45
_ Loading Presentation RISFIAN EKA KURNIAWAN (1310 030 051) ANALISIS PENGELOMPOKAN JENIS-JENIS KEJAHATAN UMUM PADA KASUS KRIMINALITAS DI PROVINSI DKI JAKARTA TAHUN 2012 (STUDI KASUS : DKI JAKARTA) click anywhere to start

ANALISIS PENGELOMPOKAN JENIS-JENIS KEJAHATAN …digilib.its.ac.id/public/ITS-paper-31730-1310030051-Presentation.pdfTABEL KONTINGENSI (CROSS TABULATION) LANDASAN TEORI BACK NEXT [click

  • Upload
    vantruc

  • View
    226

  • Download
    0

Embed Size (px)

Citation preview

_Loading Presentation

RISFIAN EKA KURNIAWAN (1310 030 051)

ANALISIS PENGELOMPOKAN JENIS-JENIS KEJAHATAN UMUM PADA KASUS KRIMINALITAS DI PROVINSI DKI JAKARTA TAHUN 2012(STUDI KASUS : DKI JAKARTA)

click anywhere to start

TUGAS AKHIR

PENDAHULUAN

LANDASAN TEORI

METODOLOGIPROPOSAL TUGAS AKHIR

Pembimbing : Adatul Mukarromah, S.Si. M.SiPenguji : Dr. Brojol Sutijo, S.Si.M.Si

Dr. rer pol Heri Kuswanto, S.Si. M.Si

[click to show the credit]

ANALISIS

Pengelompokan daerah yang

rawan kejahatan

menggunakan analisis

cluster (Salsabielah, 2013)

DKI JAKARTA

PERMASALAHAN

KECENDERUNGAN

PENDAHULUAN

NEXTBACK

[click to show the credit]

LATAR BELAKANG

Analisis

korespondensi dan

analisiss cluster

A.S. Alam (1992)

Pengelompokan jenis-jenis

kejahatan dan wilayah sub

rayon dengan analisis

korespondensi (Tyan, 2013)

REFERENSI

PENDAHULUAN

NEXTBACK

[click to show the credit]

PERMASALAHAN

Data Kriminalitas

DKI Jakarta

Tahun 2012

Deskripsi Jenis-Jenis

Kejahatan di DKI Jakarta

pada tahun 2012

Pola Kecenderungan Jenis

kejahatan berdasarkan wilayah di

DKI Jakarta pada tahun 2012

PENDAHULUAN

NEXTBACK

[click to show the credit]

MANFAAT

Memberikan gambaran kepada pihak Kepolisian untuk tindakan pengamanan dan pencegahan dalam mengatasi masalah kriminalitas

di Provinsi DKI Jakarta.

masyarakat agar lebih berpartisipasi dan berhati-hati dalam masalah kriminalitas.

PENDAHULUAN

NEXTBACK

[click to show the credit]

BATASAN

MASALAH

Objek penelitian yang dilakukan adalah data rekap kejadian kriminalitas yang

tercatat pada Direktorat Reserse Kriminal Umum Kepolisian Daerah (POLDA)

Provinsi DKI Jakarta pada tahun 2012.

TABEL KONTINGENSI (CROSS TABULATION)

LANDASAN TEORI

NEXTBACK

[click to show the credit]

BarisKolom

Total1 2 3 .. J

1 n11 n12 n13 .. n1j n1.

2 n21 n22 n23 .. n2j n2.

3 n31 n32 n33 .. n3j n3.

… .. .. .. .. .. ..

… .. .. .. .. .. ..

I ni1ni2 ni3 .. nij ni.

Total

n.1 n.2 n.3

..

n.j n..

Tabel yang berisi data jumlah atau frekuensi atau beberapa klasifikasi (kategori),Tabel kontingensi merupakan suatu metode statistik yang menggambarkan dua atau lebih variabel secara simultan dan hasilnya ditampilkan dalam bentuk tabel yang merefleksikan distribusi bersama dua atau lebih variabel dengan jumlah kategori yang terbatas

STRUKTUR

DATA

UJI INDEPENDENSI

LANDASAN TEORI

NEXTBACK

[click to show the credit]

H0 : Tidak ada Hubungan antara variabel 1 dan 2 (Independen)H1 : Terdapat hubungan antara variabel 1 dan 2 (Dependen)

Statistik Uji :

I

i

J

jij

ijij

een

X1 1

2

2)(

Tolak H0apabila nilai 𝑋2hitung> nilai 𝑋2 (I-1)(J-1) atau bisa diketahui apabila p-

value yang lebih kecil dari α

Dimana :

𝒓𝟏 ∶ 𝑴𝒂𝒔𝒔𝒂 𝑩𝒂𝒓𝒊𝒔𝒄𝟏 ∶ 𝑴𝒂𝒔𝒔𝒂 𝑲𝒐𝒍𝒐𝒎

MATRIKS DATA

LANDASAN TEORI

NEXTBACK

[click to show the credit]

Matriks Profit Baris:

Matriks Profit Kolom:

T

I

T

T

r

r

.

.

