6) Microsoft Office + +3.2.2 Bahan Penelitian + Bahan yang digunakan pada penelitian ini adalah data pencurian kendaraan + +bermotor (curanmor) dan pencurian dengan kekerasan (curas) pada Kabupaten +Probolinggo pada tahun 2024. Data tersebut didapat Kepolisian Resort Kabupaten +Probolinggo + + 17 + 18 + +3.3 Tahapan Penelitian + Pada tahapan penelitian ini terdapat beberapa tahapan yang digambarkan + +pada gambar 3.1. + + Gambar 3.1 Tahapan Penelitian + Pada gambar 3.1 gambar dari tahapan pada penelitian ini yang dilakukan oleh +penulis. Tahapan penelitian mencangkup studi literatur, pengumpulan data, +pengolahan data, pengembangan sistem, pengujian, analisis dan pembahasan. +Penjelasan lebih detail tentang masing-masing tahapan penelitian sebagai berikut : +3.3.1 Studi Literatur + Studi literatur dilakukan agar peneliti memperoleh referensi maupun teori +yang relevan dan sesuai dengan topik penelitian. Referensi yang telah penulis +pelajari, antara lain : +a. Jurnal atau paper yang berkaitan dengan algoritma K-Means Clustering +b. Jurnal atau paper yang berkaitan dengan elbow methods +c. Jurnal atau paper yang berkaitan dengan sistem informasi geografis +d. Data sekunder yang diperoleh dari BPS Kabupaten Probolinggo +3.3.2 Pengumpulan Data + Untuk mendukung berjalannya penelitian ini, diperlukan data terkait kasus +pencurian dengan kekerasan (curas) dan pencurian kendaraan bermotor (curanmor) + 19 + +pada rentang tahun 2022 - 2024. Pengumpulan data curas dan curanmor pada +penelitian ini dilakukan dengan mengajukan permohonan untuk mendapatkan data +dari Kepolisian Resort Kabupaten Probolinggo. + +3.3.3 Pengolahan Data + Pada tahap ini dijelaskan alur pengolahan data yang mencakup proses pre- + +processing hingga perhitungan menggunakan algoritma k-means. Data yang +digunakan merupakan data kasus pencurian dengan kekerasan (curas) dan +pencurian kendaraan bermotor (curanmor) di wilayah Kabupaten Probolinggo dari +tahun 2022 hingga 2024 yang diperoleh dari Kepolisian Resor Kabupaten +Probolinggo. Sebelum dilakukan proses perhitungan, data terlebih dahulu melalui +tahap pre-processing untuk memastikan kelengkapan dan kesesuaian format data. +Selanjutnya, dilakukan perhitungan menggunakan algoritma k-means secara +terpisah untuk masing-masing kasus, sehingga hasil clustering yang diperoleh +untuk data curas berbeda dengan hasil clustering pada data curanmor. Pemisahan +ini dilakukan, untuk mengantisipasi variasi data yang berbeda antara kasus curas +dan curanmor, sehingga hasil klaster yang dihasilkan sesuai dengan karakteristik +masing-masing data curas maupun curanmor. Dengan adanya pemisahan tersebut +diahrapkan dapat mempermudah pengguna dalam memahami kerawanan suatu +kecamatan terhadap masing-masing kasus. Selain itu Tahapan ini juga mencakup +proses penentuan nilai k optimal dengan menggunakan metode elbow untuk +mengetahui jumlah klaster yang paling sesuai pada masing-masing kasus. Hasil +akhir dari tahap ini diharapkan dapat memberikan informasi mengenai sebaran +wilayah berdasarkan klaster yang terbentuk serta mendukung visualisasi pemetaan +daerah rawan pada sistem informasi geografis yang dibangun. Berikut ini adalah +tahapan pengolahan data dalam penelitian ini: +a. Filter data + + Pada tahapan ini dilakukan filter terhadap data yang didapatkan dari +Kepolisian. Filter yang dimaksud dalam konteks ini bukanlah untuk menyaring +nilai tertentu dari suatu kolom, melainkan digunakan untuk memilih sejumlah + 20 + +atribut data yang akan digunakan dalam proses pengolahan (Wahyuningtyas et al., +2023). +b. Penggabungan Data + + Penggabungan data merupakan langkah awal yang penting untuk menyatukan +data dari berbagai sumber atau periode waktu ke dalam satu set data yang utuh. +Proses ini dilakukan untuk memastikan bahwa data yang akan dianalisis memiliki +cakupan yang cukup dan merepresentasikan kondisi secara menyeluruh. Meskipun +data berasal dari berbagai entitas atau waktu yang berbeda, penggabungan +dilakukan dengan memperhatikan keseragaman format dan atribut agar siap +digunakan dalam proses klasterisasi (Wahyuningtyas et al., 2023). +c. Normalisasi data + +Normalisasi data merupakan langkah penting ketika dataset memiliki atribut + +dengan skala yang berbeda. Tanpa normalisasi, atribut dengan nilai skala besar + +dapat mendominasi proses perhitungan, meskipun atribut lain yang berskala lebih + +kecil memiliki tingkat kepentingan yang sama. Hal ini dapat menyebabkan + +ketidakseimbangan kontribusi antar atribut dalam analisis data atau sering disebut + +noise. Akibatnya, klaster yang dihasilkan menjadi kurang representatif terhadap + +kondisi sebenarnya. Dalam konteks data mining, normalisasi membantu + +menyetarakan bobot setiap atribut agar proses pengklasteran menjadi lebih akurat + +dan adil. Oleh karena itu, normalisasi tidak hanya meningkatkan kualitas hasil + +clustering atau klasifikasi, tetapi juga mendukung interpretasi data yang lebih tepat + +(Wahyuningtyas et al., 2023). Pada tahapan ini normalisasi data yang dilakukan + +menggunakan min-max normalization seperti pada persamaan 3.1 + + = − … … … (3.1) + + − + +Keterangan : + + : data hasil normalisasi + + : data curas atau curanmor pada kecamatan ke i + + : nilai terbesar dari data curas atau curanmor + + : nilai terbesar dari data curas atau curanmor + +d. Menentukan nilai k sebagai jumlah kluster yang akan dibentuk + 21 + + Pada tahapan ini perlu menentukan nilai k atau jumlah klaster yang paling +optimal untuk digunakan pada proses clustering menggunakan algoritma k-means +nanti. Dalam penelitian ini, untuk menentukan nilai k yang optimal menggunakan +metode Elbow. Menurut Jollyta dalam (Riani et al., 2023) metode Elbow +merupakan suatu teknik yang digunakan untuk menentukan jumlah klaster (c) yang +optimal dengan menghitung nilai Sum of Square Error (SSE) untuk setiap klaster. +Semakin besar perbedaan nilai SSE antara klaster yang satu dengan klaster +berikutnya, yang membentuk sebuah titik sudut siku, maka jumlah klaster yang +dipilih dianggap semakin baik. Sejalan dengan Jollyta, (Maori & Evanita, 2023) +menyatakan bahwa penggunaan metode elbow untuk menentukan nilai k yang +tegolong kecil, tetapi punya nilai kedekatan data pada setiap klaster yang rendah +juga. Selain itu, agar lebih mudah dipahami titik siku yang terbentuk biasanya di +ditampilkan dalam suatu grafik. Sumbu x pada grafik tersebut merupakan rentang +nilai k yang di uji. Sedangkan untuk sumbu y merupakan nilai SSE untuk setiap +nilai k. Dalam penentuan rentang nilai k yang akan di uji menggunakan metode +elbow, berpedoman pada variasi data yang ada. Karena jumlah klaster maksimal +yang terbentuk dari proses k-means sama dengan jumlah variasi data, untuk +mengantisipasi terbentuknya klaster kosong. Untuk menghitung nilai Sum of +Square Error (SSE) bisa menggunakan persamaan 3.2 + + = || − || … … … (3.2) + +Keterangan : + +k : jumlah klaster + +Ci : klaster ke-i + +x : data yang termasuk dalam klaster Ci + + : pusat (centroid) dari klaster Ci + +|| − || : kuadrat jarak antara data xxx dengan centroid-nya + +e. Tentukan titik pusat (centroid) awal secara acak dari setiap kluster yang telah +ditentukan + 22 + +f. Hitung jarak dari setiap objek terhadap masing masing titik pusat (centroid) +dari masing masing kluster dengan persamaan Manhattan. yang tertera pada +persamaan (3.3) : + + (, ) = ∑ | − | … … … (3.3) +Keterangan : +d = jarak antar x dan y +xi = centroid ke i +yi = data curas atau curanmor pada kecamatan ke i +g. Kelompokkan masing-masing objek ke dalam titik pusat (centroid) terdekat +h. Lakukan iterasi, kemudian hitung pusat cluster (centroid) terbaru, dengan +persamaan (3.4) : + + ∑ + = ; 1,2,3, … … … … . (3.4) +i. Ulangi langkah f – h, hingga data tidak berpindah lagi ke cluster yang lain + +3.3.4 Pengembangan Sistem + Pengembangan sistem dilakukan berdasarkan rancangan yang berupa + +flowchart dan use case diagram. Proses pengembangan menggunakan framework +Laravel dan menggunakan database MySQL untuk menyimpan seluruh informasi, +seperti data curas, data curanmor, data kecamatan, dan data klaster. Algoritma k- +means diterapkan melalui sebuah function khusus pada laravel yang bertugas untuk +melakukan proses pengelompokan data berdasarkan jumlah kasus curas dan +curanmor di masing-masing kecamatan. + + Hasil penghitungan menggunakan algoritma k-means awalnya menghasilkan +label klaster C1, C2, C3, dst. Namun, untuk mempermudah interpretasi, kategori +tersebut diubah menjadi aman, sedang, rawan, dst berdasarkan nilai centroid +masing-masing klaster, dari yang paling rendah hingga yang tertinggi. Hasil +clustering kemudian divisualisasikan ke dalam peta wilayah Kabupaten +Probolinggo menggunakan library Leaflet. Setiap kecamatan ditampilkan dengan +warna berbeda sesuai klaster yang dimilikinya, sehingga pengguna dapat dengan +mudah melihat sebaran daerah berdasarkan tingkat kerawanannya. Visualisasi ini + 23 + +menjadi bagian penting dari sistem untuk mendukung analisis spasial yang +informatif dan interaktif. + +3.3.5 Pengujian + Pengujian adalah proses uji coba sistem, Tujuannya yaitu untuk memastikan + +kesesuaian perangkat lunak dengan rancangan yang telah ditetapkan serta untuk +mengevaluasi kinerja fungsionalitas sistem agar dapat menentukan apakah +semuanya berjalan dengan baik atau tidak. Proses pengujian dalam penelitian ini +menggunakan dua jenis pengujian yaitu: +a. Black Box Testing + + Pada tahapan ini akan dilakukan pengujian terhadap sistem dengan +menggunakan metode Black Box Testing. Pengujian ini akan dilakukan oleh +seorang mahasiswa yang sedang melaksanakan studi di rumpun Informatika agar +dalam proses pengujian menggunakan standar sistem. Kemudian sebelum +melakukan pengujian, perlu dibentuk test case atau scenario pengujian yang +berpedoman pada kebutuhan sistem. +b. User Acceptance Testing (UAT) + + Pada tahapan ini akan dilakukan pengujian terhadap sistem yang sudah jadi +kepada calon pengguna. Dalam hal ini terdapat dua golongan pengguna berdasarkan +hak aksesnya, yaitu pengguna golongan I yang merupakan pengunjung web (hanya +bisa melihat hasil clustering di halaman utama) dan juga pengguna golongan II atau +admin (dapat melakukan perubahan data pada web) dalam hal ini merupakan +perwakilan dari Polres Probolinggo. Pengujian yang dilakukan meliputi user +experience atau pengalaman pengguna terhadap web tersebut. Dalam penilaian +yang akan diberikan oleh responden terdiri dari lima kategori, yaitu +1) sangat setuju (poin 5) +2) setuju (poin 4) +3) netral (poin 3) +4) tidak setuju (poin 2) +5) sangat tidak setuju (poin 1) + 24 + + Tanggapan dari para responden kemudian diolah menggunakan metode +perhitungan skala Likert. Skala ini digunakan untuk mengukur tingkat penerimaan +dan kepuasan pengguna terhadap sistem yang telah dikembangkan. Hasil dari skor +atau persentase akhir perhitungan skala likert dapat diartikan berdasarkan parameter +berikut : +1) 0–19%: Sangat Tidak Setuju + + Menunjukkan bahwa responden sangat tidak menyetujui atau tidak puas +terhadap fitur atau aspek yang diuji. +2) 20–39%: Tidak Setuju + + Mengindikasikan bahwa responden cenderung tidak menyetujui atau kurang +puas terhadap fitur atau aspek tersebut. +3) 40–59%: Netral + + Menunjukkan bahwa responden berada di posisi tengah, tidak condong pada +sikap setuju maupun tidak setuju. +4) 60–79%: Setuju + + Menunjukkan bahwa responden cukup menyetujui atau merasa puas terhadap +fitur atau aspek yang disajikan. +5) 80–100%: Sangat Setuju + + Menandakan bahwa responden sangat menyetujui dan merasa sangat puas +terhadap fitur atau aspek yang diuji. +c. Pengujian Metode + + Pengujian metode dilakukan untuk mengevaluasi tingkat kesesuaian hasil +klasterisasi K-Means terhadap kondisi riil yang ditetapkan oleh pihak Polres. Dalam +hal ini, hasil klaster pada masing-masing kasus, baik curas maupun curanmor, akan +dibandingkan dengan ambang batas kategori tingkat kerawanan seperti aman, +sedang, dan rawan yang telah ditentukan oleh Polres Probolinggo. Nilai ambang +batas dapat digunakan sebagai acuan objektif dalam menilai apakah hasil klaster +yang dihasilkan oleh sistem telah sesuai dengan klasifikasi yang berlaku secara +institusional. Berikut nilai ambang batas yang telah ditetapkan oleh Polres +Probolinggo pada tabel 3.1 + 25 + +Tabel 3.1 Ambang Batas Pengkategorian Kasus + +No. Nama Kategori Nilai Ambang Batas + < 16 +1 Aman + 16 – 30 +2 Sedang > 30 + +3 Rawan + +Sumber : Kepolisian Resort Probolinggo + + Pada tabel 3.1 di atas dijelaskan bahwa Polres Probolinggo Kabupaten telah + +menetapkan 3 macam kategori yang terdiri dari aman, sedang, dan rawan untuk + +menetapkan tingkat kerawanan suatu kecamatan baik untuk kasus curas, maupun + +kasus curanmor. Masing-masing kategori yang telah ditetapkan tersebut, memiliki + +nilai ambang batas yang berbeda beda, contoh kecamatan yang memiliki kategori + +sedang, harus memiliki jumlah kasus curas atau curanmor di bawah 10, kemudian + +dinyatakan sedang ketika jumlah kasus curas atau curanmornya di antara 11 hingga + +20 kasus. Sedangkan untuk kategori rawan sendiri memiliki ambang batas lebih + +dari 20 kasus. + + Setiap kecamatan yang telah dikelompokkan berdasarkan hasil perhitungan + +k-means pada setiap kasus akan diuji kesesuaiannya terhadap ambang yang berlaku, + +kemudian dihitung tingkat kecocokannya dalam bentuk persentase menggunakan + +persamaan 3.5 : + +Persentase Keakuratan = ℎ 100% … … (3.5) + + ℎ + + Nilai persentase kesesuaian ini digunakan sebagai indikator untuk menilai + +seberapa akurat algoritma K-Means dalam