Penerapan Algoritma K-Means untuk Klasterisasi Kekerasan Berdasarkan Tempat Kejadian di Jawa Barat
DOI:
https://doi.org/10.48144/suryainformatika.v16i1.2291Keywords:
Jawa Barat, Kasus Kekerasan, Klasterisasi, K-Means, Tempat KejadianAbstract
Fenomena kekerasan masih menjadi permasalahan sosial yang memerlukan perhatian serius, khususnya di Provinsi Jawa Barat yang memiliki jumlah kasus relatif tinggi. Kasus kekerasan dapat terjadi di berbagai lingkungan sosial, sehingga diperlukan analisis berbasis data untuk memahami pola distribusinya secara lebih terstruktur. Penelitian ini bertujuan untuk mengelompokkan kasus kekerasan di Provinsi Jawa Barat berdasarkan kategori tempat kejadian dengan menerapkan algoritma K-Means. Data penelitian diperoleh dari Open Data Jabar dengan periode pengamatan tahun 2020–2024. Proses analisis dilakukan menggunakan kerangka Knowledge Discovery in Database (KDD) yang mencakup tahap pemilihan data, praproses, transformasi data, data mining, dan interpretasi. Implementasi algoritma K-Means dilakukan menggunakan perangkat lunak Altair AI Studio. Penentuan jumlah klaster optimal dilakukan menggunakan Elbow Method, sedangkan kualitas klaster dievaluasi menggunakan Davies-Bouldin Index (DBI). Hasil penelitian menunjukkan bahwa jumlah klaster optimal yang terbentuk adalah 4 klaster dengan nilai DBI sebesar 0,622, yang menunjukkan kualitas klasterisasi cukup baik. Setiap klaster merepresentasikan tingkat intensitas kasus kekerasan yang berbeda, mulai dari intensitas rendah hingga sangat tinggi. Klaster dengan intensitas sangat tinggi didominasi oleh kasus kekerasan pada kategori rumah tangga dan kategori lainnya, sedangkan klaster dengan intensitas rendah menunjukkan jumlah kasus yang relatif kecil pada seluruh kategori tempat kejadian. Hasil klasterisasi ini memberikan pemahaman yang lebih sistematis mengenai pola distribusi kasus kekerasan berdasarkan konteks tempat kejadian dan dapat dimanfaatkan sebagai dasar pendukung dalam perumusan strategi pencegahan dan penanganan kekerasan yang lebih terarah.
References
R. Rahma and R. Mufidah, “Pengelompokan Daerah Rawan Kekerasan Terhadap Perempuan Dan Anak Di Jawa Barat Menggunakan Algoritma K-Means,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 7, no. 3, pp. 850–857, 2022, doi: 10.29100/jipi.v7i3.3144.
D. C. Damayanti, S. Musa, and S. Mulyadi, “Dampak Kekerasan dalam Rumah Tangga terhadap Permasalahan Perkembangan Sosial Anak Usia Dini,” J. Kaji. Gend. dan Anak, vol. 7, no. 1, 2023.
A. Nur Fadhilah and Munjin, “Kekerasan dalam Pendidikan di Sekolah: Bentuk, Sebab, Dampak, dan Solusi,” J. KEPENDIDIKAN, vol. 10, no. 2, pp. 325–344, 2022.
D. Rohman, R. Annisa, D. Indriyana Efendi, and D. Solahudin, “CLUSTERING BENCANA ALAM MENGGUNAKAN K-MEANS PADA WILAYAH JAWA BARAT,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, 2024.
R. A. Atmiko, M. Priangga, N. Panca, B. Hizbullah, M. Anis, and N. Fauzi, “Pemanfaatan Data X Untuk Analisis Sentimen Publik Pada Kebijakan PPN 12 %,” J. Inform. dan Teknol. Interaktif, vol. 2, no. 1, pp. 274–283, 2025.