.

r

PDR

~

~1

1

T

J

T

T

c

c

.

.

.

c

PDC

~

~1

1𝑃𝑖𝑗 =𝑛𝑖𝑗

𝑛..atau 𝐏 = 1

𝑛𝐍

Menyusun matriks proporsi

J

cJc

I

rIr

ccataucc

rrataurr

1,...,

1diag,...,diag

1,...,

1diag,...,diag

1

21

1

21

1

21

1

21

DD

DD

Menghitung diagonal matriks akar kuadrat

ANALISIS KORESPONDENSI

Nilai singular dicari untuk memperoleh koordinat profit baris dan kolom

Singular Value Decomposition (SVD)

LANDASAN TEORI

NEXTBACK

[click to show the credit]

Koordinat Profit KolomKoordinat Profit Baris

K

k

T

kckrk

T

1

2121vDuDrcP

krk uDF21 kck vDG

21

k

uk

vk

Penguraian nilai singular pada alogaritma matriks dan terdiri dari konsep

dekomposisi eigenvalue atau eigenvektor

: nilai singular

: vektor dengan ukuran I x 1

: vektor dengan ukuran J x 1

Nilai Dekomposisi Inersia

LANDASAN TEORI

NEXTBACK

[click to show the credit]

Inersia Kolom ( j )Inersia Baris (i)

K

k

k

i j ii

jiijTTT

cr

crptr

1

2

2

21

c

21

r

21

c

21

r DrcPDDrcPD

TT

c

T

r

i ic

T

iir

1cRD1cRD

crDcr

1tracein(I)

atau~1~in(I)

Nilai Inersia merupakan Jumlah kuadrat dari nilai signular yang menunjukan kontribusi baris ke-i dan kolom ke-j pada inersia total. Total inersia adalah ukuran variasi data dan ditentukan dengan

jumlah kuadrat terboboti.

TT

r

T

c

j jr

T

jjc

1rCD1rCD

rcDrc

1

1

tracein(J)

atau~~in(J)

Kontribusi Relatif

LANDASAN TEORI

NEXTBACK

[click to show the credit]

Kontribusi baris ke-i menuju inersia =𝑟𝑖𝑓𝑖𝑘2

λ𝑘

Kontribusi kolom ke-j menuju inersia=𝑐𝑖𝑔𝑗𝑘2

λ𝑘

Kontribusi relatif atau korelasi baris ke-i atau kolom ke-j dengan komponen k adalah kontribusi axis ke inersia baris ke-i atau kolom ke-j di dalam dimensi ke-k dinyatakan dalam persen inersia baris ke-i atau kolom ke-j.

Dimana :

𝑓𝑖𝑘2 ∶ 𝐾𝑜𝑜𝑟𝑑𝑖𝑛𝑎𝑡 𝑝𝑟𝑜𝑓𝑖𝑙 𝑏𝑎𝑟𝑖𝑠 𝑘𝑒 − 𝑖menuju axis dengan dimensi ke-k

𝒈𝒋𝒌𝟐 ∶Koordinat profil kolom ke – j menuju axis dengan dimensi ke-k

Kontribusi Mutlak

LANDASAN TEORI

NEXTBACK

[click to show the credit]

Kontribusi dari axis menuju inesia baris ke-i= 𝑓𝑖𝑘2

𝑓𝑖𝑘2

Kontribusi dari axis menuju inesia kolom ke-j =𝑔𝑗𝑘2

𝑔𝑗𝑘2

Kontribusi Axis menuju inersia baris ke-i atau kolom ke-j disebut kontribusi mutlak.

Dimana :

𝑓𝑖𝑘2 ∶ 𝐾𝑜𝑜𝑟𝑑𝑖𝑛𝑎𝑡 𝑝𝑟𝑜𝑓𝑖𝑙 𝑏𝑎𝑟𝑖𝑠 𝑘𝑒 − 𝑖menuju axis dengan dimensi ke-k

𝒈𝒋𝒌𝟐 ∶Koordinat profil kolom ke – j menuju axis dengan dimensi ke-k

Ukuran jarak digunakan ketika terdapat dua objek yang berada pada titik yang berbeda, jarak antar objek sering juga disebut dengan ukuran kemiripan atau similarity. Digunakan untuk mengukur perbedaan yang berasal dari objek untuk menggambarkan

karakteristik dan pola kecenderungan.

LANDASAN TEORI

NEXTBACK

[click to show the credit]

JARAK EUCLIDIAN

𝑑 𝑭, 𝑮 =

𝑖=1

𝑘

𝑭𝒊 − 𝑮𝒊2

Keterangan :

K : banyaknya solusi dimensi

F : koordinat titik pada profil baris

G : koordinat titik pada profil kolom

Fi : nilai kordinat profil baris pada dimensi ke-i

Gi : nilai kordinat profil kolom pada dimensi ke-i

ANALISIS CLUSTER

LANDASAN TEORI

NEXTBACK

[click to show the credit]

Analisis cluster mengklasifikasi objek sehingga setiap objek yang paling dekat kesamaannya dengan objek lain berada dalam cluster yang sama.