merepresentasikan kondisi tingkat + +kerawanan wilayah sebagaimana telah ditetapkan oleh pihak berwenang, sekaligus + +menjadi dasar pertimbangan dalam mengukur efektivitas penerapan metode + +tersebut dalam sistem pemetaan. + 26 + +3.3.6 Analisis dan Pembahasan + Pada tahap penelitian ini, akan membahas nilai k yang paling optimal pada + +setiap proses clustering di masing-masing kasus. Pembahasan nilai k yang paling +optimal + BAB 4. HASIL DAN PEMBAHASAN + +4.1 Studi Literatur + Studi literatur yang dilakukan oleh penulis meliputi beberapa referensi berupa + +jurnal ilmiah yang relevan dengan masalah pada penelitian ini. Berikut beberapa +referensi yang digunakan pada penelitian ini +a. Jurnal ilmiah yang ditulis (Suryani et al., 2021) dengan judul Sistem + + Informasi Geografis Pemetaan Kerusakan Jalan di Kabupaten Malang + Menggunakan Metode K-Means. Pada penelitian tersebut menghasilkan tiga + klaster, dengan klaster 1 beranggotakan 221 data, klaster 2 beranggotakan 24 + data, dan klaster 3 memiliki anggota 65 data. Akurasi yang didapatkan + mencapai 100% +b. Penelitian dengan judul Geographic Information System Mapping Of + Criminality Villed Areas In Lhokseumawe Using K-Means Method yang + ditulis oleh (Risawandi & Afrillia, 2022). Pada penelitian tersebut melakukan + pemetaan daerah rawan kriminalitas (menggunakan 7 tipe kasus kriminalitas + ) di Kota Lhokseumawe yang terjadi selama tahun 2018 hingga 2020. + Menggunakan algoritma K-means untuk bisa mengkategorikan atau + mengklasterkan daerah pada Kota Lhokseumawe berdasarkan tingkat + kriminalitas yang terjadi. +c. Penelitian yang berjudul Implementasi Algoritma K-Means Clustering + Berbasis Jarak Manhattan Untuk Klasterisasi Konsentrasi Bidang Mahasiswa + yang ditulis oleh (Alifah & Fauzan, 2023). Pada penelitian tersebut juga + membahas bahwa Algoritma K-means menggunakan persamaan manhattan + yang dilakukan sebanyak delapan iterasi menghasilkan 4 cluster yaitu Klaster + Sistem Informasi sebanyak 5 anggota, Klaster Sistem Cerdas sebanyak 21 + anggota, Klaster NCC sebanyak 32 anggota, dan Klaster Game Animasi + sebanyak 4 anggota. Selain itu Algortima K-means menggunakan persamaan + manhattan mendapatkan nilai 0,27 setelah di uji menggunakan Davied + Bouldien Indeks (DBI) yang tergolong baik. + + 27 + Jumlah Kasus 28 + +d. Penelitian yang berjudul Metode Elbow Dalam Optimasi Jumlah Cluster Pada + K-Means Clustering yang ditulis oleh (Maori & Evanita, 2023). Pada + penelitian tersebut penentukan nilai k atau jumlah klaster untuk algortima k- + means menggunakan metode elbow dengan nilai k = 3, dan menghasilkan + klaster yang tingkat kemiripan setiap anggotanya lebih baik dari pada + pemilihan nilai k secara acak. + +4.2 Pengumpulan Data + Data yang didapatkan dari Polres Kabupaten Probolinggo berupa data curas + +dan curanmor pada masing-masing kecamatan dalam rentang tahun 2022 hingga +tahun 2024 yang dapat dilihat pada Lampiran 1. Sementara untuk detail data pada +masing-masing kasus curas dan curanmor akan dijelaskan dalam bentuk grafik +sebagai berikut. + + 4.2.1 Data Kasus Curanmor + + Data Kasus Curanmor + + 120 + 100 + + 80 + 60 + + 2022 + 40 + + 2023 + 20 + + 2024 + 0 + + Nama Kecamatan + + Sumber : Kepolisian Resort Kabupaten Probolinggo + Gambar 4.1 Grafik Perkembangan Kasus Curanmor di Kab. Probolinggo + Tahun 2022 - 2024 + + Berdasarkan Gambar 4.1 tentang Grafik perkembangan kasus + pencurian kendaraan bermotor (curanmor) di wilayah Kabupaten + Probolinggo pada tahun 2022 hingga 2024, terlihat adanya fluktuasi yang + signifikan di beberapa kecamatan. Secara umum, Kecamatan Kraksaan + Bantaran + Banyuanyar + + Besuk + Dringu + Gading + Gending + Kotaanyar + Kraksaan + Krenjengan + Krucil + Kuripan + Leces + Lumbang + Maron + Paiton + Pakuniran + Pajarakan + Sukapura + Sumber + Sumberasih + Tegalsiwalan + + Tiris + Tongas + Wonomerto + 29 + +konsisten mencatat jumlah laporan curanmor tertinggi setiap tahunnya, +meskipun mengalami penurunan dari 100 laporan pada tahun 2022 menjadi +51 laporan pada 2023 dan 37 laporan pada 2024. Selain Kraksaan, +peningkatan signifikan terjadi di Kecamatan Dringu dan Gending, di mana +jumlah laporan curanmor di Dringu meningkat dari 11 kasus pada 2022 +menjadi 26 kasus pada 2023 dan sedikit menurun menjadi 22 kasus di tahun +2024. Gending menunjukkan tren serupa, dengan peningkatan dari 7 kasus di +tahun 2022 menjadi 17 dan 18 kasus di dua tahun berikutnya. Kecamatan +Leces dan Maron juga mengalami lonjakan signifikan, khususnya pada tahun +2023 dan 2024, yang menunjukkan potensi peningkatan kerawanan. + + Sementara itu, beberapa kecamatan lain menunjukkan tren yang lebih +stabil atau menurun, seperti Kuripan dan Sumber yang secara konsisten +mencatat laporan curanmor sangat rendah di ketiga tahun. Di sisi lain, +Kotaanyar dan Sukapura mengalami penurunan laporan hingga mencapai nol +pada tahun 2024, yang dapat mengindikasikan perbaikan situasi keamanan +atau faktor lain seperti penurunan pelaporan. Secara keseluruhan, tren ini +menunjukkan bahwa meskipun beberapa wilayah mengalami penurunan +kasus curanmor, wilayah lainnya menunjukkan lonjakan atau konsistensi +tinggi + 30 + +4.2.2 Data Kasus Curas + + Data Kasus Curas + +3,5 + +3 + +Jumlah Curas2,5 + Bantaran + Banyuanyar2 + +1,5 Besuk 2022 + Dringu + Gading1 2023 + Gending + Kotaanyar0,5 + Kraksaan + Krenjengan0 2024 + Krucil + Kuripan + Leces + Lumbang + Maron + Paiton + Pakuniran + Pajarakan + Sukapura + Sumber + Sumberasih + Tegalsiwalan + + Tiris + Tongas + Wonomerto + Nama Kecamatan + +Sumber : Kepolisian Resort Kabupaten Probolinggo +Gambar 4.2 Grafik Perkembangan Kasus Curas di Kab. Probolinggo Tahun +2022 - 2024 + + Berdasarkan gambar 4.2 tentang grafik perkembangan kasus pencurian +dengan kekerasan (curas) di Kabupaten Probolinggo selama periode 2022 +hingga 2024, terlihat bahwa jumlah kejadian tergolong rendah dan tersebar +secara terbatas. Pada tahun 2022, hanya terdapat empat kecamatan yang +melaporkan kasus curas, yakni Banyuanyar, Besuk, Dringu, dan Krejengan, +masing-masing dengan satu laporan. Pada tahun berikutnya, yakni 2023, +jumlah kasus menurun dengan hanya dua kecamatan yang melaporkan satu +kasus, yaitu Besuk dan Kraksaan. Secara umum, sebagian besar kecamatan +menunjukkan nol laporan kasus curas selama dua tahun berturut-turut. + + Namun, pada tahun 2024, terjadi peningkatan kasus di beberapa +kecamatan. Kecamatan Tongas dan Wonomerto menjadi wilayah dengan +jumlah laporan tertinggi, masing-masing mencatat tiga kasus curas. Selain +itu, muncul laporan satu kasus di Gading, Gending, dan Sumberasih yang +sebelumnya tidak memiliki laporan pada dua tahun sebelumnya. Meskipun +secara keseluruhan jumlah kasus curas masih tergolong rendah dibandingkan +kasus kejahatan lainnya, munculnya kasus di kecamatan baru dan lonjakan di + 31 + + Tongas serta Wonomerto mengindikasikan adanya potensi untuk kenaikan + kasus curas pada tahun-tahun berikutnya. + + Berdasarkan grafik perkembangan pada masing-masing kasus, baik pada +kasus curas dan curanmor keduanya memiliki variasi pola data yang berbeda-beda +di setiap tahunnya. Perbedaan pola grafik yang fluktuatif ini menunjukkan bahwa +tren kejadian tidak mengikuti pola tetap, sehingga menyulitkan upaya untuk +melakukan prediksi secara akurat terhadap jumlah kasus di tahun-tahun mendatang. +Oleh karena itu, penulis mengembangkan sebuah Sistem Informasi Geografis (SIG) +yang dapat digunakan untuk memetakan persebaran kasus curas dan curanmor +secara geografis. Dengan adanya sistem ini, diharapkan pengguna dapat lebih +mudah mengenali pola kerawanan berdasarkan wilayah, sehingga proses analisis +dan pengambilan keputusan dapat dilakukan secara lebih tepat sasaran. + +4.3 Pengolahan Data + Pada tahap pengolahan data di penelitian ini, menjelaskan bagaimana + +implementasi algoritma k-means agar bisa mengolah data mentah, yang berupa data +curas dan curanmor dari Polres, agar bisa memberikan kategori untuk setiap +kecamatan berdasarkan kasus curas dan curanmor yang terjadi pada kecamatan +tersebut. Pengolahan data yang dilakukan, tentunya mengikuti tahapan pre- +processing data dan juga tahapan dari algoritma k-means. Berikut tahapan dari +perhitungan algoritma k-means untuk masing-masing data curas dan curanmor : + +4.3.1 Filter + Pada tahapan ini dilakukan pemilihan atribut pada data yang didapatkan dari + +Kepolisian sesuai dengan kebutuhan penelitian. Karena fokus pada penelitian ini +mengklasterkan daerah berdasarkan kasus curas dan curanmor yang terjadi, maka +atribut atau kolom selesai untuk setiap data akan diabaikan. Jadi dalam perhitungan +k-means nanti hanya menggunakan data yang dilaporkan kepada kepolisian. +Berikut data curas dan curanmor di Kabupaten Probolinggo yang telah dilakukan +filtrasi pada tabel 4.1: + 32 + +Tabel 4.1 Data Curas dan Curanmor Yang Telah di Filter + + 2024 2023 2022 + +Kesatuan + + Curanmor Curas Curanmor Curas Curanmor Curas + +Polsek 0 0 + +Lumbang 1 0 2 0 + +Polsek + +Sukapura 0 0 4 0 1 0 + +Polsek 2 0 + +Bantaran 5 3 4 0 + +Polsek 2 0 1 0 1 0 +Kuripan + +... ... ... ... ... ... ... + +Polsek 5 0 5 0 5 3 +Tongas + +Polsek + +Wonomerto 2 0 0 0 2 2 + +4.3.2 Penggabungan Data + Data curas dan curanmor yang dilaporkan kepada pihak kepolisian pada tahun + +2022, 2023, dan 2024 akan digabungkan menjadi satu kesatuan dengan cara +dijumlahkan. Meskipun digabungkan dalam satu data, masing-masing data tetap +dibedakan berdasarkan jenis kasusnya, yakni curas dan curanmor. Jadi satu +kecamatan memiliki data kasus curas dari total 3 tahun dan data kasus curanmor +dari total 3 tahun juga. Berikut gambaran hasil penggabungan data pada masing- +masing kasus di tabel 4.2 +Tabel 4.2 Data Curas dan Curanmor Yang Sudah Digabungkan + + Kecamatan Curas Curanmor + +Bantaran 0 11 + 33 + +Banyuanyar 1 14 +Besuk +Dringu 2 21 +Gading +Gending 1 59 +Kotaanyar +Kraksaan 1 8 +Krenjengan +Krucil 1 42 +Kuripan +Leces 0 13 +Lumbang +Maron 1 188 +Paiton +Pakuniran 1 30 +Pajarakan +Sukapura 0 13 +Sumber +Sumberasih 0 4 +Tegalsiwalan +Tiris 0 33 +Tongas +Wonomerto 0 3 + + 0 48 + + 1 53 + + 0 12 + + 0 30 + + 0 5 + + 0 4 + + 1 10 + + 0 5 + + 0 7 + + 3 15 + + 2 4 + +4.3.3 Normalisasi Data + Pada tahapan ini peneliti melakukan normalisasi pada masing-masing data + +curas dan curanmor yang sudah dilakukan penggabungan. Sebelum melakukan +normalisasi, perlu mencari terlebih dahulu nilai terkecil (min) dan nilai terbesar +(max) pada masing-masing data. Untuk data curas nilai min = 0 dan nilai max = 3. + 34 + +Kemudian untuk data curanmor nilai min = 0 dan nilai max = 3. Pada penelitian ini +penulis memberikan contoh proses min-max normalization pada kecamatan +Bantaran. + +a. Normalisasi Data Curas + + = − + + − + + 0 −0 += + + 3− 0 +=0 + + Setelah melakukan proses min-max normalization pada data curas di masing- +masing kecamatan, didapatkan data curas yang sudah dinormalisasi pada tabel 4.3 +berikut : + +Tabel 4.3 Hasil Normalisasi Data Kasus Curas + + Kecamatan Normalisasi Curas + + Bantaran 0,00 + + Banyuanyar 0,33 + + Besuk 0,67 + + Dringu 0,33 + + Gading 0,33 + + Gending 0,33 + + Kotaanyar 0,00 + + Kraksaan 0,33 + + Krenjengan 0,33 + + Krucil 0,00 + + Kuripan 0,00 + + Leces 0,00 + + Lumbang 0,00 + + Maron 0,00 + 35 + + Paiton 0,33 + + Pakuniran 0,00 + + Pajarakan 0,00 + + Sukapura 0,00 + + Sumber 0,00 + + Sumberasih 0,33 + + Tegalsiwalan 0,00 + + Tiris 0,00 + + Tongas 1,00 + + Wonomerto 0,67 + + Data pada tabel di atas merupakan data curas yang telah di normalisasi +menggunakan min-max normalization. Setelah dilakukan normalisasi, data yang +awalnya memiliki rentang nilai 0 – 3, sekarang memiliki rentang nilai yang lebih +kecil, yaitu 0,00 – 1,00. Selain itu, dari proses normalisasi yang telah dilakukan +pada data kasus curas, didapatkan 4 variasi data yaitu : 0,00; 0,33; 0,67; 1,00. +Jumlah variasi data ini yang akan digunakan sebagai nilai k maksimal dalam +penentuan nilai k teroptimal. + +b. Normalisasi Data Curanmor + + = − + + − + + 11 − 3 += + + 128 − 3 += 0,04 + + Setelah melakukan proses min-max normalization pada data curanmor di +masing-masing kecamatan, didapatkan data curanmor yang sudah dinormalisasi +pada tabel 4.4 berikut : + 36 + +Tabel 4.4 Hasil Normalisasi Data Kasus Curanmor + +Kecamatan Normalisasi Curanmor + +Bantaran 0,04 + +Banyuanyar 0,06 + +Besuk 0,10 + +Dringu 0,30 + +Gading 0,03 + +Gending 0,21 + +Kotaanyar 0,05 + +Kraksaan 1,00 + +Krenjengan 0,15 + +Krucil 0,05 + +Kuripan 0,01 + +Leces 0,16 + +Lumbang 0,00 + +Maron 0,24 + +Paiton 0,27 + +Pakuniran 0,05 + +Pajarakan 0,15 + +Sukapura 0,01 + +Sumber 0,01 + +Sumberasih 0,04 + +Tegalsiwalan 0,01 + +Tiris 0,02 + +Tongas 0,06 + +Wonomerto 0,01 + 37 + + Data pada tabel di atas merupakan data curanmor yang telah di normalisasi +menggunakan min-max normalization. Setelah dilakukan normalisasi, data +curanmor yang awalnya memiliki rentang nilai 3 – 188, sekarang memiliki rentang +nilai yang lebih kecil, yaitu 0,00 – 1,00 namun dengan skala yang tetap sama dari +data awal. Selain hal tersebut, informasi yang bisa didapatkan dari hasil normalisasi +pada masing-masing data kasus curanmor yaitu terdapat 17 variasi data yang terdiri +dari 0,00; 0,01; 0,02; ...;1,00. Jumlah variasi data ini yang nanti akan digunakan +sebagai jumlah maksimal nilai k yang akan di uji pada proses penentuan nilai k +paling optimal. + +4.3.4 Menghitung Jumlah Data dan Variasi Data + Pada tahap ini dilakukan perhitungan jumlah data yang didapatkan dari + +Polres. Jumlah data ini perlu dihitung karena juga sebagai dasar untuk menentukan +nilai k atau jumlah klaster nanti. Pada