M. Riskandi, M. Martanto, and U. Hayati, “Klasterisasi Korban Kekerasan Menggunakan Algoritma K-Means Di Jawa Barat,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 820–826, 2024, doi: 10.36040/jati.v8i1.8457.
R. Fauziah and A. I. Purnamasari, “Implementasi Algoritma K-Means pada Kasus Kekerasan Anak dan Perempuan Berdasarkan Usia,” Hello World J. Ilmu Komput., vol. 2, no. 1, pp. 34–41, 2023, doi: 10.56211/helloworld.v2i1.232.
S. Nachwa et al., “PENDEKATAN KLASIFIKASI DALAM KNOWLEDGE DISCOVERY UNTUK SULTAN MAHMUD BADARUDDIN II DI GOOGLE MAPS,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 3, pp. 4782–4789, 2025.
N. P. Dharshinni, G. Singh, J. A. T. Naibaho, R. D. Lumban Tobing, and A. Simamora, “Penerapan algoritma k-means pada data pengangguran di jawa barat,” DSI J. Data Sci. Indones., vol. 3, no. 1, pp. 23–34, 2023.
D. A. Farizal and F. A. Alijoyo, “Optimasi Pemilihan Metode Pengajaran Dosen Menggunakan Data Mining , dan Algoritma K-Means dalam Proses Bisnis Pendidikan,” INFORMATICS Digit. Expert, vol. 2, pp. 105–109, 2024.
R. Karunia Ibadirachman, Y. Herry Chrisnanto, and P. Nurul Sabrina, “OPTIMASI PARAMETER DBSCAN MENGGUNAKAN METODE DIFFERENTIAL EVOLUTIONUNTUK DETEKSI ANOMALI PADA DATA TRANSAKSI BANK,” J. Teknol. Terpadu, vol. 10, no. 1, pp. 22–31, 2024.
S. Pujiono, R. Astuti, and F. M. Basysyar, “IMPLEMENTASI DATA MINING UNTUK MENENTUKAN POLA PENJUALAN PRODUK MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, 2024.
M. Maesaroh, T. N. Padilah, J. H. Jaman, F. I. Komputer, and U. S. Karawang, “PENERAPAN ALGORITMA K-MEANS CLUSTERING PADA PENGELOMPOKAN,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 4, pp. 2783–2787, 2023.
M. Iqbal, Syaripuddin, and M. Nurul Huda, “Implementasi Algoritma K-Means Clustering dengan Jarak Euclidean dalam Mengelompokkan Daerah Penyebaran,” Basis J. Ilm. Mat., vol. 2, no. 1, pp. 47–56, 2023.
B. A. Prayudha et al., “ALGORITMA K-MEANS UNTUK MENINGKATKAN MODEL KLASTERISASI DATA SISWA SMK SAMUDRA NUSANTARA KABUPATEN CIREBON,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 1, pp. 1314–1321, 2025.
N. A. Maori, “METODE ELBOW DALAM OPTIMASI JUMLAH CLUSTER PADA K-MEANS CLUSTERING,” SIMETRIS, vol. 14, no. 2, pp. 277–287, 2023.
Y. Hasan, U. B. Darma, K. Medan, and S. Utara, “PENGUKURAN SILHOUETTE SCORE DAN DAVIES- BOULDIN INDEX PADA HASIL CLUSTER K-MEANS DAN,” JITET (Jurnal Inform. dan Tek. Elektro Ter., vol. 12, no. 3, 2024.
G. Natalie Krista Anindita and Nurhayati, “PENGARUH PROGRAM PENGENTASAN KEMISKINAN,” Media Ekon., vol. 32, no. 1, pp. 61–76, 2024.
D. A. Syafiq and Y. Sembiring, “Pengembangan Model Visualisasi Data Kependudukan Berbasis Teknologi Informasi untuk Mendukung Pengambilan Keputusan di Kecamatan Medan Amplas,” J. Penelit. Inov., vol. 5, no. 2, pp. 1329–1338, 2025.