Kelebihan Kelemahan

1. Dapat Mengelompokan data observasi dalam jumlah besar dan variabel relatif banyak.2. Skala Pengukuran ordinal,interval,dan rasio.

1. Pengelompokan bersifat subjektif.2. Hanya dilihat dari dendogram.3. Sulit pengelompokkanna bila data

terlalu heterogen.

UJI BARLETT

LANDASAN TEORI

NEXTBACK

[click to show the credit]

H0 : Tidak ada korelasi antar variabel (𝜌 = 1)H1 : Terdapat korelasi antar variabel (𝜌 ≠ 1)

Statistik Uji :

6

2 51ln

pnRBarlett

Tolak H0apabila nilai Barlett hitung> nilai 𝑋2𝛼; 1 2𝑝 (𝑝 − 1) maka variabel saling berkorelasi sehingga terdapat hubungan antar variabel.

Analisis Faktor

LANDASAN TEORI

NEXTBACK

[click to show the credit]

Analisis faktor merupakan suatu teknik analisis yang bertujuan untukmendefinisikan struktur yang mendasar pada antar variabel. Analisis faktordapat dikatakan salah satu teknik “ analisis ketergantungan”. Tujuan utamaanalisis faktor adalah untuk menjelaskan struktur hubungan di antarabanyak variabel dalam bentuk faktor atau vaiabel laten atau variabelbentukan (mereduksi variable)

METODE PENGELOMPOKAN HIRARKI

LANDASAN TEORI

NEXTBACK

[click to show the credit]

Metode pengelompokan hirarki berawal dari objek individual, dengan demikian akan terdapat proses awal sebanyak objek cluster

(kelompok). Objek-objek yang paling banyak memiliki kesamaan adalah yang pertama dikelompokkan

Single linkage dapat berupa jarak atau kesamaan antara pasangan-pasangan objek. Grup dibentuk dari kesatauan individu dengan menggabungkan tetangga terdekatnya, dimana kata “tetangga terdekat” mengandung arti jarak terkecil atau kesamaan terbesar (terbanyak)

Single Linkage

LANDASAN TEORI

NEXTBACK

[click to show the credit]

d(UV)W=min{dUW, dVW }.

Di sini nilai dUW dan dVW adalah jarak antara tetangga terdekat dari kelompok U dan W serta kelompok V dan W, begitupun sebaliknya

Complete Linkage

LANDASAN TEORI

NEXTBACK

[click to show the credit]

Prosedur pengelompokan complete linkage hampir sama dengan single

linkage, dengan satu pengecualian. Pada setiap tingkat, jarak (kesamaan) antar kelompok ditentukan dengan jarak (kesamaan) antara dua elemen yaitu yang paling jauh.

Dimana dUW dan dVW merupakan jarak terjauh antara anggota kelompok U dan W serta kelompok V dan W, begitupun sebaliknya.

d(UV)W=max{dUW, dVW}

Average Linkage

LANDASAN TEORI

NEXTBACK

[click to show the credit]

Average linkage didasarkan pada rata-rata jarak dari seluruh objek pada suatu cluster dengan seluruh objek pada cluster lain

Dimana dik adalah jarak antara objek i pada cluster (UV) dan objek k pada cluster W, dan N(UV) dan NW adalah jumlah dari item-item pada cluster (UV) dan W

WUV

i k

ik

WUV NN

d

d)(

R2 = proporsi jumlah kuadrat jarak antar pusat kelompok dengan jumlah kuadrat sampel terhadap rata-rata keseluruhanSST = total jumlah dari kuadrat jarak terhadap rata-rata keseluruhanSSW = total jumlah dari kuadrat jarak sampel terhadap rata-rata kelompoknyaN = banyaknya sampel = sampel ke-i pada kelompok ke-j dan variabel ke-kc = banyaknya kelompok = rata-rata sampel pada variabel-knc = banyaknya data pada kelompok ke-ip = banyaknya variabel𝑋𝑗𝑘 = rata-rata sampel pada kelompok ke-j & variabel ke-k

Penentuan Jumlah Kelompok Optimum (Pseudo F-Statistic)

LANDASAN TEORI

NEXTBACK

[click to show the credit]

metode alternatif yang digunakan untuk menentukan banyaknyakelompok optimum

Rumus

cn

R

c

R

2

2

1

1SST

SSWSSTR

)(2 Pseudo F

cn

i

c

j

p

k

kk

ij xxSST1 1 1

cn

i

c

j

p

k

k

j

k

ij xxSSW1 1 1

𝑋𝑖𝑗𝑘

𝑋𝑘

Dimana Nilai icdrate yang semakin kecil menunjukkan perbedaan keanggotaan tiap kelompok yang artinya pengelompokanberdasarkan data yang sangat mirip dikelompokkan dalam satu cluster . Digunakan untuk pemilihan metode yg terbaik dlamanalisis cluster.