data yang didapat dari Polres, menjelaskan +data curas dan curanmor dari masing-masing kecamatan, dan ada 24 kecamatan di +wilayah Kabupaten Probolinggo. Jadi dapat dinyatakan jumlah data untuk masing- +masing kasus curas dan curanmor ada 24 data. + + Selain itu, pada data curas maupun curanmor yang telah dilakukan +normalisasi, masing-masing data kasus memiliki variasi data. Untuk kasus curas +sendiri memiliki 4 variasi data seperti pada gambar 4.3 berikut. + + Frekuensi Pada Setiap Variasi Data Curas + +Frekuensi Kemunculan Data 16 + + 14 + + 12 + + 10 0,00 + + 8 0,33 + + 6 0,67 + + 4 1,00 + + 2 + + 0 + Nilai Variasi + +Gambar 4.3 Grafik Frekuensi Pada Setiap Variasi Data Curas + 38 + + Pada gambar 4.3 tentang grafik frekuensi pada setiap variasi data curas +tersebut dapat terlihat frekuensi pada setiap nilai variasi data kasus curas yang telah +dinormalisasi. Terdapat 14 data yang memiliki nilai 0,00, kemudian 8 data memiliki +nilai 0,33; 2 data memiliki nilai 0,67 dan 1 data bernilai 1,00. Sama halnya dengan +curas, data kasus curanmor juga memiliki variasi data. Namun kasus curanmor +memiliki jumlah variasi data yang lebih banyak, yaitu 15 variasi data. Berikut +gambaran frekuensi pada setiap variasi data pada kasus curanmor pada gambar 4.4. + + Frekuensi Pada Setiap Variasi Data Curas + + 6 0,00 + +Frekuensi Kemunculan Data 5 0,01 + + 0,02 + + 0,03 + + 4 0,04 + + 0,05 + + 3 0,06 + + 0,10 + + 2 0,15 + 0,16 + + 1 0,21 + + 0,24 + + 0,27 + + 0 Nilai Variasi 0,30 + + 1,00 + + Gambar 4.4 Grafik Frekuensi Pada Setiap Variasi Data Curanmor + Pada gambar 4.4 tentang grafik frekuensi pada setiap variasi data curanmor +tersebut dapat terlihat frekuensi pada setiap nilai variasi data kasus curanmor yang +telah dinormalisasi. Nilai variasi 0,01 merupakan yang paling tinggi frekuensinya, +yaitu 5 data bernilai 0,01. Kemudian diikuti oleh nilai variasi 0,05 yang memiliki +frekuensi sebanyak 3 data. Lalu untuk nilai variasi 0,00; 0,02; 0,03; 0,10; 0,16; 0,21; +0,24; 0,27; 0,30; 1,00 masing-masing memiliki frekuensi 1. + +4.3.5 Menentukan nilai k + Dalam metode elbow untuk penelitian ini, perhitungan nilai SSE dilakukan + +pada rentang nilai k di masing-masing data kasus. Untuk data curas, karena +memiliki 4 variasi data, maka penerapan metode elbow dilakukan pada rentang nilai +k = 2 hingga k=4, Berbeda dengan data kasus curanmor yang memiliki 15 variasi +data, maka rentang nilai k yang diuji berkisar antara 2 hingga 15. Berikut hasil + 39 + +perhitungan SSE dan Tampilan Grafik untuk rentang k yang sudah ditentukan pada +masing-masing data kasus. + +a. SSE dan Grafik Metode Elbow Kasus Curas + +Tabel 4.5 NIlai SSE di Setiap Nilai k Pada Data Kasus Curas + +Nilai k Nilai SSE Selisih SSE + +2 0.61 - + +3 0,52 0,09 + +4 0,49 0,03 + + Gambar 4.5 Grafik Metode Elbow Kasus Curas + + Berdasarkan Tabel 4.5 diperoleh bahwa selisih nilai SSE tertinggi adalah +sebesar 0,09. Selisih tersebut muncul antara jumlah klaster k = 2 dan k = 3. Nilai +ini menunjukkan penurunan signifikan dalam SSE ketika jumlah klaster +ditingkatkan dari dua menjadi tiga. Penurunan yang besar ini menjadi indikator +penting dalam analisis menggunakan metode Elbow. Selanjutnya, jika mengacu +pada gambar 4.5 tentang grafik metode elbow, terlihat jelas adanya bentuk siku +pada nilai k = 3. Bentuk siku tersebut mengindikasikan bahwa setelah titik tersebut, +penurunan nilai SSE tidak lagi signifikan. Berdasarkan hal tersebut, maka nilai k = +3 dianggap sebagai titik optimal untuk jumlah klaster. Oleh karena itu, dapat +disimpulkan bahwa jumlah klaster terbaik untuk kasus curas adalah tiga. +b. SSE dan Grafik Metode Elbow Kasus Curanmor + 40 + +Tabel 4.6 Nilai SSE Setiap Nilai k Pada Data Kasus Curanmor + +Nilai k Nilai SSE Selisih SSE + +2 0.19 - + +3 0,03 0,06 + +4 0,03 0 + +5 0,03 0 + +6 0,03 0 + +7 0,03 0 + +8 0,01 0,02 + +9 0 0,01 + +10 0,01 - 0,01 + +11 0,03 -0.02 + +12 0,01 0,02 + +13 0,01 0 + +14 0,02 -0,01 + +15 0,01 0,01 + + Gambar 4.6 Grafik Metode Elbow Kasus Curanmor + + Merujuk pada Tabel 4.6 nilai selisih SSE paling tinggi tercatat sebesar 0,06. +Selisih ini muncul saat jumlah klaster meningkat dari k = 2 menjadi k = 3. Besarnya +penurunan SSE tersebut mengindikasikan adanya perbaikan signifikan dalam +pembentukan klaster saat ditambah menjadi tiga kelompok. Selain itu, tampak pada + 41 + +Grafik Elbow di gambar 4.6 bahwa terbentuk sudut siku yang jelas pada titik k = 3. +Sudut tersebut menunjukkan bahwa setelah k = 3, penurunan SSE menjadi lebih +landai dan tidak terlalu berarti. Keadaan ini menunjukkan bahwa k = 3 merupakan +titik optimal sebelum efektivitas pengelompokan berkurang. Maka, dapat +disimpulkan bahwa tiga klaster adalah pilihan terbaik untuk pengelompokan data +curanmor. + +4.3.6 Menentukan Centroid Awal Pada Setiap Klaster + Setelah mengetahui atau menentukan nilai k yang optimal untuk masing- + +masing data curas dan curanmor, selanjutnya perlu menentukan nilai centroid awal +untuk setiap klaster. Pada penelitian ini nilai k yang telah ditetapkan yaitu 3, baik +untuk data curas maupun data curanmor, sehingga perlu 3 nilai centroid untuk +masing-masing kasus. Dalam menentukan nilai centroid awal, tidak ada aturan yang +mengatur bagaimana pemilihan centroid awal, atau dengan kata lain, penentuan +nilai centroid awal dapat dipilih secara acak. Berikut nilai centroid awal yang telah +dipilih secara acak untuk masing-masing data. + +a. Centroid awal untuk data curas +Tabel 4.7 Nilai Centroid Awal Data Kasus Curas + +Centroid Nilai Centroid + C1 0,00 + C2 0,50 + +C3 1,00 + + Sesuai pada tabel 4.4, nilai centroid awal yang ditetapkan untuk data curas +Kabupaten Probolinggo yaitu C1 = 0; C2 =0,50; dan untuk C3 = 1,00. +b. Centroid awal untuk data curanmor +Tabel 4.8 Nilai Centroid Awal Data Kasus Curas + +Centroid Nilai Centroid + C1 0,20 + C2 0,50 + 42 + +C3 0,80 + +Sesuai pada tabel 4.5, nilai centroid awal yang ditetapkan untuk data + +curanmor Kabupaten Probolinggo yaitu C1 = 0,20; C2 =0,50; dan untuk C3 = 0,80. + +4.3.7 Menghitung Jarak Setiap Data Terhadap Centroid + Setelah menentukan nilai centroid awal pada setiap klaster, langkah + +selanjutnya yaitu menghitung jarak dari masing-masing data terhadap masing- +masing centroid. Pada tahap perhitungan jarak ini dilakukan berulang kali hingga +tidak ada perubahan pada anggota dari masing-masing klaster pada iterasi +selanjutnya. Perhitungan jarak berulang tersebut disebut sebagai iterasi. Penulis +menghitung jarak antar data pada masing-masing kecamatan terhadap masing- +masing centroid pada setiap kasusnya. + +a. Perhitungan Jarak Data Kasus Curas + Dalam iterasi pertama ini penulis menggunakan data curas yang sudah di + +normalisasi pada kecamatan Bantaran sebagai contoh perhitungan jarak data +terhadap setiap centroid. Pada Kecamatan Bantaran nilai data curas yang telah +dinormalisasi yaitu 0,00. +(1, 1) = |0 − 0| + + =0 +(1, 2) = |0,50 − 0| + + = 0,50 +(1, 2) = |1 − 0| + + = 1,00 + Pada iterasi pertama ini, seluruh data curas yang telah dinormalisasi pada +setiap kecamatan dihitung jaraknya terhadap masing-masing nilai centroid awal. +Setelah setiap data curas dihitung jaraknya, kemudian ditentukanlah data tersebut +merupakan bagian dari anggota klaster yang mana berdasarkan jarak terkecil +terhadap centroid klaster. Hasil perhitungan jarak data curas terhadap masing- +masing centroid bisa dilihat pada tabel 4.9 + 43 + +Tabel 4.9 Perhitungan Jarak Pada Kasus Curas di Iterasi Pertama + +Kecamatan C1 C2 C3 Klaster + +Bantaran 0,00 0,50 1,00 C1 + +Banyuanyar 0,33 0,17 0,67 C2 + +Besuk 0,67 0,17 0,33 C2 + +Dringu 0,33 0,17 0,67 C2 + +Gading 0,33 0,17 0,67 C2 + +Gending 0,33 0,17 0,67 C2 + +Kotaanyar 0,00 0,50 1,00 C1 + +Kraksaan 0,33 0,17 0,67 C2 + +Krenjengan 0,33 0,17 0,67 C2 + +Krucil 0,00 0,50 1,00 C1 + +Kuripan 0,00 0,50 1,00 C1 + +Leces 0,00 0,50 1,00 C1 + +Lumbang 0,00 0,50 1,00 C1 + +Maron 0,00 0,50 1,00 C1 + +Paiton 0,33 0,17 0,67 C2 + +Pakuniran 0,00 0,50 1,00 C1 + +Pajarakan 0,00 0,50 1,00 C1 + +Sukapura 0,00 0,50 1,00 C1 + +Sumber 0,00 0,50 1,00 C1 + +Sumberasih 0,33 0,17 0,67 C2 + +Tegalsiwalan 0,00 0,50 1,00 C1 + +Tiris 0,00 0,50 1,00 C1 + +Tongas 1,00 0,50 0,00 C3 + +Wonomerto 0,67 0,17 0,33 C2 + + Pada iterasi pertama proses klasterisasi data curas, jumlah data yang masuk + +ke masing-masing klaster adalah : C1 sebanyak 13 data, C2 terdiri dari 10 data, dan + 44 + +untuk C3 berjumlah 1 data. Meskipun demikian, jumlah ini masih dapat berubah +pada iterasi berikutnya. Untuk mempermudah dalam mengetahui hasil clustering +pada iterasi pertama, dapat dilihat pada tabel 4.10 + +Tabel 4.10 Hasil Klaster Sementara Pada Kasus Curas di Iterasi Pertama + + C1 C2 C3 + +Bantaran Banyuanyar Tongas + +Kotaanyar Besuk + +Krucil Dringu + +Kuripan Gading + +Leces Gending + +Lumbang Kraksaan + +Maron Krenjengan + +Pakuniran Paiton + +Pajarakan Sumberasih + +Sukapura Wonomerto + +Sumber + +Tegalsiwalan + +Tiris + + Hasil clustering pada tabel 4.10 akan menjadi acuan dalam perhitungan + +centroid untuk iterasi selanjutnya. + +b. Perhitungan Jarak Data Kasus Curanmor + + Dalam iterasi pertama ini penulis menggunakan data curanmor pada +kecamatan Bantaran sebagai contoh perhitungan jarak data terhadap setiap centroid. +Nilai data curanmor di Kecamatan Bantaran yang telah dinormalisasi yaitu 0,04. + +(1, 1) = |0,20 − 0,04| + + = 0,16 + +(1, 2) = |0,50 − 0,04| + + = 0,46 + +(1, 2) = |0,80 − 0,04| + + = 0,76 + 45 + + Pada iterasi pertama ini seluruh data curanmor yang telah di normalisasi pada +setiap kecamatan akan dihitung jaraknya terhadap masing-masing nilai centroid +awal. Setelah setiap data curanmor dihitung jaraknya, kemudian ditentukanlah data +tersebut bagian dari anggota klaster yang mana berdasarkan jarak terkecil terhadap +centroid klaster. Hasil perhitungan jarak data curanmor terhadap masing-masing +centroid bisa dilihat pada tabel 4.11 + +Tabel 4.11 Perhitungan Jarak Pada Kasus Curanmor di Iterasi Pertama + +Kecamatan C1 C2 C3 Klaster + C1 +Bantaran 0,16 0,46 0,76 + +Banyuanyar 0,14 0,44 0,74 C1 + +Besuk 0,10 0,40 0,70 C1 + +Dringu 0,10 0,20 0,50 C1 + +Gading 0,17 0,47 0,77 C1 + +Gending 0,01 0,29 0,59 C1 + +Kotaanyar 0,15 0,45 0,75 C1 + +Kraksaan 0,80 0,50 0,20 C3 + +Krenjengan 0,05 0,35 0,65 C1 + +Krucil 0,15 0,45 0,75 C1 + +Kuripan 0,19 0,49 0,79 C1 + +Leces 0,04 0,34 0,64 C1 + +Lumbang 0,20 0,50 0,80 C1 + +Maron 0,04 0,26 0,56 C1 + +Paiton 0,07 0,23 0,53 C1 + +Pakuniran 0,15 0,45 0,75 C1 + +Pajarakan 0,05 0,35 0,65 C1 + +Sukapura 0,19 0,49 0,79 C1 + +Sumber 0,19 0,49 0,79 C1 + +Sumberasih 0,16 0,46 0,76 C1 + 46 + +Tegalsiwalan 0,19 0,49 0,79 C1 + +Tiris 0,18 0,48 0,78 C1 + +Tongas 0,14 0,44 0,74 C1 + +Wonomerto 0,19 0,49 0,79 C1 + + Pada iterasi pertama proses klasterisasi data curanmor, jumlah data yang +masuk ke masing-masing klaster adalah : C1 sebanyak 23 data, C2 terdiri dari 0 +data, dan untuk C3 beranggotakan 1 data. Meskipun demikian, jumlah ini masih +dapat berubah pada iterasi selanjutnya. Untuk mempermudah dalam mengetahui +hasil clustering pada iterasi pertama, dapat dilihat pada tabel 4.12 + +Tabel 4.12 Hasil Klaster Sementara Pada Kasus Curanmor di Iterasi Pertama + + C1 C2 C3 +Bantaran + Kraksaan + +Banyuanyar + +Besuk + +Dringu + +Gending + +Gading + +Kotaanyar + +Krenjengan + +Krucil + +Kuripan + +Leces + +Lumbang + +Maron + +Paiton + +Pakuniran + +Pajarakan + +Sukapura + 47 + + Sumber + Sumberasih + Tegalsiwalan + Tiris + Tongas + Wonomerto + + Hasil clustering pada tabel 4.12 akan menjadi acuan dalam perhitungan +centroid untuk iterasi selanjutnya. + +4.3.8 Menentukan Nilai Centroid Baru + +Proses dalam perhitungan iterasi kedua sama dengan iterasi pertama. Namun + +centroidnya tidak menggunakan nilai acak lagi, melainkan berpedoman pada hasil + +clustering dari iterasi pertama. Proses menentukan centroid yang baru dengan + +menghitung rata-rata data pada setiap klaster yang sudah terbentuk di iterasi + +pertama. Berikut merupakan perhitungan centroid baru dari masing-masing kasus + +curas dan curanmor. + +a. Perhitungan Centroid Baru Data Curas = 0,4 + + 0+0+0+0+0+0+0+0+0+0+0+0+0 +1 = + + 13 + + =0 +2 = , , , , , , , , , , + +3 = = 1 + + Dari perhitungan tersebut sudah menghasilkan nilai centroid baru yang +berbeda dari centroid acak di awal. Hasil perhitungan yang berupa centroid baru +dapat dilihat pada tabel 4.13 + +Tabel 4.13 Centroid Baru Hasil Iterasi Pertama Data Kasus Curas + +Centroid Nilai Centroid + +C1 0 + +C2 0,4 + 48 + + C3 1 + + Centroid baru untuk kasus curas pada table 4.13 akan digunakan untuk +perhitungan jarak data pada iterasi kedua. +b. Perhitungan Centroid Baru Data Curanmor + +Selanjutnya perlu juga menghitung centroid baru untuk kasus curanmor + +dengan berdasarkan hasil clustering dari iterasi pertama. + +1 = 2,03 = 0,09 + + 23 + +2 = 0,50 + + 1 +3 = = 1 + + 1 + Dari perhitungan tersebut sudah menghasilkan nilai centroid baru yang + +berbeda dari centroid acak di awal untuk C1 dan C3. Namun, untuk C2 nilai + +centroid tidak berubah, dikarenakan pada iterasi pertama C2 tidak memiliki + +anggota, sehingga nilai centroid baru tidak bisa di hitung. Oleh karena itu C2 tetap + +menggunakan nilai centroid yang sama seperti sebelumnya . Hasil perhitungan yang + +berupa centroid baru dapat dilihat pada tabel 4.14 + +Tabel 4.14 Centroid Baru Hasil Iterasi Pertama Data Kasus Curanmor + + Centroid Nilai Centroid + + C1 0,09 + + C2 0,50 + + C3 1,00 + + Centroid baru untuk kasus curanmor pada table 4.14 akan digunakan untuk +perhitungan jarak data pada iterasi kedua. + +4.3.9 Melakukan Iterasi Selanjutnya + Setelah mendapatkan centroid baru dari hasil