LANDASAN TEORI

NEXTBACK

[click to show the credit]

Icdrate ( Internal Cluster Disersion Rata)

Keterangan :

SSB : Sum of Squared Between-Groups

SST : Total jumlah dari kuadrat jarat terhadap rata-rata keseluruhanR2 : Proporsi jumlah kuadrat jarak antar pusat kelompok denganjumlah kuadrat sampel terhadap rata-rata keseluruhanC : Bnyaknya Cluster

n : Banyaknya data dalam cluster

𝑥𝑘 : Rata – rata sampel pada variable-k 𝑥𝑖𝑘 : Rata – rata sampel pada kelompok ke-I variabel ke-k

Icdrate = 1 -𝑆𝑆𝐵

𝑆𝑆𝑇= 1-R2

SSB = 𝑖=1𝑐 𝑗=1

𝑝 𝑥𝑖𝑘 − 𝑥𝑘

2

Kriminalitas

LANDASAN NON STATISTIK

NEXTBACK

[click to show the credit]

Jenis Kejahatan di DKI Jakarta1. Kejahatan Konvensional kejahatan jalanan

2. Kejahatan Trans nasional kejahatan yang melibatkan lintas Negara

3. Kejahatan Terhadap Kekayaan Negara terhadap kepentingan hukum atau benda milik Negara

4. Kejahatan Berimplikasi Kontijensi Kejahatan yang dapat mengganngu aspek – aspek keamanan, politik, dan ekonomi

5. Kejahatan Terhadap Hak Asasi Manusia Kejahatan yang secara melawan hukum membatasi dan mencabut Hak AsasiManusia

6. Hukum Pidana dasar atau aturan untuk Menentukan perbuatan mana yang tidak boleh dilakukan, yang dilarang, dengan disertai ancaman atau sangsi berupa pidana

7. Hukum Perdata Suatu peraturan yang mengatur tentang hal-hal yang sangat esensial bagi kebebasanindividu, seperti orang dan keluarganya, hak milik dan perikatan

8. Kejahatan Mengganggu Ketrentraman dan Ketertiban merupakan kata-kata yang dipakai oleh pembentuk undang-undangsebagai nama kumpulan bagi kejahatan-kejahatan yang di dalam undang-undang

9. Kejahatan Golongan Bencana Kejahatan yang terjadi pada kasus sumber daya alam dan lingkungan hidup

METODOLOGI PENELITIAN

NEXTBACK

[click to show the credit]

SUMBER DATA

Sumber data yang digunakan adalah data sekunder yangberupa data kriminalitas di Direktorat Reserse Kriminal UmumKepolisian Daerah (POLDA) Provinsi DKI Jakarta tahun 2012.

METODOLOGI PENELITIAN

NEXTBACK

[click to show the credit]

VARIABEL PENELITIAN

Variabel Wilayah POLRES di setiap Kabupaten DKI Jakarta

Kode KESATUAN (POLRES) Kode KESATUAN (POLRES)

Y1 Mapolda Y8 Resta Pel. Tanjung Priok

Y2 Resto Jakarta Pusat Y9 Resta Bekasi KotaY3 Resto Jakarta Utara Y10 Resta DepokY4 Resto Jakarta Barat Y11 Kepol. Bandara SoettaY5 Resto Jakarta Timur Y12 Resta TanggerangY6 Resto Jakarta Selatan Y13 Resta BekasiY7 Resto Tanggeran Kota Y14 Res. Kep. Seribu

METODOLOGI PENELITIAN

NEXTBACK

[click to show the credit]

VARIABEL PENELITIANVariabel Wilayah POLRES di setiap Kabupaten DKI Jakarta

Kode JENIS KEJAHATAN Kode JENIS KEJAHATAN

X1 Pencurian X 36 TerorismeX2 Laka Lantas X 37 Penyalahgunaan senpiX3 Penipuan X 38 PerbankanX4 Curanmor X 39 AgrariaX5 Narkotika X 40 Psikotropika X6 Penggelapan X 41 Senpi ilegalX7 Unjuk rasa X 42 Tki ilegalX8 Penganiayaan X 43 KorupsiX9 Gangguan umum X 44 Perlindungan anakX10 Kdrt X 45 KehilanganX11 Penemuan mayat X 46 Prod & dagangX12 Kebakaran X 47 Bbm illegalX13 Pemerasan X 48 Perdagangan manusia X14 Pemalsuan surat X 49 Lingkungan hidupX15 Curas X 50 Asal usul dan perkawinanX 16 Perjudian X 51 PenembakanX 17 Merusak barang X52 Menerima suap

X 18 Pemalasuan X 53 Aborsi

X 19 Kejahatan lahan X 54 Miras

X 20 Laka ka X 55 Merugikan pemiutang

X 21 Penadahan X 56 Laka laut

X 22 Pembunuhan X 57 Kepentingan orang

X 23 Kecelakaan X 58 Orang yang ditolong

X 24 Penghinaan X 59 Han berbahaya

X 25 Jabatan X 60 Poa

X 26 Perzinahan X 61 Sara

X 27 Bunuh diri X 62 Laka udara

X 28 Cabul X 63 Kewajiban dan hak kenegaraan

X 29 Penculikan X 64 Ledakan bom

X 30 Premanisme X 65 Illegal fishing

X 31 Uang palsu X 66 Hewan dgn pas lain

X 32 Hki X 67 Pengerusakan ringan

X 33 Perkosaan X 68 Membakar gedung

X 34 Orang hilang X 69 Penguasa umum

X 35 Kenakalan remaja X 70 Pelayaran

Kode JENIS KEJAHATAN Kode JENIS KEJAHATAN

METODOLOGI PENELITIAN

NEXTBACK

[click to show the credit]

LANGKAH - LANGKAH ANALISIS

Mulai

Mengumpulkan Data sekunder

Data Kriminalitas DKI

Jakarta Tahun 2012

Uji Barlett

Analisis Pseudo F

Analisis Cluster

Intrepertasi Hasil Analisis Cluster

Selesai

Mulai

Mengumpulkan Data sekunder

Tabulasi Silang

Uji Independensi

Visualisasi Plot

Selesai

Data Kriminalitas DKI

Jakarta Tahun 2012

Uji Korespondensi

Intrepertasi Hasil Analisis Korespondensi

Langkah Analisis Korespondensi Langkah Analisis Cluster

Analisis Faktor

NEXTBACK

[click to show the credit]

STATISTIK DESKRIPTIF

0.0% 5.0% 10.0% 15.0% 20.0%

MAPOLDA

JAKPUS

JAKUT

JAKBAR

JAKSEL

JAKTIM

TNG

KPPP

BEKASI

DEPOK

BSH

TNG KAB

BKS KAB

KEP.SRB

10.1%

18.7%

8.0%

7.2%

11.7%

9.7%

3.5%

0.9%

7.8%

6.3%

0.6%

10.8%

4.6%

0.2%

Polres

Karakteristik Kejahatan berdasarkan Polres

14.9%

12.2%

16.8%

0.0019%

0.0019%0.0019%

0.0%

5.0%

10.0%

15.0%

20.0%

1 4 7 101316192225283134374043464952555861646770

Jenis Kejahatan

Karakteristik Kejahatan di DKI Jakarta

Tingkat kejahatan tertinggi kasus penipuan, lalukedua pencurian, dan ketiga laka lantas, dankejahatan yang jarang terjadi agrarian sampaipelayaran (X59 - X70)

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

UJI INDEPENDENSI

H0 : Tidak ada hubungan antara jenis kejahatan umum dengan wilayah rayon polres(independen)

H1 : Ada hubungan antara jenis kejahatan umum dengan wilayah rayon polres (dependen)

Hipotesis

Nilai Chi-Square 30550,290Nilai Chi-Square Tabel 967,789P-value 0,000df (I=70, J=14) 897

Keputusan

Tolak H0 karena nilai 𝑋2hitung (30550,290) > nilai 𝑋2table (967,789) atau bisa diketahui apabila p-value (0,00) yang lebih kecil dari α (0,05)

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

ANALISIS KORESPONDENSI

Reduksi Dimensi

Dimension Singular Inersia Proporsi Proporsi Kumulatif

1 1.11 1.23 0.422 0.42

2 0.9 0.81 0.278 0.7

3 0.69 0.47 0.161 0.86

4 0.46 0.21 0.073 0.93

5 0.29 0.08 0.028 0.96

6 0.23 0.05 0.019 0.98

7 0.18 0.03 0.011 0.99

8 0.12 0.01 0.005 0.99528

9 0.1 0.01 0.003 0.99866

10 0.05 0 0.001 0.9994

11 0.04 0 0.001 0.99995

12 0.01 0 0 0.99999

13 0.01 0 0 1

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

ANALISIS KORESPONDENSI

Nilai Kontribusi Mutlak dan Relatif pada Profil Baris

Kriteria yang masuk Dimensi 11. Pencurian – Mutlak = 26,4% , Relatif = 73,1%2. Laka Lantas – Mutlak = 2,8% , Relatif = 1,05%3. dst

Kriteria yang masuk Dimensi 21. Penipuan – Mutlak = 77,5% , Relatif = 96,9%2. Curanmor – Mutlak = 8% , Relatif = 24,1%3. dst

kejahatanKontribusi

Mutlak RelatifTotal

1 2 1 21 0,264(II) 0,000 0,731 0,001 0,7322 0,028 0,013 0,105 0,031 0,1363 0,000 ,775(I) 0 0,969(I) 0,9694 0,004 0,08 0,018 0,241 0,265 0,199(III) 0,044 0,747 0,109 0,8576 0,005 0,013 0,147 0,231 0,3797 0,353(I) 0,021 0,922(I) 0,036 0,9588 0,000 0,000 0,003 0 0,0039 0,122 0,039 0,681 0,144 0,825

10 0,004 0,000 0,315 0 0,31511 0,008 0,002 0,31 0,059 0,36912 0,000 0,000 0,041 0,002 0,04413 0,005 0,007 0,227 0,199 0,42614 0,001 0,000 0,056 0,026 0,08315 0,001 0,000 0,476 0,123 0,616 0,000 0,000 0,308 0,152 0,4617 0,001 0,000 0,223 0,001 0,22418 0,000 0,000 0,154 0,08 0,23419 0,001 0,002 0,232 0,197 0,4320 0,000 0,000 0,119 0,003 0,12221 0,001 0,000 0,248 0,162 0,41: : : : : :