iterasi pertama, langkah + +selanjutnya melakukan iterasi kedua dengan menggunakan centroid baru. Pada +iterasi kedua juga mengelompokkan data ke klaster berdasarkan jarak terdekat dari +data tersebut ke masing-masing centroid. + 49 + + Setelah mengetahui anggota klaster yang baru dari iterasi kedua, dilakukan +pengecekan apakah anggota klaster iterasi kedua sama dengan anggota kaster dari +iterasi pertama tadi. Jika tidak ada perubahan anggota klaster dari iterasi pertama +ke iterasi kedua, maka proses clustering sudah bisa dianggap konvergen, sehingga +hasil akhir dari iterasi kedua merupakan hasil akhir dari proses K-Means Clustering. + + Namun ketika ada perbedaan anggota klaster antara hasil iterasi pertama dan +iterasi kedua, maka proses iterasi akan dilanjutkan. Proses tersebut mengulangi +tahap penentuan centroid baru dari iterasi sebelumnya, perhitungan jarak untuk +iterasi selanjutnya, dan pengecekan anggota klaster dari iterasi sebelumnya dengan +iterasi selanjutnya hingga mencapai konvergen atau tidak ada perubahan anggota +klaster pada dua iterasi terakhir. + +4.3.10 Hasil Akhir K-Means Clustering + Setelah melanjutkan iterasi kedua dan seterusnya untuk masing-masing data + +kasus, proses iterasi k-means clustering berhenti sesuai ketentuan ketika tidak ada +perubahan anggota klaster lagi. Iterasi terakhir pada masing-masing kasus berbeda. +Berikut iterasi terakhir dan juga hasil final dari k-means clustering pada masing- +masing kasus. + +a. Iterasi Terakhir dan Hasil Final Clustering Kasus Curas + Proses iterasi pada kasus curas berhenti pada iterasi kedua, karena tidak ada + +lagi perubahan anggota klaster antara iterasi pertama ke iterasi kedua. Selain itu +untuk centroid terakhirnya merupakan centroid yang dihasilkan dari hasil +klasterisasi pada iterasi pertama. Centroid terakhir yang digunakan dan juga +perhitungan jarak di iterasi kedua (iterasi terakhir) dicantumkan pada tabel 4.15 + +Tabel 4.15 Centroid Akhir Data Kasus Curas + +Centroid Nilai Centroid + C1 0 + C2 0,4 + C3 1 + 50 + + Nilai centroid terakhir pada tabel 4.15 merupakan hasil perhitungan dari +iterasi sebelumnya (iterasi pertama). Nilai centroid tersebut yang kemudian +digunakan untuk menghitung jarak pada iterasi selanjutnya (iterasi kedua) pada +tabel 4.16 + +Tabel 4.16 Iterasi Akhir Data Kasus Curas + +Kecamatan C1 C2 C3 Klaster + C1 +Bantaran 0,00 0,40 1,00 + +Banyuanyar 0,33 0,07 0,67 C2 + +Besuk 0,67 0,27 0,33 C2 + +Dringu 0,33 0,07 0,67 C2 + +Gading 0,33 0,07 0,67 C2 + +Gending 0,33 0,07 0,67 C2 + +Kotaanyar 0,00 0,40 1,00 C1 + +Kraksaan 0,33 0,07 0,67 C2 + +Krenjengan 0,33 0,07 0,67 C2 + +Krucil 0,00 0,40 1,00 C1 + +Kuripan 0,00 0,40 1,00 C1 + +Leces 0,00 0,40 1,00 C1 + +Lumbang 0,00 0,40 1,00 C1 + +Maron 0,00 0,40 1,00 C1 + +Paiton 0,33 0,07 0,67 C2 + +Pakuniran 0,00 0,40 1,00 C1 + +Pajarakan 0,00 0,40 1,00 C1 + +Sukapura 0,00 0,40 1,00 C1 + +Sumber 0,00 0,40 1,00 C1 + +Sumberasih 0,33 0,07 0,67 C2 + +Tegalsiwalan 0,00 0,40 1,00 C1 + +Tiris 0,00 0,40 1,00 C1 + 51 + +Tongas 1,00 0,60 0,00 C3 + +Wonomerto 0,67 0,27 0,33 C2 + + Pada tabel 4.16 merupakan perhitungan jarak dari iterasi terakhir dalam +proses k-means clustering untuk kasus curas, karena sudah tidak ada perubahan +anggota klaster antara iterasi sebelumnya (iterasi pertama) dengan iterasi +selanjutnya (iterasi kedua). Hasil clustering dari iterasi kedua atau bisa disebut hasil +akhir proses k-means clustering dapat dijelaskan pada tabel 4.17 + +Tabel 4.17 Hasil Akhir Klaster Kasus Curas + + C1 C2 C3 + +Bantaran Banyuanyar Tongas + +Kotaanyar Besuk + +Krucil Dringu + +Kuripan Gading + +Leces Gending + +Lumbang Kraksaan + +Maron Krenjengan + +Pakuniran Paiton + +Pajarakan Sumberasih + +Sukapura Wonomerto + +Sumber + +Tegalsiwalan + +Tiris + + Untuk mempermudah pembaca dalam memahami hasil akhir clustering atau + +untuk mempermudah mengetahui kecamatan mana yang termasuk kategori rawan., + +maka hasil akhir clustering pada tabel 4.17 di ubah nama kategorinya yang + +sebelumnya C1, C2, C3 menjadi Rawan, Sedang, dan Tidak Rawan. + + Nama klaster yang baru yaitu Rawan, Sedang, dan Tidak Rawan memiliki + +karakteristik masing-masing. Nama klaster rawan memiliki arti bahwa kecamatan + +pada klaster tersebut sering terjadi kasus curas dari pada kecamatan di klaster yang + +lain. Sedangkan klaster aman memiliki karakteristik kecamatan yang masuk pada + 52 + +klaster ini memiliki kejadian curas lebih sedikit dari kecamatan pada klaster lain. +Kemudian untuk klaster sedang, memiliki karakteristik kecamatan yang masuk +menjadi anggotanya merupakan kecamatan yang kejadian curasnya tidak lebih +banyak kasus curasnya daripada kecamatan yang ada di klaster rawan dan tidak +lebih sedikit dari kecamatan yang ada di klaster aman, atau dengan kata lain klaster +yang dikategorikan sedang merupakan klaster yang letaknya berada di tengah- +tengah dalam diagram persebaran klaster. + + Dalam perubahan nama kategori tersebut perlu memperhatikan karakteristik +dari masing-masing kategori dengan data yang masuk dalam kategori tersebut. Jadi +penamaan kategori yang baru mengikuti centroid terakhir yang digunakan, karena +centroid merupakan cerminan dari data yang ada dalam klaster tersebut. Dalam +studi kasus ini klaster C3 bisa berubah nama menjadi klaster rawan, karena nilai +centroidnya lebih tinggi dari klaster lainnya. Kemudian untuk klaster C1 bisa +berubah nama menjadi klaster aman, karena nilai centroidnya lebih kecil dari +klaster lainnya. Selanjutnya untuk C2 bisa berubah menjadi klaster sedang, karena +nilai centroidnya tidak lebih besari dari C3 dan tidak lebih kecil dari C1. Jadi hasil +clustering menggunakan nama klaster yang baru dapat dilihat pada tabel 4.18 + +Tabel 4.18 Hasil Akhir Klaster Data Curas + + Aman Sedang Rawan +Bantaran Banyuanyar Tongas +Kotaanyar Besuk +Krucil Dringu +Kuripan Gading +Leces Gending +Lumbang Kraksaan +Maron Krenjengan +Pakuniran Paiton +Pajarakan Sumberasih +Sukapura Wonomerto +Sumber + 53 + + Tegalsiwalan + Tiris + + Dari tabel 4.18 dapat disimpulkan bahwa klaster rawan hanya memiliki 1 +anggota yaitu kecamatan Tongas. Untuk klaster sedang memiliki 10 anggota, yaitu +kecamatan Banyuanyar, Besuk, Dringu, Gading, Gending, Kraksaan, Krenjengan, +Paiton, Sumberasih, dan Wonomerto. Sedangkan untuk klaster aman memiliki 13 +anggota yang terdiri dari Kecamatan Bantaran, Kotaanyar, Krucil, Kuripan, Leces +Lumbang Maron, Pakuniran, Pajarakan, Sukapura, Sumber, Tegalsiwalan, dan +Tiris. +b. Iterasi Terakhir dan Hasil Final Clustering Kasus Curanmor + + Proses iterasi pada kasus curanmor berhenti pada iterasi ke enam, karena tidak +ada lagi perubahan anggota klaster antara iterasi ke-lima dengan iterasi ke-enam. +Selain itu untuk centroid terakhirnya merupakan centroid yang dihasilkan dari hasil +klasterisasi pada iterasi kelima. Centroid terakhir yang digunakan dan juga +perhitungan jarak di iterasi ke-enam (iterasi terakhir) dicantumkan pada tabel 4.19 + +Tabel 4.19 Centroid Akhir Data Kasus Curanmor + + Centroid Nilai Centroid + + C1 0,03 + + C2 0,21 + + C3 1,00 + + Nilai centroid terakhir pada tabel 4.19 merupakan hasil perhitungan dari +iterasi sebelumnya (iterasi kelima). Nilai centroid tersebut yang kemudian +digunakan untuk menghitung jarak pada iterasi selanjutnya (iterasi ke-enam) pada +tabel 4.20. + +Tabel 4.20 Iterasi Akhir Kasus Curanmor + +Kecamatan C1 C2 C3 Klaster + C1 +Bantaran 0,01 0,17 0,96 + +Banyuanyar 0,03 0,15 0,94 C1 + +Besuk 0,07 0,11 0,90 C1 + 54 + +Dringu 0,27 0,09 0,70 C2 + +Gading 0,00 0,18 0,97 C1 + +Gending 0,18 0,00 0,79 C2 + +Kotaanyar 0,02 0,16 0,95 C1 + +Kraksaan 0,97 0,79 0,00 C3 + +Krenjengan 0,12 0,06 0,85 C2 + +Krucil 0,02 0,16 0,95 C1 + +Kuripan 0,02 0,20 0,99 C1 + +Leces 0,13 0,05 0,84 C2 + +Lumbang 0,03 0,21 1,00 C1 + +Maron 0,21 0,03 0,76 C2 + +Paiton 0,24 0,06 0,73 C2 + +Pakuniran 0,02 0,16 0,95 C1 + +Pajarakan 0,12 0,06 0,85 C2 + +Sukapura 0,02 0,20 0,99 C1 + +Sumber 0,02 0,20 0,99 C1 + +Sumberasih 0,01 0,17 0,96 C1 + +Tegalsiwalan 0,02 0,20 0,99 C1 + +Tiris 0,01 0,19 0,98 C1 + +Tongas 0,03 0,15 0,94 C1 + +Wonomerto 0,02 0,20 0,99 C1 + + Pada tabel 4.20 merupakan perhitungan jarak atau iterasi terakhir dalam + +proses k-means clustering untuk kasus curanmor, karena sudah tidak ada perubahan +anggota klaster antara iterasi sebelumnya (iterasi kelima) dengan iterasi saat ini + +(iterasi ke-enam). Hasil clustering dari iterasi ke-enam atau bisa disebut hasil akhir +proses k-means clustering dapat dijelaskan pada tabel 4.21 + 55 + +Tabel 4.21 Hasil Akhir Klaster Kasus Curanmor + + C1 C2 C3 +Bantaran Dringu Kraksaan + +Banyuanyar Gending + +Besuk Krenjengan + +Gading Leces + +Kotaanyar Maron + +Krucil Paiton + +Kuripan Pajarakan + +Lumbang + +Pakuniran + +Sukapura + +Sumber + +Sumberasih + +Tegalsiwalan + +Tiris + +Tongas + +Wonomerto + + Untuk mempermudah pembaca dalam memahami hasil akhir clustering kasus +curanmor atau untuk mempermudah mengetahui kecamatan mana yang termasuk +kategori rawan., maka hasil akhir clustering pada tabel 4.18 di ubah nama +kategorinya yang sebelumnya C1, C2, C3 menjadi Rawan, Sedang, dan Tidak +Rawan mengikuti aturan yang dilakukan pada data curas. Hasil clustering +menggunakan nama klaster yang baru dapat dilihat pada tabel 4.22 + +Tabel 4.22 Hasil Akhir Klaster Kasus Curanmor + + Aman Sedang Rawan +Bantaran Dringu Kraksaan +Banyuanyar Gending +Besuk Krenjengan + 56 + +Gading Leces + +Kotaanyar Maron + +Krucil Paiton + +Kuripan Pajarakan + +Lumbang + +Pakuniran + +Sukapura + +Sumber + +Sumberasih + +Tegalsiwalan + +Tiris + +Tongas + +Wonomerto + + Dari tabel 4.22 dapat disimpulkan bahwa klaster rawan untuk kasus curanmor + +hanya memiliki 1 anggota yaitu kecamatan Kraksaan. Untuk klaster sedang pada + +kasus curanmor memiliki 7 anggota, yaitu kecamatan Dringu, Gending, + +Krenjengan. Leces, Maron, Paiton, dan Pajarakan. Sedangkan untuk klaster aman + +memiliki 16 anggota yang terdiri dari Kecamatan Bantaran, Banyuanyar, Besuk, + +Gading, Kotaanyar, Krucil, Kuripan, Lumbang, Pakuniran, Sukapura, Sumber, + +Sumberasih, Tegalsiwalan, Tiris, dan Wonomerto. + +4.4 Pengembangan Sistem + + Pada tahapan pengembangan sistem, penulis mulai membuat produk untuk + +penelitian ini. Produk yang dibuat oleh penulis untuk penelitian ini berupa web + +sistem informasi geografis yang menampilkan pemetaan dari kasus curas dan juga + +kasus curanmor pada wilayah Kabupaten Probolinggo. Dalam melakukan + +pengembangan sistem, penulis berpedoman dengan flowchart setiap fitur dan use + +case diagram di gambar 4.14, sehingga sistem yang dikembangkan sesuai dengan + +perencanaan. Hasil dari pengembangan sistem ini, penulis jelaskan dalam beberapa + +bagian utama sebagai berikut. + 57 + +4.4.1 Flowchart Sistem + Pada bagian ini penulis membuat rancangan sistem dari web sistem informasi + +geografis pemetaan daerah rawan curas dan curanmor di Kabupaten Probolinggo +dalam bentuk flowchart untuk masing-masing fitur. Flowchart ini lah yang akan +menjadi dasar dalam tahapan pengembangan setelahnya. Berikut flowchart untuk +fitur-fitur utama : +a. Fitur Login + + Gambar 4.7 Flowchart Sistem Fitur Login + Gambar 4.7 tentang flowchart sistem untuk proses login menggambarkan +alur interaksi antara admin dan sistem, dimulai dari admin yang memasukkan +username dan password. Selanjutnya, sistem akan memverifikasi data yang +dimasukkan dengan menyesuaikannya dengan data yang tersimpan di dalam basis +data. Jika data tersebut valid dan sesuai, maka sistem akan mengarahkan admin ke + 58 + +halaman dashboard. Namun, apabila data tidak ditemukan atau tidak sesuai, sistem +akan menampilkan pesan kesalahan (error) dan proses login berakhir. +b. Fitur Tambah Data Curas + + Gambar 4.8 Flowchart Sistem Fitur Tambah Data Curas + Gambar 4.8 tentang flowchart sistem untuk proses tambah data curas +menggambarkan langkah-langkah yang dilakukan admin saat ingin menambahkan +data. Proses dimulai ketika admin masuk ke halaman tambah data curas, kemudian +memilih kecamatan yang diinginkan dan menginputkan tambahan data curas pada +kecamatan tersebut. Selanjutnya, sistem akan melakukan validasi terhadap data +yang dimasukkan. Jika data tidak valid, sistem akan menampilkan pesan kesalahan +(error) dan proses berakhir. Namun, apabila data valid, maka sistem akan + 59 + +menyimpan atau memperbarui data curas pada kecamatan tersebut, kemudian +secara otomatis menjalankan fungsi hitung K-Means. Setelah proses tersebut +selesai, admin akan diarahkan kembali ke halaman data curas dan proses pun +berakhir. +c. Fitur Batalkan Penambahan Data Curas + + Gambar 4.9 Flowchart Sistem Fitur Batalkan Penambahan Curas + Gambar 4.9 tentang flowchart sistem untuk fitur batalkan penambahan data +curas menggambarkan proses ketika admin ingin membatalkan penambahan data +curas yang sebelumnya telah ditambahkan. Proses dimulai saat admin masuk ke +halaman detail kasus curas, lalu memilih untuk membatalkan penambahan data +curas di kecamatan pada waktu tertentu. Setelah pilihan dilakukan, sistem akan + 60 +menghapus data yang dimaksud, kemudian secara otomatis menjalankan kembali +proses K-Means dan Elbow Method untuk memperbarui hasil klasterisasi. Setelah +proses selesai, admin akan diarahkan ke halaman data curas dengan pesan sukses +sebagai konfirmasi bahwa penambahan data yang telah dilakukan sebelumnya telah +dibatalkan. Proses ini kemudian diakhiri. +d. Fitur Tambah Data Curanmor + + Gambar 4.10 Flowchart Sistem Fitur Tambah Data Curanmor + Gambar 4.10 tentang flowchart sistem untuk proses penambahan data +curanmor menunjukkan alur yang dijalankan oleh admin