65 0,000 0,000 0,169 0,209 0,37866 0,000 0,000 0,003 0,002 0,00567 0,000 0,000 0,085 0,000 0,08568 0,000 0,000 0,104 0,000 0,10569 0,000 0,000 0,018 0,793 0,81170 0,000 0,000 0,018 0,793 0,811

Total 1,000 1,000 0,731 0,001 0,732

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

ANALISIS KORESPONDENSI

Nilai Kontribusi Mutlak dan Relatif pada Profil KolomPolres

KontribusiMutlak Relatif

1 2 1 2 TotalMapolda 0,091 0,180 0,227 0,296 0,523

Jak_Pus 0,768(I) 0,013 0,971 0,011 0,982

Jak_Ut 0,038 0,001 0,606 0,009 0,615

Jak_Bar 0,012 0,034 0,068 0,123 0,190

Jak_Sel 0,019 0,006 0,177 0,038 0,215

Jak_Tim 0,048 0,001 0,854 0,009 0,863

Tanggerang 0,000 0,010 0,004 0,188 0,192

Pel.Priok 0,001 0,001 0,141 0,139 0,280

Bekasi 0,007 0,000 0,235 0,009 0,243

Depok 0,000 0,025 0,000 0,255 0,255

Band.Soetta 0,000 0,001 0,027 0,168 0,195

Kab.Tanggerng 0,001 0,724(I) 0,003 0,956 0,959

Kab. Bekasi 0,014 0,004 0,102 0,020 0,122

Kep. Seribu 0,000 0,000 0,137 0,092 0,229

Total 1,000 1,000

Kriteria yang masuk Dimensi 11. Polres Jakarta Pusat – Mutlak = 76,8% , Relatif = 97,1%2. Polres Jakarta Utara – Mutlak = 3,8% , Relatif = 60,6%3. dst

Kriteria yang masuk Dimensi 21. Polres Mapolda – Mutlak = 18% , Relatif = 29,6%2. Polres Jakarta Barat – Mutlak = 3,4% , Relatif = 12,3%3. dst

Dari Pengelompokan berdasarkan nilai kontribusi mutlak pada profil baris dan kolomdiperoleh kecenderungan di setiap dimensi yang berkaitan yaitu :1. Jenis kejahatan Unjuk Rasa, Pencurian, dan Narkotika cenderung terjadi di

Polres Jakarta Pusat.2. Jenis Kejahatan Penipuan cenderung terjadi di Polres Kabupaten Tanggerang

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

ANALISIS KORESPONDENSI

Nilai Euclidian

Kriteria Kasus kejahatan pada Polres Mapolda :Pencurian (X1), Laka Lantas (X2), dan Curanmor (X4)

Kriteria kasus kejahatan pada Polres Jakarta Pusat :Narkotika (X5), Unjuk rasa (X7), dan Ganguan Umum (X9)

Kriteria kasus kejahatan pada Polres Jakarta Utara :KDRT (X10)

Kriteria kasus kejahatan pada Polres Jakarta Selatan :Penggelapan (X6)dst

KejahatanWilayah

Y1 Y2 Y3 Y4 Y5 Y6 Y7 Y8 Y9 Y10 Y11 Y12 Y13 Y14

X1 3.60 7.99 3.77 4.12 5.07 3.67 4.57 4.65 4.19 4.59 4.50 5.40 4.06 4.59X2 0.67 4.95 1.23 1.06 2.10 1.16 1.61 1.77 1.41 2.08 1.65 4.13 1.21 1.75X3 8.57 8.19 6.92 7.66 7.29 6.94 7.34 7.13 7.07 6.43 7.08 3.97 7.23 7.05X4 0.97 4.41 2.36 1.59 2.25 2.36 1.99 2.21 2.18 2.86 2.22 5.28 2.02 2.27X5 6.03 2.14 4.95 4.96 3.92 5.05 4.38 4.22 4.61 4.08 4.34 4.30 4.79 4.24X6 0.82 4.13 1.01 0.32 1.33 1.02 0.88 1.08 0.88 1.60 1.02 3.95 0.69 1.10X7 6.43 1.93 6.13 5.70 4.78 6.23 5.25 5.21 5.67 5.49 5.37 6.81 5.78 5.29X8 1.96 3.40 0.85 0.84 0.53 0.95 0.35 0.14 0.42 0.56 0.14 3.03 0.59 0.06X9 4.26 1.22 4.19 3.63 2.85 4.28 3.27 3.28 3.73 3.73 3.44 5.61 3.79 3.37X10 1.65 4.05 0.21 0.69 1.15 0.30 0.71 0.71 0.25 0.79 0.55 3.03 0.27 0.63: : : : : : : : : : : : : : :