ketika ingin memasukkan + 61 + +data baru. Proses diawali dengan admin mengakses halaman tambah data curanmor, +lalu memilih kecamatan dan mengisikan jumlah data curanmor sesuai wilayah +tersebut. Sistem kemudian memverifikasi validitas data yang dimasukkan. Apabila +ditemukan data tidak valid, sistem akan menampilkan pesan kesalahan (error) dan +proses dihentikan. Sebaliknya, jika data dinyatakan valid, sistem akan menyimpan +atau memperbarui data curanmor tersebut, lalu secara otomatis menjalankan +perhitungan menggunakan algoritma K-Means. Setelah proses tersebut selesai, +admin akan dialihkan kembali ke halaman data curanmor, dan proses pun +dinyatakan selesai. +e. Fitur Batalkan Penambahan Data Curanmor + + Gambar 4.11 Flowchart Sistem Fitur Batalkan Tambahan Data Curanmor + 62 + + Gambar 4.11 tentang flowchart sistem untuk fitur batalkan penambahan data +curanmor, menunjukkan alur ketika admin ingin menghapus data curanmor yang +telah ditambahkan sebelumnya. Proses diawali dengan admin membuka halaman +detail kasus curanmor, lalu memilih opsi pembatalan pada data curanmor di +kecamatan dan waktu tertentu. Setelah pilihan tersebut dikonfirmasi, sistem akan +menghapus data yang dimaksud dan secara otomatis menjalankan ulang proses K- +Means serta Elbow Method untuk memperbarui hasil pengelompokan. Setelah +seluruh proses selesai, sistem akan mengarahkan admin kembali ke halaman data +curanmor dengan notifikasi sukses sebagai tanda bahwa pembatalan telah berhasil +dilakukan. +f. Fitur Menampilkan Hasil Pemetaan + + Gambar 4.12 Flowchart Sistem Fitur Tampil Hasil Pemetaan + Gambar 4.12 tentang flowchart sistem untuk fitur menampilkan peta hasil +klastering kasus curas dan curanmor menggambarkan proses ketika admin ingin +melihat hasil klastering dalam tampilan peta berdasarkan kasus. Proses dimulai +dengan admin memilih menu map, kemudian sistem akan menampilkan hasil +pemetaan sesuai dengan kasus yang dipilih oleh admin, baik kasus curas maupun +curanmor. Setelah peta berhasil ditampilkan kepada admin, proses berakhir. + 63 +g. Fitur Logout + + Gambar 4.13 Flowchart Sistem Fitur Logout + Gambar 4.13 flowchart sistem untuk fitur log out menggambarkan proses saat +admin keluar dari akun. Proses dimulai ketika admin menekan tombol log out, +kemudian sistem menghapus sesi yang terkait dengan akun admin tersebut. Setelah +sesi berhasil dihapus, sistem mengarahkan admin kembali ke halaman login, dan +proses pun selesai. + 64 +4.4.2 Use Case Diagram + + Gambar 4.14 Use Case Diagram + Pada gambar 4.14 dijelaskan terdapat dua pengguna dalam system yang akan +dikembangkan. Dua pengguna tersebut merupakan admin dan pengunjung web +yang memiliki hak akses yang berbeda beda dalam sistem. Admin mempunyai +akses terhadap halaman dashboard, halaman data kecamatan, data klaster, data +kasus curas, data kasus curanmor, dan detail perhitungan k-means. Fitur-fitur + 65 + +tersebut dapat di akses oleh admin dengan melakukan login terlebih dahulu.. Dapat +dinyatakan bahwa admin mempunyai akses yang lebih tinggi terhadap system, +karena dengan memiliki akses terhadap fitur-fitur tersebut, maka admin dapat juga +mengubah data yang ada sehingga bisa mempengaruhi hasil clustering yang terjadi. +Kemudian untuk pengunjung web memiliki hak akses pada halaman utama yang +berisi peta hasil clustering kasus curas dan curanmor, sehingga dapat dinyatakan +bahwa pengunjung web hanya dapat melihat data yang ditampilkan dan tidak dapat +mengubahnya. +4.4.3 Database Sistem + + Pembuatan database dilakukan berdasarkan analisis yang telah dirancang +pada tahap sebelumnya. Penulis merujuk pada flowchart dan diagram use case yang +telah disusun sebagai acuan utama dalam merancang struktur database. Informasi +dari kedua diagram tersebut membantu penulis dalam mengidentifikasi kebutuhan +data serta relasi antar entitas yang dibutuhkan dalam sistem. Hasil dari perancangan +ini kemudian dibuat menjadi suatu database yang memiliki relasi antar tabelnya. +Database sistem yang dibuat dapat dilihat pada Gambar 4.15 + 66 + + Gambar 4.15 Database Sistem + Pada Gambar 4.15 yang merupakan struktur database yang digunakan pada +Web SIG. Pada database tersebut terdiri dari tujuh tabel dengan tiga tabel +diantaranya merupakan tabel master. Tiga tabel yang dimaksud dalam tabel master +yaitu, tabel users yang menyimpan data pengguna, tabel klasters yang menyimpan +data klaster, dan tabel kecamatans, yang menyimpan data kecamatan. Pada tabel +tersebut juga menggunakan teori normalisasi 2nf, yang terbukti dengan adanya +tabel detail_curas dan detail_curanmors yang menyimpan tambahan data kasus +curas dan curanmor pada setiap tanggalnya. Penjelasan lebih rinci terkait masing- +masing tabel pada database akan diuraikan sebagai berikut. +a. Tabel Users + 67 + + Gambar 4.16 Tabel Data Users + Penulis melampirkan struktur tabel users pada Gambar 4.16 untuk +memberikan gambaran rinci mengenai desain tabel yang digunakan dalam sistem. +Tabel users memiliki sembilan field, yaitu id, nama, email, password, foto_profil, +email_verified_at, remember_token, created_at, dan updated_at. Field id berperan +sebagai primary key yang digunakan untuk mengidentifikasi setiap data secara unik. +Selain itu, field id dan email masing-masing diberi aturan unique agar tidak terjadi +duplikasi data pengguna. Field password menyimpan kata sandi yang telah +dienkripsi guna menjaga keamanan akun admin. Field email_verified_at berfungsi +mencatat waktu ketika alamat surel berhasil diverifikasi oleh sistem. Sementara itu, +field remember_token, created_at, dan updated_at digunakan dalam proses +autentikasi serta pelacakan waktu pembuatan dan pembaruan data pengguna dalam +sistem. Tabel users ini berfungsi untuk menyimpan data akun admin yang memiliki +wewenang dalam mengelola dan melakukan perubahan terhadap data yang tersedia +di dalam aplikasi web. +b. Tabel Kecamatans + + Gambar 4.17 Data Tabel Kecamatans + Penulis melampirkan struktur tabel kecamatans pada Gambar 4.17 sebagai +bagian dari dokumentasi perancangan database. Tabel ini terdiri atas empat field, +yaitu id, nama_kecamatan, created_at, dan updated_at. Field id berperan sebagai + 68 + +primary key yang berfungsi untuk mengidentifikasi setiap data kecamatan secara +unik. Tabel kecamatans digunakan untuk menyimpan data seluruh kecamatan yang +berada di wilayah Kabupaten Probolinggo. Field nama_kecamatan berisi nama- +nama kecamatan, sedangkan created_at dan updated_at mencatat waktu pembuatan +serta pembaruan data pada tabel tersebut. Dengan adanya tabel ini, sistem dapat +mengelola data wilayah secara terstruktur dan efisien. +c. Tabel Klasters + + Gambar 4.18 Struktur Tabel Klasters + Struktur tabel klasters ditampilkan pada Gambar 4.18 sebagai bagian dari +penjabaran rancangan tabel yang diterapkan dalam sistem. Tabel ini terdiri atas lima +field, yaitu id, nama_klaster, warna, created_at, dan updated_at. Field id berperan +sebagai primary key yang berfungsi untuk membedakan setiap entri klaster secara +unik. Tabel klasters dibuat untuk menyimpan informasi klaster yang menjadi dasar +penamaan klaster hasil proses K-Means. Field nama_klaster digunakan untuk +mencatat nama dari masing-masing klaster, sedangkan field warna berfungsi +sebagai indikator visual dalam proses pemetaan. Adapun field created_at dan +updated_at mencatat waktu saat data klaster dibuat dan diperbarui. Tabel ini +memegang peran penting dalam mendukung penyajian hasil klasterisasi secara +visual, terutama pada tampilan peta dalam antarmuka sistem. +d. Tabel Curas + 69 + + Gambar 4.19 Struktur Tabel Curas + Penulis melampirkan struktur tabel curas pada Gambar 4.19 sebagai bagian +dari dokumentasi perancangan database dalam sistem. Tabel ini memiliki enam +field, yaitu id, klaster_id, kecamatan_id, jumlah_curas, created_at, dan +updated_at. Field id berfungsi sebagai primary key yang digunakan untuk +mengidentifikasi setiap entri data kasus curas secara unik. Sementara itu, klaster_id +merupakan foreign key yang menghubungkan data pada tabel curas dengan tabel +klasters, dengan relasi satu klaster dapat memiliki banyak data kasus curas (one to +many). Di sisi lain, kecamatan_id juga berperan sebagai foreign key yang +menghubungkan tabel curas dengan tabel kecamatans, dengan relasi satu +kecamatan hanya memiliki satu entri kasus curas (one to one). + Tabel curas dirancang khusus untuk menyimpan data mengenai jumlah tindak +pidana pencurian dengan kekerasan yang terjadi di setiap kecamatan. Data ini +menjadi komponen utama dalam proses pengelompokan menggunakan metode K- +Means clustering. Melalui tabel ini, sistem dapat mengelola dan menganalisis pola +sebaran kasus curas berdasarkan wilayah serta klaster yang terbentuk. Informasi +yang tersimpan juga memungkinkan visualisasi data secara akurat pada antarmuka +pengguna, seperti peta dan tabel analisis. Dengan struktur dan relasi yang telah +dirancang, tabel curas berperan penting dalam mendukung sistem pengambilan +keputusan berbasis data spasial. +e. Tabel Detail_Curas + 70 + + Gambar 4.20 Struktur Tabel Detail_Curas + Penulis melampirkan struktur tabel detail_curas pada Gambar 4.20 sebagai +bagian dari perancangan sistem untuk mencatat rincian pembaruan data kasus curas. +Tabel ini memiliki enam field, yaitu id, curas_id, tambahan_curas, +detailCuras_kecamatan_id, created_at, dan updated_at. Field id berperan sebagai +primary key yang mengidentifikasi setiap entri secara unik. Field curas_id +merupakan foreign key yang merepresentasikan relasi satu data pada tabel curas +dapat memiliki banyak data pada tabel detail_curas (one to many). Selain itu, field +detailCuras_kecamatan_id juga berperan sebagai foreign key yang menunjukkan +bahwa satu kecamatan dapat memiliki banyak entri pada tabel ini (one to many). +Tabel detail_curas dirancang untuk menyimpan data pembaruan jumlah kasus curas +yang terjadi di kecamatan tertentu pada waktu atau tanggal tertentu, sehingga +riwayat perkembangan kasus dapat tercatat dan dianalisis secara kronologis. +f. Tabel Curanmors + + Gambar 4.21Struktur Tabel Curanmors + Gambar 4.21 menampilkan struktur tabel curanmors yang disertakan penulis +sebagai bagian dari rancangan database sistem. Tabel ini memiliki enam field, +yakni id, klaster_id, kecamatan_id, jumlah_curanmor, created_at, dan updated_at. +Field id berperan sebagai primary key yang berfungsi untuk membedakan setiap +entri data secara unik. Adapun klaster_id merupakan foreign key yang menunjukkan + 71 + +keterkaitan antara tabel curanmors dan klasters, di mana satu klaster dapat memiliki +banyak data kasus curanmor (one to many). Di sisi lain, kecamatan_id juga +berperan sebagai foreign key yang menggambarkan bahwa satu kecamatan hanya +memiliki satu data curanmor (one to one), sehingga satu baris data +merepresentasikan satu kecamatan. + + Tabel curanmors difungsikan untuk merekam jumlah kasus pencurian +kendaraan bermotor di setiap kecamatan di wilayah Kabupaten Probolinggo. +Informasi yang dihimpun dalam tabel ini menjadi komponen penting dalam +pelaksanaan metode K-Means clustering, yang digunakan untuk mengelompokkan +wilayah berdasarkan tingkat kerawanan. Melalui data tersebut, sistem dapat +mengungkap pola penyebaran kasus curanmor dan menghasilkan visualisasi dalam +bentuk peta atau tampilan analisis lainnya. Dengan desain struktur dan hubungan +antar tabel yang terencana, keberadaan tabel curanmors sangat vital dalam +menunjang analisis spasial serta pengambilan keputusan berbasis data. +g. Tabel Detail_Curanmors + + Gambar 4.22 Struktur Tabel Detail_Curanmors + Gambar 4.22 menampilkan struktur tabel detail_curanmor yang dilampirkan +oleh penulis sebagai bagian dari dokumentasi perancangan sistem. Tabel ini +memuat enam field, yakni id, curanmor_id, tambahan_curanmor, +detailCuranmor_kecamatan_id, created_at, dan updated_at. Field id berperan +sebagai primary key yang berfungsi untuk membedakan setiap data secara unik. +Sementara itu, field curanmor_id merupakan foreign key yang menjalin relasi +dengan tabel curanmor, di mana satu entri pada tabel curanmor dapat memiliki +banyak catatan pada tabel detail_curanmor (one to many). Selain itu, field +detailCuranmor_kecamatan_id juga bertindak sebagai foreign key yang + 72 + +menghubungkan data kecamatan, memungkinkan satu kecamatan memiliki banyak +entri pembaruan kasus curanmor (one to many). Tabel ini digunakan untuk mencatat +perkembangan data kasus pencurian kendaraan bermotor yang terjadi di masing- +masing kecamatan berdasarkan tanggal tertentu. Dengan demikian, informasi +peningkatan jumlah kasus dapat direkam dan dianalisis secara terstruktur dari +waktu ke waktu. +4.4.4 Fitur Fitur Pada Sistem + + Fitur- fitur yang ada pada web GIS yang dibuat oleh penulis, mengikuti dan +berpedoman dengan flowchart sistem, juga use case diagram, dan database yang +telah dibuat. Begitu juga dengan hak akses yang dimiliki seluruh pengguna terhadap +website tersebut. Sesuai dengan use case diagram, hak akses secara umum terbagi +menjadi dua, yaitu pengunjung web dan juga admin. Dalam web GIS ini +pengunjung web hanya bisa melihat informasi pada halaman utama saja, seperti +informasi tentang curas, curanmor, k-means, dan fitur pemetaan kecamatan rawan +curas dan curanmor di Kabupaten Probolinggo. Berbeda dengan pengunjung, admin +bisa mengakses keseluruhan fitur web, seperti halaman utama dan halaman admin, +sehingga admin bisa melakukan interaksi pada data-data pada web. Berikut macam- +macam fitur yang ada pada web GIS. +a. Halaman Utama (Landing Page) + + Gambar 4.23 Halaman Utama + 73 + 74 + + Penulis mencantumkan gambar tampilan halaman utama pada Gambar 4.23 +untuk menggambarkan antarmuka sistem. Halaman utama ini menyajikan +informasi singkat mengenai curas dan curanmor, serta penjelasan sederhana tentang +K-Means. Selain itu, halaman ini juga menyertakan fitur pemetaan kasus curas yang +dapat diakses oleh pengguna. Pada fitur pemetaan, pengguna dapat memilih jenis +data yang ingin dipetakan, apakah itu kasus curas atau curanmor, melalui dropdown +yang tersedia. Halaman ini bertujuan untuk memberikan gambaran umum serta +mempermudah pengguna dalam memahami dan melihat data secara visual. Dengan +adanya dropdown ini, pengguna bisa dengan mudah beralih antara kedua jenis +kasus yang ingin ditampilkan pada peta. +b. Halaman Login + + Gambar 4.24 Halaman Login + 75 + Penulis menampilkan gambar 4.24 yang merupakan halaman login sebagai +bagian dari dokumentasi sistem. Halaman login ini hanya dapat diakses oleh admin +yang memiliki hak akses. Untuk melakukan login, admin harus memasukkan email +yang terdaftar dan password yang sesuai. Setelah informasi yang dimasukkan valid, +sistem akan memverifikasi dan memberikan akses. Jika login berhasil, admin akan +diarahkan ke halaman dashboard. Halaman dashboard ini menyediakan fitur dan +informasi yang hanya dapat diakses oleh admin yang telah terverifikasi. +c. Halaman Dashboard + + Gambar 4.25 Halaman Dashboard Admin + 76 + + Selanjutnya, penulis menampilkan tampilan halaman dashboard pada +Gambar 4.25 yang hanya dapat diakses oleh admin. Halaman ini dirancang untuk +memberikan ringkasan informasi penting secara cepat dan terstruktur. Terdapat +daftar lima kecamatan teratas dengan jumlah kasus curas tertinggi yang ditampilkan +secara otomatis berdasarkan data yang ada. Selain itu, juga ditampilkan lima +kecamatan teratas dengan kasus curanmor tertinggi. Dashboard ini turut +menyajikan hasil pemetaan yang menggambarkan distribusi kasus secara visual. Di +samping itu, nilai k terbaik untuk proses clustering ditentukan menggunakan +metode SSE dan divisualisasikan melalui grafik elbow pada halaman yang sama. +d. Halaman Master Data Kecamatan + + Gambar 4.26 Halaman Master Kecamatan + 77 + + Selanjutnya, penulis menampilkan gambar halaman data kecamatan dan +halaman tambah data kecamatan pada gambar 4.26. Halaman ini menampilkan +daftar kecamatan yang berada di Kabupaten Probolinggo, di mana data tersebut +diambil langsung dari tabel kecamatans. Admin memiliki akses penuh untuk +mengelola data kecamatan yang ada pada sistem ini. Pengelolaan tersebut +mencakup kemampuan untuk melihat, menambahkan, memperbarui, dan +menghapus data kecamatan sesuai kebutuhan. Untuk menambahkan data baru, +tersedia halaman khusus bernama tambah kecamatan yang dirancang secara +sederhana dan mudah digunakan. Dengan fitur ini, admin dapat memastikan bahwa +informasi kecamatan selalu terkini dan lengkap. +e. Halaman Master Data Klaster + + Gambar 4.27 Halaman Master Kkaster + 78 + + Selanjutnya, penulis menampilkan gambar 4.27 yang merupakan halaman +data klaster dan halaman tambah data klaster. Halaman ini menampilkan daftar +klaster yang diambil dari tabel klasters dan digunakan untuk mengelompokkan +wilayah berdasarkan hasil analisis. Admin dapat mengelola data klaster yang ada, +seperti melihat, mengubah, maupun menghapus informasi yang sudah tersimpan. +Selain itu, tersedia juga halaman tambah klaster yang memungkinkan admin untuk +menambahkan data klaster baru. Pada halaman tersebut, admin cukup mengisikan +nama klaster serta memilih warna yang akan digunakan untuk merepresentasikan +klaster tersebut. Fitur ini bertujuan untuk mempermudah proses pengelompokan +dan visualisasi data pada sistem. +f. Halaman Master Data Curas + + Gambar 4.28 Halaman Master Data Curas + 79 + + Selanjutnya, penulis menampilkan gambar 4.28 yang merupakan halaman +data kasus curas, halaman tambah data curas, serta halaman detail kasus curas. Pada +halaman data curas, ditampilkan daftar kasus pencurian dengan kekerasan (curas) +di setiap kecamatan yang datanya diambil dari tabel curas. Daftar tersebut +ditampilkan dengan urutan berdasarkan kecamatan dengan jumlah kasus tertinggi, +sehingga mempermudah dalam mengidentifikasi wilayah yang paling rawan. +Informasi ini memberikan gambaran umum tentang persebaran kasus curas di +wilayah Kabupaten Probolinggo. + + Pada halaman tambah kasus curas, admin dapat memasukkan data kasus curas +terbaru dengan memilih nama kecamatan yang tersedia dan mengisikan jumlah +kasus yang ingin ditambahkan. Sementara itu, halaman detail curas menampilkan +informasi lebih rinci dari penambahan data yang dilakukan, yang dikelompokkan +berdasarkan tanggal. Hal ini memungkinkan admin untuk melihat riwayat + 80 +penambahan data curas, termasuk tanggal perubahan dan jumlah tambahan kasus +pada setiap entri. +g. Halaman Master Data Curanmor + + Gambar 4.29 Halaman Master Data Curanmor + Berikutnya, penulis menampilkan gambar 4.29 yang merupakan tampilan +halaman data curanmor, halaman untuk menambahkan data curanmor, serta + 81 + +halaman detail kasus curanmor. Di halaman data curanmor, ditampilkan informasi +mengenai jumlah kasus pencurian kendaraan bermotor di tiap kecamatan, yang +sumber datanya berasal dari tabel curanmors. Penyajian data dilakukan dengan +mengurutkan kecamatan berdasarkan jumlah kasus terbanyak, sehingga +memudahkan dalam mengenali daerah yang memiliki tingkat kerawanan curanmor +tertinggi di wilayah Kabupaten Probolinggo. + + Pada halaman tambah data curanmor, admin dapat memasukkan data kasus +baru dengan cara memilih kecamatan yang diinginkan dan menginput jumlah +kasusnya. Sementara itu, pada halaman detail curanmor, ditampilkan rincian +penambahan data kasus yang dikelompokkan menurut tanggal penambahan. +Terdapat informasi waktu perubahan data serta jumlah penambahannya. +h. Halaman Hasil Pemetaan + + Gambar 4.30 Halaman Hasil Pemetaan + 82 + + Penulis menampilkan gambar 4.30 yang merupakan halaman hasil pemetaan +yang terdiri dari pemetaan kasus curas dan pemetaan kasus curanmor. Tampilan +pemetaan ini menggunakan warna berbeda sesuai dengan kategori yang ditentukan +berdasarkan data yang terdapat pada tabel klaster. Warna-warna tersebut digunakan +untuk membedakan tingkat kerawanan di masing-masing kecamatan. Saat +pengguna mengklik salah satu wilayah pada peta, akan muncul informasi detail +yang berisi nama kecamatan, jumlah kasus curas atau curanmor, serta kategori +klaster yang dimiliki wilayah tersebut. Hal ini memudahkan pengguna dalam +memahami sebaran dan tingkat kerawanan kejahatan di Kabupaten Probolinggo +secara visual. +i. Halaman Detail Perhitungan + + Gambar 4.31 Halaman Detail Perhitungan K-Means + + Selanjutnya, penulis menampilkan gambar 4.31 yang merupakan halaman +detail perhitungan K-Means untuk kasus curas dan curanmor. Halaman ini + 83 + +memberikan gambaran lengkap mengenai proses pengelompokan data berdasarkan +algoritma K-Means. Di bagian awal halaman, ditampilkan centroid awal yang +dipilih secara acak dari data yang tersedia. Informasi ini penting karena menjadi +titik awal dalam menentukan kelompok atau klaster. Selanjutnya, pengguna dapat +melihat proses perhitungan jarak antara setiap data terhadap semua centroid pada +setiap iterasi. Dari proses ini, data akan dikelompokkan ke dalam klaster yang +memiliki jarak terdekat. Setiap iterasi yang terjadi akan ditampilkan hingga +hasilnya tidak mengalami perubahan lagi. + +4.5 Pengujian + Setelah menyelesaikan tahap pengembangan sistem, web sistem informasi + +geografis pemetaan daerah rawan curas dan curanmor di Kabupaten Probolinggo +sudah terlihat dan sudah bisa digunakan. Namun, sebelum digunakan oleh +pengguna, penting untuk dilakukan pengujian terlebih dahulu, agar ketika web +tersebut digunakan oleh pengguna, sudah sesuai dengan kebutuhan penggunanya. +Berikut dua macam pengujian yang dilakukan kepada sistem tersebut. + +4.5.1 Black Box Testing + Pengujian pertama sebelum digunakan oleh pengguna, perlu di uji oleh + +pakar IT dalam hal ini penulis memilih mahasiswa yang sedang menempuh studi di +rumpun Informatika agar pengujian yang dilakukan berpedoman pada syarat dan +standar sistem yang seharusnya. Hasil pengujian black box dan skenario pengujian +yang berpedoman dengan kebutuhan pengguna, baik dari sisi admin maupun dari +sisi pengunjung web terdapat pada Lampiran 12. + + Hasil pengujian yang dilakukan pada setiap test case akan ditandai dengan +kata pass jika hasil yang diharapkan sesuai dengan apa yang terjadi pada sistem. +Sedangkan kata fail jika hasil yang diharapkan tidak dipenuhi oleh sistem. Berikut +hasil pengujian yang telah dilakukan pada setiap fitur terdapat pada tabel 4.23 di +bawah ini : + 84 + +Tabel 4.23 Tabel Hasil Black Box Testing + +ID Test Valid / Invalid Hasil + + Fitur Login Pass + Pass +LG1 Valid Pass + Pass +LG2 Valid + Pass +LG3 Invalid Pass + Pass +LG4 Invalid + Pass + Fitur Dashboard Pass + Pass +DS1 Valid Pass + +DS2 Invalid Pass + Pass +DS3 Valid Pass + Pass + Fitur Data Kecamatan + Pass +KC1 Valid Pass + Pass +KC2 Invalid Pass + Pass +KC3 Valid Pass + +KC4 Valid + + Fitur Data Klaster + +KL1 Valid + +KL2 Invalid + +KL3 Valid + +KL4 Valid + + Fitur CRUD Data Curas + +CS1 Valid + +CS2 Invalid + +CS3 Valid + +CS4 Valid + +CS5 Valid + +CS6 Valid + 85 + + CS7 Valid Pass + CS8 + CS9 Invalid Pass +CS10 +CS11 Invalid Pass + +CM1 Valid Pass +CM2 +CM3 Valid Pass +CM4 +CM5 Fitur CRUD Data Curanmor +CM6 +CM7 Valid Pass +CM8 +CM9 Invalid Pass +CM10 +CM11 Valid Pass + + HP1 Valid Pass + HP2 + HP3 Valid Pass + HP4 + Valid Pass + DP1 + DP2 Valid Pass + +VK1 Invalid Pass +VK2 + Invalid Pass + + Valid Pass + + Valid Pass + + Fitur Hasil Pemetaan + + Valid Pass + + Valid Pass + + Valid Pass + + Valid Pass + + Fitur Detail Perhitungan + + Valid Pass + + Valid Pass + + Validasi Perhitungan K-Means + + Valid Pass + + Valid Pass + 86 + + Fitur Logout + +LO1 Valid Pass + + Halaman Utama + +LP1 Valid Pass + +LP2 Valid Pass + +LP3 Valid Pass + +LP4 Valid Pass + + Pada tabel 4.23 di atas terdapat sebanyak 50 test case yang diuji +menggunakan metode black box testing untuk memastikan bahwa setiap fungsi +pada sistem berjalan sesuai dengan yang diharapkan. Dari seluruh pengujian +tersebut, semua test case berhasil dijalankan dengan hasil "pass", yang berarti +sistem mampu merespons input dan menghasilkan output sesuai dengan spesifikasi. +Dengan demikian, tingkat keberhasilan pengujian mencapai 100%, menunjukkan +bahwa sistem telah memenuhi seluruh skenario pengujian yang dirancang tanpa +ditemukan kesalahan pada fungsionalitas yang diuji. + +4.5.2 User Acceptance Testing + Pada tahap ini, dilakukan pengujian User Acceptance Test UAT kepada para + +responden untuk menilai kelayakan dan pengalaman pengguna pada sistem. +Responden dibagi ke dalam dua golongan berdasarkan hak akses pengguna. +Responden golongan I merupakan pengunjung situs web yang hanya memiliki +akses untuk melihat halaman utama yang menampilkan hasil clustering. Sementara +itu, responden golongan II terdiri atas pihak dari Polres Probolinggo yang memiliki +hak akses sebagai admin dan dapat mengakses seluruh fitur pada sistem. + + Jumlah responden pada golongan I sebanyak 29 orang, dengan detail 17 +responden berdomisili di wilayah Kabupaten Probolinggo dan 12 responden tidak +berdomisili di wilayah Kabupaten Probolinggo. Responden yang berdomisili di +wilayah Kabupaten Probolinggo berasal dari 13 kecamatan di wilayah Kabupaten +Probolinggo atau 54% dari total kecamatan yang ada di Kabupaten Probolinggo. +Tiga belas kecamatan tersebut antara lain : Leces, Tegalsiwalan, Bantaran, Gading, + 87 + +Gending, Kotaanyar. Kraksaan, Krenjengan, Krucil, Lumbang, Paiton, Tongas, dan +Wonomerto. Sedangkan untuk responden golongan II penyebaran lembar pengujian +menggunakan platform Google Form. Pada, dengan jumlah responden sebanyak 1 +orang. Untuk pihak kepolisian, pengujian dilakukan oleh PS Kaurmintu Satreskrim +Polres Probolinggo. + + UAT terdiri atas 16 pertanyaan untuk responden golongan I dan 25 +pertanyaan untuk responden golongan II dan disertai dengan lima kategori jawaban, +sebagaimana tercantum dalam lampiran 8 dan Lampiran 9. Hasil dari pengujian +UAT yang dilakukan kepada responden golongan I dapat dilihat pada tabel 4.24 +berikut. +Tabel 4.24 Hasil Penilaian UAT + + Kode Jumlah Responden Total Nilai Skor (%) +Pertanyaan Setiap Kategori Nilai Maksimum 85,51724 + Penilaian + 124 145 + SS S N TS STS + +P1 12 13 4 0 0 + +P2 15 12 0 2 0 127 145 87,58621 + +P3 21 7 1 0 0 136 145 93,7931 + +P4 7 13 9 0 0 114 145 78,62069 + +P5 8 18 1 2 0 119 145 82,06897 + +P6 24 4 1 0 0 139 145 95,86207 + +P7 20 9 0 0 0 136 145 93,7931 + +P8 16 13 0 0 0 132 145 91,03448 + +P9 18 10 1 0 0 133 145 91,72414 + +P10 19 6 4 0 0 131 145 90,34483 + +P11 15 14 0 0 0 131 145 90,34483 + +P12 19 8 2 0 0 133 145 91,72414 + +P13 14 12 3 0 0 127 145 87,58621 + 88 + +P14 21 7 1 0 0 136 145 93,7931 + +P15 21 6 2 0 0 135 145 93,10345 + +P16 14 13 2 0 0 128 145 88,27586 + +TOTAL 264 165 31 4 0 2081 2320 89,69828 + +Berdasarkan tabel 4.24 hasil pengujian User Acceptance Test (UAT) kepada + +responden Golongan I, terdapat 15 dari 16 pertanyaan yang memperoleh skor pada + +rentang 80–100%, yang termasuk dalam kategori "Sangat Setuju". Hal ini + +menunjukkan bahwa sebagian besar aspek yang diuji telah dinilai sangat + +memuaskan oleh para responden. Sementara itu, satu pertanyaan memperoleh skor + +sebesar 78,62%, yang berada pada kategori "Setuju", yang berarti masih terdapat + +sedikit ruang untuk peningkatan pada aspek tersebut. Secara keseluruhan, rata-rata + +skor dari hasil UAT mencapai 89,69%, yang berada dalam kategori "Sangat + +Setuju". Dengan demikian, dapat disimpulkan bahwa penilaian dari 29 responden + +menunjukkan tingkat kepuasan yang sangat tinggi terhadap sistem web yang telah + +dikembangkan. + + Kemudian dari pengujian UAT yang dilakukan kepada responden golongan II +atau kepada pihak Polres Probolinggo dapat dilihat pada tabel berikut. + +Tabel 4.25 Hasil Pengujian UAT Responden Golongan II + + Kode Jumlah Responden Setiap Total Nilai Skor +Pertanyaan Kategori Penilaian Nilai Maksimum (%) + + P1 SS S N TS STS 5 5 100 + P2 1 0 000 5 5 100 + P3 1 0 000 5 5 100 + P4 1 0 000 2 5 40 + P5 0 0 010 2 5 40 + P6 0 0 010 5 5 100 + P7 1 0 000 5 5 100 + P8 1 0 000 4 5 80 + P9 0 1 000 4 5 80 + 0 1 000 + 89 + +P10 1 0 000 5 5 100 + +P11 0 1 000 4 5 80 + +P12 1 0 000 5 5 100 + +P13 1 0 000 5 5 100 + +P14 1 0 000 5 5 100 + +P15 1 0 000 5 5 100 + +P16 0 1 000 4 5 80 + +P17 0 1 000 4 5 80 + +P18 0 1 000 4 5 80 + +P19 0 0 010 2 5 40 + +P20 0 1 000 4 5 80 + +P21 1 0 000 5 5 100 + +P22 1 0 000 5 5 100 + +P23 1 0 000 5 5 100 + +P24 1 0 000 5 5 100 + +P25 0 1 000 4 5 80 + +Total 14 8 0 3 0 108 125 86,4 + +Berdasarkan tabel 4.25 hasil pengujian User Acceptance Test (UAT) kepada + +responden Golongan II, dari total 25 pertanyaan kepada responden golongan II, + +terdapat 22 pertanyaan yang memperoleh skor pada rentang 80–100%, yang + +termasuk dalam kategori "Sangat Setuju". Hal ini menunjukkan bahwa sebagian + +besar aspek yang diuji telah dinilai sangat memuaskan oleh para responden. + +Sementara itu, terdapat 3 pertanyaan memperoleh skor sebesar 40% dan berada + +pada kategori "netral". Secara keseluruhan, rata-rata skor dari hasil UAT dari + +responden golongan II atau pihak Polres Probolinggo mencapai 86,4%, yang + +berada dalam kategori "Sangat Setuju". Dengan demikian, dapat disimpulkan + +bahwa penilaian dari pihak Kepolisian Resort Kabupaten Probolinggo + +menunjukkan tingkat kepuasan yang sangat tinggi terhadap seluruh fitur pada + +sistem web yang telah dikembangkan. + +Selain itu, pada kuisioner UAT penulis juga menanyakan terkait jumlah + +klaster atau kategori yang bisa dengan mudah bagi pengguna untuk memahaminya. + 90 + +Hasilnya 18 dari 30 responden termasuk pihak kepolisian atau 60% memilih 3 +klaster, kemudian 6 responden memilih 4 klaster, dan 6 responden lainnya memilih +5 klaster. Sehingga dapat disimpulkan mayoritas responden lebih memahami jika +terdapat 3 klaster, dengan kategori rawan, sedang, dan aman. + +4.5.3 Pengujian Metode + Pada tahapan ini dilakukan pengujian metode yang berupa validasi hasil + +clutering yang telah diproses oleh algoritma k-means pada setiap kasus curas +maupun curanmor, terhadap ambang batas pengkategorian yang telah ditetapkan +kepolisian. Pengujian metode tersebut dilakukan pada setiap kasus, baik kasus curas +maupun kasus curanmor. Untuk data uji yang digunakan, yaitu data kasus curas dan +curanmor di tahun 2024. Berikut detail hasil pengujian metode yang telah dilakukan + +a. Pengujian Metode Pada Kasus Curas + Hasil pengujian metode yang dilakukan pada kasus curas untuk data 2024 + +dapat terlihat pada tabel 4.26 + +Tabel 4.26 Hasil Pengujian Metode Pada Data Kasus Curas + + Kecamatan Jumlah Klaster Yang Dihasilkan Keterangan + Curas Berdasarkan Berdasarkan +Bantaran +Banyuanyar K-Means Ketetapan Polres +Besuk +Dringu 0 Aman Aman Sama +Gading +Gending 0 Aman Aman Sama +Kotaanyar +Kraksaan 0 Aman Aman Sama +Krenjengan +Krucil 0 Aman Aman Sama + + 1 Sedang Aman Berbeda + + 1 Sedang Aman Berbeda + + 0 Aman Aman Sama + + 0 Aman Aman Sama + + 0 Aman Aman Sama + + 0 Aman Aman Sama + 91 + +Kuripan 0 Aman Aman Sama + +Leces 0 Aman Aman Sama + +Lumbang 0 Aman Aman Sama + +Maron 0 Aman Aman Sama + +Paiton 0 Aman Aman Sama + +Pakuniran 0 Aman Aman Sama + +Pajarakan 0 Aman Aman Sama + +Sukapura 0 Aman Aman Sama + +Sumber 0 Aman Aman Sama + +Sumberasih 1 Sedang Aman Berbeda + +Tegalsiwalan 0 Aman Aman Sama + +Tiris 0 Aman Aman Sama + +Tongas 3 Rawan Aman Berbeda + +Wonomerto 2 Sedang Aman Berbeda + + Berdasarkan tabel 4.26 yang membahas hasil validasi, menyatakan dari 24 + +kecamatan terdapat 5 kecamatan yang hasil klaster akhir dari pengolahan kmeans- + +nya berbeda dengan kategori kerawanan yang telah ditetapkan oleh Polres. Secara + +detail ada 1 kecamatan yaitu Kraksaan yang menurut k-means masuk dalam klaster + +rawan, namun menurut ketetapan polres masuk ke dalam klaster yang aman. + +Sementara itu, empat kecamatan lainnya sperti Gading, Gending, Sumberasih, dan + +Wonomerto masuk dalam klaster sedang berdasarkan hasil K-Means, namun + +diklasifikasikan aman oleh Polres. Jika jumlah pengujian yang memberikan + +kesamaan hasil klaster k-means terhadap ketentuan Polres dihitung menggunakan + +presentase, akan menghasilkan nilai 79,1%. + + Beberapa perbedaan hasil klaster yang terjadi dikarenakan jumlah kasus curas + +yang terjadi pada tahun 2024 tergolong sangat kecil, sehingga seluruh kecamatan + +masih dianggap berada dalam kategori aman berdasarkan ambang batas yang + +ditetapkan oleh Polres (yaitu di bawah 16 kasus). Sementara itu, algoritma K-Means + +tidak mempertimbangkan besar atau kecilnya angka absolut secara langsung, + +melainkan membandingkan seluruh data secara relatif untuk membentuk pola + 92 + +pengelompokan. Oleh karena itu, meskipun semua kecamatan secara umum +memiliki angka kasus yang rendah, algoritma tetap menghasilkan klaster berbeda +berdasarkan kecenderungan distribusi data yang ada. +b. Pengujian Metode Pada Kasus Curanmor + + Hasil pengujian metode yang dilakukan pada kasus curas untuk data 2024 +dapat terlihat pada tabel 4.27 + +Tabel 4.27 Hasil Pengujian Metode Pada Data Kasus Curanmor + + Klaster Yang Dihasilkan Keterangan + Berdasarkan Berdasarkan + Kecamatan Jumlah + Curas K-Means Ketetapan Polres +Bantaran +Banyuanyar 5 Aman Aman Sama +Besuk +Dringu 4 Aman Aman Sama +Gading +Gending 2 Aman Aman Sama +Kotaanyar +Kraksaan 22 Sedang Sedang Sama +Krenjengan +Krucil 4 Aman Aman Sama +Kuripan +Leces 18 Sedang Sedang Sama +Lumbang +Maron 0 Aman Aman Sama +Paiton +Pakuniran 37 Rawan Rawan Sama +Pajarakan +Sukapura 9 Aman Aman Sama + + 3 Aman Aman Sama + + 2 Aman Aman Sama + + 13 Sedang Aman Berbeda + + 1 Aman Aman Sama + + 21 Sedang Sedang Sama + + 14 Sedang Aman Berbeda + + 4 Aman Aman Sama + + 10 Aman Aman Sama + + 0 Aman Aman Sama + 93 + +Sumber 1 Aman Aman Sama + +Sumberasih 5 Aman Aman Sama + +Tegalsiwalan 1 Aman Aman Sama + +Tiris 2 Aman Aman Sama + +Tongas 5 Aman Aman Sama + +Wonomerto 2 Aman Aman Sama + + Berdasarkan tabel 4.27 tentang hasil validasi menyatakan, dari 24 kecamatan + +terdapat 2 kecamatan yang hasil klaster akhir dari pengolahan kmeans-nya berbeda + +dengan kategori kerawanan yang telah ditetapkan oleh Polres. Secara detail + +kecamatan tersebut adalah Leces dan Paiton. Menurut algoritma k-means kedua + +kecamatan tersebut masuk ke dalam klaster sedang, namun berdasarkan ketentuan + +Polres kedua kecamatan masuk kedalam klaster aman karena kasusnya di bawah 16 + +kasus. Jika jumlah pengujian yang memberikan kesamaan hasil klaster k-means + +terhadap ketentuan Polres dihitung menggunakan persentase, akan menghasilkan + +nilai 91,6%. + + Pada pengujian metode di kasus curanmor ini didapatkan nilai persentase + +kasus yang lebih besar daripada persentase kasus curas dan juga perbedaan hasil + +yang lebih kecil dari pada di kasus curas. Hal ini terjadi karena jumlah kasus yang + +terjadi lebih bervariasi dan juga memiliki rentang nilai yang mencangkup seluruh + +ambang batas yang ditetapkan polres, sehingga memungkinkan untuk memberikan + +hasil yang sama antara algoritma k-means dengan ketentuan yang ada pada Polres. + +4.6 Analisis dan Pembahasan +4.6.1 Nilai K Optimal +Tabel 4.28 Nilai K Optimal + + Kasus Nilai k Nilai SSE Selisih SSE Dengan Sebelumnya + (k=2 Dengan k=3) +Kasus Curas 3 0,52 0,09 + 0,06 +Kasus Curanmor 3 0,03 + 94 + + Berdasarkan hasil perhitungan menggunakan metode Elbow pada data kasus +curas dan curanmor yang dirangkum pada tabel 4.28, diperoleh bahwa nilai Sum of +Squared Error (SSE) mengalami penurunan paling signifikan untuk kasusu curas +maupun kasus curanmor pada saat jumlah klaster berubah dari k = 2 ke k = 3. Pada +kasus curas, selisih penurunan SSE mencapai 0,09, sedangkan pada curanmor +sebesar 0,06. Penurunan yang cukup tajam ini menunjukkan adanya peningkatan +efektivitas pengelompokan data ketika k = 3 dibandingkan dengan k = 2. Selain itu, +grafik Elbow pada kedua kasus menunjukkan bentuk sudut siku yang jelas di titik +k = 3, yang menandakan bahwa setelah titik tersebut penurunan nilai SSE +cenderung landai atau stagnan. Dengan demikian, tidak terdapat manfaat yang +signifikan jika jumlah klaster ditambah melebihi tiga. Oleh karena itu, nilai k = 3 +ditetapkan sebagai jumlah klaster yang optimal untuk kedua jenis kasus, yaitu curas +dan curanmor, serta menunjukkan konsistensi dalam pola penyebaran data yang +diteliti. + + Jumlah Klaster Yang Mudah Dipahami + + 60% + 20% + + 20% + + 3 Klaster 4 Klaster 5 Klaster + + Gambar 4.32 Grafik Jumlah Klaster Yang Mudah Dipahami + Selain itu, berdasarkan hasil kuisioner User Acceptance Test (UAT) pada +gambar 4.32 tentang nilai k yang mudah dipahami oleh pengguna. Mayoritas +responden yang terdiri dari pihak kepolisian dan pengguna umum, juga lebih +memilih tiga klaster sebagai jumlah kategori yang paling mudah dipahami. Dari 30 +responden, sebanyak 18 responden atau sekitar 60% memilih tiga klaster, +sedangkan sisanya terbagi rata memilih empat dan lima klaster. Pemilihan tiga +klaster dianggap lebih representatif karena mudah dipahami dalam kategori + 95 + +“rawan”, “sedang”, dan “aman”. Hasil ini mendukung keputusan peneliti dalam +menentukan tiga klaster sebagai jumlah yang optimal, tidak hanya secara teknis +melalui perhitungan SSE dan grafik Elbow, tetapi juga secara praktis berdasarkan +persepsi pengguna. + +4.6.2 Penerapan Algoritma K-Means Pada Sistem + + Validasi Hasil K-Means terhadap Ketetapan Polres + + 100 91,6 + + 90 79,1 + + 80 + + 70 + +Nilai 60 + + 50 + + 40 Tingkat Kesesuaian (%) + Kecamatan Tidak Sesuai + 30 + + 20 + + 10 5 2 + Curanmor + 0 + Curas + + Jenis Kasus + + Gambar 4.33 Grafik Validasi Hasil K-Means Terhadap Ketetapan Polres + + Berdasarkan grafik pada gambar 4.33 dan hasil pengujian terhadap dua jenis +kasus curas dan curanmor, diperoleh gambaran bahwa tingkat kesesuaian algoritma +K-Means dengan ketetapan Polres lebih tinggi pada kasus curanmor dibandingkan +curas. Hal ini tercermin dalam grafik yang menunjukkan tingkat kesesuaian pada +kasus curanmor mencapai 91,6%, lebih tinggi dibandingkan dengan curas yang +hanya 79,1%. Sebaliknya, jumlah kecamatan dengan hasil klaster yang berbeda +pada kasus curanmor hanya sebanyak 2 kecamatan, jauh lebih sedikit +dibandingkan kasus curas yang mencapai 5 kecamatan. + + Perbedaan tingkat kesesuaian ini selaras dengan hasil pembahasan masing- +masing kasus. Pada kasus curas, perbedaan hasil terjadi karena jumlah kasus yang +sangat kecil dan seragam di seluruh kecamatan, menyebabkan seluruh wilayah +dikategorikan aman oleh Polres. Namun, algoritma K-Means tetap +mengelompokkan data ke dalam tiga klaster berdasarkan pola distribusi relatif antar + 96 + +kecamatan, bukan angka mutlak, sehingga menghasilkan ketidaksesuaian klaster +pada lima kecamatan. + + Sementara itu, pada kasus curanmor, variasi jumlah kasus antar kecamatan +lebih besar dan mencakup keseluruhan rentang ambang batas yang ditetapkan oleh +Polres. Hal ini memungkinkan hasil klastering K-Means lebih sesuai dengan +klasifikasi resmi, karena algoritma dapat mendeteksi pola yang sejalan dengan +kategori aman, sedang, dan rawan yang ditentukan secara manual. + + Secara keseluruhan, validasi ini menunjukkan bahwa performa algoritma +K-Means cenderung lebih akurat ketika data memiliki sebaran nilai yang +bervariasi dan tidak terlalu rendah secara keseluruhan. Dalam konteks ini, +kasus curanmor menjadi contoh di mana algoritma dapat bekerja lebih optimal +dalam mengelompokkan wilayah berdasarkan tingkat kerawanannya + +4.6.3 Sistem Pemetaan Kasus Curas dan Curanmor Di Kabupaten + Probolinggo + Sistem pemetaan yang dikembangkan dalam penelitian ini menampilkan + +visualisasi tingkat kerawanan wilayah melalui pewarnaan peta berdasarkan hasil +algoritma K-Means Clustering. Setiap kecamatan dalam wilayah Kabupaten +Probolinggo diwarnai sesuai dengan kategori klaster yang terbentuk, yaitu klaster +“rawan”, “sedang”, dan “aman”. Pewarnaan ini tidak hanya memudahkan +pengguna dalam mengenali tingkat kerawanan tiap wilayah secara visual, tetapi +juga menjadi representasi langsung dari hasil pengelompokan data menggunakan +metode K-Means. Sistem ini dirancang agar mampu menampilkan hasil pemetaan +untuk dua jenis kasus kriminalitas, yaitu curas dan curanmor, sehingga pengguna +dapat membandingkan pola penyebaran kerawanan pada masing-masing kasus +secara interaktif. + 97 + + Hasil Pengujian Web + +100 + +95 Black Box Test + UAT Responden Gol I +90 UAT Responden Gol II + +85 100% 89,69 % 86,4 % + +80 + +75 + + Gambar 4.34 Grafik Nilai Hasil Pengujian Web + + Berdasarkan pengujian yang dilakukan dari segi fungsionalitas maupun segi +ekspektasi pengguna, maka dilakukan pengujian berupa black box test dan User +Acceptance Test (UAT), yang hasilnya dirangkum pada gambar 4.34. Black box +testing dilakukan dengan 50 test case yang mencakup seluruh fitur utama sistem. +Hasil pengujian menunjukkan seluruh test case berhasil dijalankan dengan status +pass, yang berarti sistem mampu menerima