X 60 1.92 3.48 0.77 0.79 0.61 0.87 0.35 0.19 0.34 0.55 0.10 3.02 0.52 0.09X 61 1.92 3.48 0.77 0.79 0.61 0.87 0.35 0.19 0.34 0.56 0.09 3.02 0.52 0.08X 62 1.92 3.48 0.77 0.79 0.60 0.87 0.35 0.19 0.34 0.56 0.09 3.02 0.52 0.08X 63 1.92 3.48 0.77 0.79 0.61 0.87 0.35 0.19 0.34 0.56 0.09 3.02 0.52 0.08X 64 1.92 3.48 0.77 0.79 0.61 0.87 0.35 0.19 0.34 0.56 0.09 3.02 0.52 0.08X 65 1.91 3.48 0.77 0.79 0.61 0.87 0.35 0.19 0.34 0.56 0.09 3.03 0.52 0.08X 66 1.92 3.48 0.77 0.79 0.60 0.87 0.35 0.19 0.34 0.56 0.09 3.02 0.52 0.08X 67 1.92 3.48 0.77 0.79 0.61 0.87 0.35 0.19 0.34 0.56 0.09 3.02 0.52 0.08X 68 1.92 3.48 0.77 0.79 0.61 0.87 0.35 0.19 0.34 0.56 0.09 3.02 0.52 0.08X 69 1.92 3.48 0.77 0.79 0.61 0.87 0.35 0.19 0.34 0.55 0.10 3.02 0.52 0.09X 70 1.92 3.48 0.77 0.79 0.61 0.87 0.35 0.19 0.34 0.55 0.10 3.02 0.52 0.09

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

Analisis Cluster

HipotesisH0 : ρ = I (antar variabel dari data faktor-faktor yang mempengaruhi indikator jenis kejahatan tidak berkorelasi)H1 : ρ ≠ I (antar variabel dari data faktor-faktor yang mempengaruhi indikator jenis kejahatan berkorelasi)

Uji Barlett

Pada Uji Barlett menggunakan sofware SPSS dapat diketahui bahwa terjadikombinasi linier dimana ada korelasi antar variabel sehingga matriks determinan nolyang menyebabkan matriks korelasi bukan matriks definite positif sehingga adakombinasi linier minimal 2 variabel dependen dibuktikan dengan uji korelasi antarvariabel pada lampiran (D1). Sehingga dapat dikatakan bahwa antar variabel dari datafaktor-faktor yang mempengaruhi indikator jenis kejahatan tahun 2012 berkorelasi.

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

Analisis Factor

Nilai Eigenvalue

Variabel 70 Variabel 11Keragaman Min 70%Total Eigenvalue lebih dari 1

Component Initial Eigenvalues

Total% of

VarianceCumulati

ve %1 16,078 22,968 22,9682 12,651 18,072 41,0403 9,668 13,811 54,8524 7,263 10,376 65,2285 5,699 8,142 73,3696 4,534 6,477 79,8467 3,763 5,376 85,2228 3,500 5,000 90,2229 2,827 4,038 94,26010 1,996 2,852 97,11211 1,339 1,913 99,02512 0,504 0,721 99,74613 0,178 0,254 100,000: : : :

60 -5.951E-16 -8.501E-16 100.00061 -6.509E-16 -9.299E-16 100.00062 -7.237E-16 -1.034E-15 100.00063 -7.527E-16 -1.075E-15 100.00064 -8.381E-16 -1.197E-15 100.00065 -9.248E-16 -1.321E-15 100.00066 -1.034E-15 -1.477E-15 100.00067 -1.281E-15 -1.830E-15 100.00068 -1.455E-15 -2.079E-15 100.00069 -2.155E-15 -3.079E-15 100.00070 -2.400E-15 -3.428E-15 100.000

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

Analisis Factor

Nilai Loading Factor

Faktor Jenis KejahatanFaktor 1 X13,X19,X38,X42,X43,X45,X56,X65

Faktor 2 X3,X21,X31,X35,X39,X46,X50,X60,X69,X70

Faktor 3 X5,X7,X9,X40,X54,X59

Faktor 4 X10,X34,X36,X44,X52,X55,X62

Faktor 5 X14,X26,X27,X29,X30,X33,X63

Faktor 6 X37,X47,X49,X68

Faktor 7 X8,X61

Faktor 8 X1,X6,X12,X15,X17,X24,X25,X51,X57,X67

Faktor 9 X4,X18,X28

Faktor 10 X2,X16,X22,X23,X32,X48,X53,X64

Faktor 11 X11,X20,X41,X58,X66

Kejahatan Kekayaan Negara Kejahatan Materi Kejahatan Pidana Kejahatan dengan Kekerasan Kejahatan Asusila Kejahatan Terencana Kejahatan Psikis Kejahatan Gangguan Barang/orang Kejahatan Moral Kejahatan Terorganisir Kejahatan Non Pidana

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

Analisis Cluster

Nilai Eigenvalue

Banyaknya Kelompok

Pseduo FSingle Complete Average

2 10.3228 62.0349 6.3953 10.654 101.3257 21.9394 9.8607 44.841 39.11735 8.9234 44.1575 20.22016 8.3324 23.32 15.79967 10.5541 15.4013 10.55418 6.2178 12.2345 12.34459 7.4337 10.4522 7.433710 6.3949 6.3949 6.3949