input, memproses data, dan +menghasilkan output dengan benar. Tingkat keberhasilan pengujian ini mencapai +100%, yang menunjukkan stabilitas dan keandalan sistem secara fungsional. Selain +itu, penilaian pengguna melalui User Acceptance Test (UAT) juga memberikan hasil +yang positif. Dari responden golongan I (pengunjung web), rata-rata skor UAT +mencapai 89,69% dan termasuk dalam kategori "Sangat Setuju". Sedangkan dari +responden golongan II (pihak Polres Probolinggo), rata-rata skor mencapai 86,4% +dengan kategori yang sama. Hasil ini menunjukkan bahwa sistem tidak hanya +berfungsi dengan baik secara teknis, tetapi juga diterima dengan sangat baik oleh +pengguna dari berbagai kalangan. + BAB 5. KESIMPULAN DAN SARAN + +5.1 Kesimpulan +1. Penerapan Algoritma K-Means dengan Jarak Manhattan Pada Sistem + + Penelitian ini berhasil menerapkan algoritma K-Means clustering dengan +menggunakan perhitungan jarak menggunakan persamaan manhattan satu dimensi +untuk mengelompokkan tingkat kerawanan kasus curas dan curanmor di Kabupaten +Probolinggo. Namun ada dalam penelitian ini ditemukan bahwa performa algoritma +K-Means cenderung lebih akurat ketika data memiliki sebaran nilai yang bervariasi +dan tidak terlalu rendah secara keseluruhan +2. Penentuan Nilai K Optimal dengan Metode Elbow dan SSE +Berdasarkan hasil perhitungan SSE (Sum of Squared Errors) dan analisis elbow +method, diperoleh bahwa nilai k optimal untuk kedua kasus, baik curas maupun +curanmor adalah k = 3. Hal ini didasarkan pada selisih nilai SSE tertinggi yang +signifikan antara k = 2 dan k = 3, serta bentuk sudut siku pada grafik elbow yang +menunjukkan penurunan SSE tidak lagi signifikan setelah k = 3. Hasil ini +mendukung bahwa tiga klaster merupakan jumlah optimal dalam proses +pengelompokan data. +3. Visualisasi Hasil Clustering dalam Peta Web GIS + + Visualisasi hasil clustering data curas dan curanmor dalam bentuk web +pemetaan berbasis sistem informasi geografis telah berhasil diwujudkan +menggunakan library Leaflet. Proses visualisasi ini diawali dengan pengolahan data +menggunakan algoritma K-Means yang menghasilkan klaster C1, C2, dan C3, +kemudian diinterpretasikan ulang menjadi kategori “aman”, “sedang”, dan “rawan” +berdasarkan nilai centroid. Setiap klaster divisualisasikan pada peta wilayah +Kabupaten Probolinggo dengan warna yang berbeda, sehingga memudahkan +pengguna dalam memahami tingkat kerawanan tiap kecamatan. +4. Hasil Clustering Kasus Curas dan Curanmor + + 98 + 99 + + Hasil klasterisasi menunjukkan bahwa pada kasus curas, hanya Kecamatan +Tongas yang termasuk dalam klaster rawan. Sementara itu, klaster sedang terdiri +dari sepuluh kecamatan, seperti Banyuanyar, Gending, dan Wonomerto, sedangkan +tiga belas kecamatan lainnya seperti Leces, Sukapura, dan Tiris masuk dalam +kategori aman. Untuk kasus curanmor, Kecamatan Kraksaan menjadi satu-satunya +wilayah dengan tingkat kerawanan tinggi, tujuh kecamatan seperti Dringu, Maron, +dan Pajarakan tergolong sedang, dan enam belas kecamatan lainnya termasuk aman. +Hasil ini memberikan gambaran yang jelas tentang distribusi tingkat kerawanan +pada setiap kecamatan di Kabupaten Probolinggo. +5. Web GIS pemetaan daerah rawan curas dan curanmor berfungsi dan diterima + + dengan baik oleh pengguna + Pengujian sistem menggunakan metode Black Box dan UAT menunjukkan +hasil memuaskan. Dari 50 test case Black Box, seluruhnya memperoleh hasil PASS +atau bernilai 100% yang menandakan semua fitur berfungsi sesuai harapan. Hasil +UAT juga menunjukkan tingkat kepuasan tinggi, yaitu 89,69% dari pengunjung +umum (Golongan I) dan 86,4% dari admin Polres Probolinggo (Golongan II). Hal +ini membuktikan bahwa sistem berjalan baik secara teknis dan diterima oleh +pengguna.. + +5.2 Saran +Berdasarkan penelitian yang telah dilakukan oleh penulis, terdapat beberapa saran +untuk penelitian selanjutnya, antara lain : +1. Jika penelitian selanjutnya memiliki data yang variasinya sedikit dan rentang + + datanya berdekatan dapat mempertimbangkan penerapan algoritma + klastering yang lain. +2. Variabel data yang digunakan untuk penelitian selanjutnya bisa lebih detail, + seperti pemetaan kerawanan kasus curas dan curanmor pada setiap desa di + Kabupaten Probolinggo, beserta penambahan titik Lokasi terjadinya tindak + pidana curas maupun curanmor agar informasi yang diberikan lebih + informatif. + DAFTAR PUSTAKA + +Alifah, R. F. N., & Fauzan, A. C. (2023). Implementasi Algoritma K-Means + +Clustering Berbasis Jarak Manhattan untuk Klasterisasi Konsentrasi Bidang + +Mahasiswa. ILKOMNIKA: Journal of Computer Science and Applied + +Informatics, 5(1), 31–41. https://doi.org/10.28926/ilkomnika.v5i1.542 + +Andrea Santana Adzani. (2022). Klastering Pemetaan Daerah Rawan Kecelakaan + +Menggunakan Metode K-Means Berbasis Sistem Informasi Geografis (Studi + +Kasus Di Kabupaten Jember). Science, 7(1), 1–8. + +Anisah, N., & Puspasari, R. (2024). Sistem Informasi Kuesioner Materi + +Pembelajaran SMP Swasta Generasi Bangsa Martubung Menggunakan Skala + +Likert. Jurnal JUREKSI (Jurnal Rekayasa Sistem), 2(2), 604–616. + +Apriliana, & Haris R, D. (2022). Pemetaan Daerah Rawan Kriminalitas pada + +Wilayah Hukum Polres Cirebon Kota Tahun 2018-2021. Seminar Nasional + +Dan Diseminasi Tugas Akhir, 2022. + +Ardiansyah, Y., & Harjono, H. (2021). Sistem Informasi Geografis Kriminalitas di + +Kabupaten Cilacap. Sainteks, 17(2), 125. + +https://doi.org/10.30595/sainteks.v17i2.9160 + +BPS. (2023). Statistik Kriminal. Badan Pusat Statistik, 021, 1–62. + +https://www.bps.go.id/id/publication/2023/12/12/5edba2b0fe5429a0f232c73 + +6/statistik-kriminal-2023.html + +Fitriastuti, F., Putri, A. E., Sunardi, A. K., & Hidayat, R. A. (2024). Analisis + +Website Siakad Universitas Janabadra Menggunakan Metode UAT. Jurnal + +Teknologi Sistem Informasi, 5(1), 276–285. + +https://doi.org/10.35957/jtsi.v5i1.6998 + +Maori, N. A., & Evanita, E. (2023). Metode Elbow dalam Optimasi Jumlah Cluster + +pada K-Means Clustering. Simetris: Jurnal Teknik Mesin, Elektro Dan Ilmu + +Komputer, 14(2), 277–288. https://doi.org/10.24176/simet.v14i2.9630 + +Mintarsih, M. (2023). Pengujian Black Box Dengan Teknik Transition Pada Sistem + +Informasi Perpustakaan Berbasis Web Dengan Metode Waterfall Pada SMC + + 100 + 101 + + Foundation. Jurnal Teknologi Dan Sistem Informasi Bisnis, 5(1), 33–35. + https://doi.org/10.47233/jteksis.v5i1.727 +Preddy, …, Marpaung, P., Pebrian, I., & Putri, W. (2023). Penerapan Data Mining + Untuk Pengelompokan Kepadatan Penduduk Kabupaten Deli Serdang + Menggunakan Algoritma K-Means. Jurnal Ilmu Komputer Dan Sistem + Informasi (JIKOMSI), 6(2), 64–70. +Rahayu, R. (2022). Jurnal Informatika dan Teknologi Informasi Jurnal Informatika + dan Teknologi Informasi. Jurnal Informatika Dan Teknologi Informasi, 1(2), + 98–103. https://doi.org/10.56854/jt.v1i2.80 +Riani, A. P., Voutama, A., & Ridwan, T. (2023). Penerapan K-Means Clustering + Dalam Pengelompokan Hasil Belajar Peserta Didik Dengan Metode Elbow. J- + SISKO TECH (Jurnal Teknologi Sistem Informasi Dan Sistem Komputer + TGD), 6(1), 164. https://doi.org/10.53513/jsk.v6i1.7351 +Risawandi, R., & Afrillia, Y. (2022). Geographic Information System Mapping Of + Criminality Villed Areas In Lhokseumawe Using K-Means Method. Journal + of Informatics and Telecommunication Engineering, 5(2), 442–451. + https://doi.org/10.31289/jite.v5i2.6265 +Rohman, F. F. (2023). Sistem Informasi Geografis Tingkat Kriminalitas Kota + Jember Menggunakan Metode K-Means. In Politeknik Negeri Jember. +Rumariana, A., & Arifin, M. (2022). Kepuasan Pengguna Aplikasi Geographic + Information System (GIS) Stunting. Prosiding University Research + Colloqium, 28–36. http://stunting.sipandawa.com +Suryani, T., Faisol, A., & Vendyansyah, N. (2021). Sistem Informasi Geografis + Pemetaan Kerusakan Jalan Di Kabupaten Malang Menggunakan Metode K- + Means. JATI (Jurnal Mahasiswa Teknik Informatika), 5(1), 380–388. + https://doi.org/10.36040/jati.v5i1.3259 +Umar, T. L. (2021). Perancangan Sistem Informasi Geografi Tempat Bersalin + Berbasis Mobile. Jurnal Informatika Dan Rekayasa Perangkat Lunak + (JATIKA), 2(2), 221–229. http://jim.teknokrat.ac.id/index.php/informatika +Wahyuningtyas, F. D., Arafat, A., Stiawan, A., & Rolliawati, D. (2023). Komparasi + 102 + +Algoritma Hierarchical, K-Means, dan DBSCAN pada Analisis Data +Penjualan Melalui Facebook. Explore: Jurnal Sistem Informasi Dan +Telematika, 14(1), 7. https://doi.org/10.36448/jsit.v14i1.2931 + 103 + LAMPIRAN +LAMPIRAN 1 Data Kasus Curas dan Curanmor Polres Probolinggo + 104 + 105 +LAMPIRAN 2 Surat Izin Penelitian + 106 +LAMPIRAN 3 Serah Terima Data dari Polres Probolinggo + 107 +LAMPIRAN 4 Penyerahan Surat dan Sertifikat dari Polres + 108 +LAMPIRAN 5 Sertifikat Selesai Penelitian + 109 +LAMPIRAN 6 Surat Selesai Penelitian + 110 +LAMPIRAN 7 Pengujian Sistem Oleh Polres + 111 + +LAMPIRAN 8 Pertanyaan UAT Responden Gol I + + Pertanyaan + +1 Seberapa setuju Anda dengan pernyataan bahwa Ketika Anda pertama kali + membuka website ini, Anda langsung bisa memahami tujuan dari web ini ? + +2 Setelah membaca penjelasan tentang Curas & Curanmor, Seberapa paham + Anda memahami perbedaan antara curas dan curanmor? + +3 Menurut Anda seberapa penting atau relevan informasi tentang curas dan + curanmor ini untuk diketahui + +4 Setelah membaca penjelasan di website ini, Seberapa paham Anda + terhadap K-Means dan bagaimana K-Means digunakan pada web ini? + +5 Seberapa setuju Anda dengan pernyataan bahwa penjelasan k-means sudah + cukup sederhana dan tidak terlalu teknis + +6 Seberapa paham Anda memahami arti warna-warna pada peta? + +7 Menurut Anda seberapa bermanfaat peta ini dalam membantu untuk + memahami tingkat kejahatan di berbagai kecamatan + +8 Seberapa setuju anda bahwa peta ini mudah digunakan, baik di desktop + maupun di ponsel? + +9 Menurut Anda apakah informasi yang Anda butuhkan mudah ditemukan + dalam satu halaman? + + Seberapa setuju Anda dengan pernyataan bahwa tombol-tombol seperti +10 “Cek Daerahmu”, “Curas”, atau “Curanmori” mudah ditemukan dan + + dimengerti fungsinya? + +11 Seberapa setuju Anda dengan pernyataan tampilannya tetap rapi dan + mudah digunakan jika diakses dari perangkat seluler (HP) + +12 Apakah menurut Anda tampilan halaman ini menarik dan mudah + dipahami? + +13 Apakah warna dan font yang digunakan membuat Anda nyaman saat + membaca? + +14 Apakah bahasa yang digunakan mudah dimengerti? + +15 Seberapa setuju Anda dengan pernyataan bahwa secara keseluruhan + website ini bermanfaat + +16 Seberapa puas Anda atas Website Gisbegal ini + 112 +LAMPIRAN 9 Pertanyaan dan Hasil UAT Responden Gol II + 113 + 114 + 115 + 116 +LAMPIRAN 10 Perhitungan K-Means Curas +Iterasi Pertama + 117 +Iterasi Kedua (Iterasi Terakhir) + 118 +LAMPIRAN 11 Pehitungan K-Means Kasus Curanmor +Iterasi Pertama + 119 +Iterasi Kedua + 120 +Iterasi Ketiga + 121 +Iterasi Ke-Empat + 122 +Iterasi Ke-Lima + 123 +Iterasi Ke-Enam (Iterasi Terakhir) + 124 +LAMPIRAN 12 Hasil Black Box Testing + 125 + 126 + 127 + 128 + 129 + 130 +LAMPIRAN 13 Hasil UAT Responden Gol I + +Link : http://s.id/KuisionerKProtect + diff --git a/app/Http/Controllers/CuranmorController.php b/app/Http/Controllers/CuranmorController.php index 05dc474..6b7ae4d 100644 --- a/app/Http/Controllers/CuranmorController.php +++ b/app/Http/Controllers/CuranmorController.php @@ -18,7 +18,7 @@ class CuranmorController extends Controller */ public function index() { - $curanmors = Curanmor::orderBy('jumlah_curanmor', 'desc')->get(); + $curanmors = Curanmor::orderBy('id', 'asc')->get(); return view('admin.dashboardListCuranmor', compact('curanmors')); } diff --git a/app/Http/Controllers/CurasController.php b/app/Http/Controllers/CurasController.php index f02e547..330337e 100644 --- a/app/Http/Controllers/CurasController.php +++ b/app/Http/Controllers/CurasController.php @@ -18,7 +18,7 @@ class CurasController extends Controller */ public function index() { - $curases = Curas::orderBy('jumlah_curas', 'desc')->get(); + $curases = Curas::orderBy('id', 'asc')->get(); return view('admin.dashboardListCuras', compact('curases')); } diff --git a/database/seeders/CuranmorSeeder.php b/database/seeders/CuranmorSeeder.php index 054e118..8cce4dc 100644 --- a/database/seeders/CuranmorSeeder.php +++ b/database/seeders/CuranmorSeeder.php @@ -45,6 +45,33 @@ public function run(): void 24 => 4, ]; + // $dataCuranmor= [ + // 1 => 5, + // 2 => 4, + // 3 => 2, + // 4 => 22, + // 5 => 4, + // 6 => 18, + // 7 => 0, + // 8 => 37, + // 9 => 9, + // 10 => 3, + // 11 => 2, + // 12 => 13, + // 13 => 1, + // 14 => 21, + // 15 => 14, + // 16 => 4, + // 17 => 10, + // 18 => 0, + // 19 => 1, + // 20 => 5, + // 21 => 1, + // 22 => 2, + // 23 => 5, + // 24 => 2, + // ]; + $defaultDate = '2024-12-31 00:00:00'; // Looping untuk membuat data curanmor berdasarkan kecamatan foreach ($kecamatanIds as $kecamatanId) { diff --git a/database/seeders/CurasSeeder.php b/database/seeders/CurasSeeder.php index 2ca816e..35e5460 100644 --- a/database/seeders/CurasSeeder.php +++ b/database/seeders/CurasSeeder.php @@ -42,6 +42,33 @@ public function run(): void 24 => 2, ]; + // $dataCuras = [ + // 1 => 0, + // 2 => 0, + // 3 => 0, + // 4 => 0, + // 5 => 1, + // 6 => 1, + // 7 => 0, + // 8 => 0, + // 9 => 0, + // 10 => 0, + // 11 => 0, + // 12 => 0, + // 13 => 0, + // 14 => 0, + // 15 => 0, + // 16 => 0, + // 17 => 0, + // 18 => 0, + // 19 => 0, + // 20 => 1, + // 21 => 0, + // 22 => 0, + // 23 => 3, + // 24 => 2, + // ]; + $defaultDate = '2024-12-31 00:00:00'; // Default date to be used for both created_at and updated_at