Berdasrakan Penilaian Pseudo F Statistic :Single Linkage : 3 kelompokComplete Linkage : 3 kelompokAverage linkage : 4 kelompok

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

Analisis Cluster

Nilai Icdrate

Analisis BanyaknyaKelompok Sw Sb Icdrate

Single Linkage 3 2,99x107 8,21x106 0,7614Complete Linkage 3 8,65x106 2,58x107 0,2512Average Linkage 4 1,25x107 2,19107 0,3634

KelompokSingle Complete Average

Sw Sb Icdrate Sw Sb Icdrate Sw Sb Icdrate

2 2.62E+07 4.48E+06 0.8699 1.81E+07 1.63E+07 0.5266 1.81E+07 1.81E+07 0.5145

3 2.99E+07 8.21E+06 0.7614 8.65E+06 2.58E+07 0.2512 2.09E+07 1.35E+07 0.6078

4 2.39E+07 1.05E+07 0.6937 1.14E+07 2.30E+07 0.3325 1.25E+07 2.19E+07 0.3634

5 2.23E+07 1.21E+07 0.649 9.36E+06 2.51E+07 0.272 1.55E+07 1.90E+07 0.4493

6 2.10E+07 1.34E+07 0.6094 1.23E+07 2.21E+07 0.3579 1.55E+07 1.89E+07 0.4514

7 1.73E+07 1.71E+07 0.5027 1.41E+07 2.03E+07 0.4092 1.73E+07 1.71E+07 0.5027

8 2.04E+07 1.41E+07 0.5914 1.45E+07 1.99E+07 0.4217 1.45E+07 1.99E+07 0.4217

9 1.76E+07 1.68E+07 0.5104 1.47E+07 1.98E+07 0.4258 1.76E+07 1.68E+07 0.5104

10 1.77E+07 1.67E+07 0.5145 1.77E+07 1.67E+07 0.5145 1.77E+07 1.67E+07 5.15E-01

Berdasrakan Penilain Icdrate didapatkan pemilihanmetode terbaik yaitu Complete Linkage

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

Analisis Cluster

Single Linkage

Keterangan

Cluster 1 : Daerah yg rawan kejahatanCluster 2 : Daerah yang sering terjadi kejahatanCluster 3 : Daerah yang jarang terjadi kejahatan

Cluster Anggota 1 Mapolda2 Jakarta Pusat, Jakarta Barat, Jakarta Selatan, Depok, Kab.Bekasi,

Jakarta Timur, Jakarta Utara, Kab. Tanggerang, Tanggerang,Pelabuhan Priok, Band. Soetta, dan Kep. Seribu

3 Bekasi

ANALISIS DAN PEMBAHASAN

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

Analisis Cluster

Complete Linkage

Keterangan

Cluster 1 : Daerah yg rawan kejahatanCluster 2 : Daerah yang sering terjadi kejahatanCluster 3 : Daerah yang cukup terjadi kejahatan

Cluster Anggota 1

Mapolda, Jakarta Utara, Jakarta Selatan, Tanggerang, Pelabuhan Priok, Kab Bekasi,,Kab. Tanggerang, Kep. Seribu, dan Band. Soetta,

2 Jakarta Pusat3 Jakarta Barat, Depok, Bekasi, dan Jakarta Timur

NEXTBACK

[click to show the credit]

Analisis Cluster

Average Linkage

Keterangan

Cluster 1 : Daerah yg rawan kejahatanCluster 2 : Daerah yang sering terjadi kejahatanCluster 3 : Daerah yang cukup rendahi kejahatanCluster 4 : Daerah yang jarang terjadi kejahatan

Cluster Anggota 1 Mapolda, Jakarta Utara, Jakarta Selatan, Jakarta Timur, Tanggerang, Pelabuhan Priok,

Depok, Band.Soetta,Kab.Tanggerang,Kab.Bekasi,Kep.Seribu

2 Jakarta Pusat3 Jakarta Barat4 Bekasi

ANALISIS DAN PEMBAHASAN

NEXTBACK

[click to show the credit]

KESIMPULAN

Berdasarkan Statistik Deskriptif didapatkan jenis kejahatan tertinggi di DKI Jakarta pada tahun 2012 yaituPenipuan sebesar 16,8% dan terendah yaitu jenis kejahatan (X59-X70). Sedangkan wilayah Polres didapatkankejahatan terbanyak yaitu Polres Jakarta Pusat sebesar 18,7% dan yang terendah yaitu Polres Kep.Seribusebesar 0,2%.

Berdasarkan analisis korespondensi dari pengelompokkan dimensi yaitu Polres Jakarta Pusat memilikikecenderungan kejahatan unjukrasa, pencurian, dan narkotika. Sedangkan perhitungan nilai jarakEuclidian wilayah Polres Jakarta Pusat terdapat kecenderungan kejahatan noarkotika dst.

Berdasarkan analisis Factor dari 70 variabel terbentuk 11 factor jenis kejahatan di DKI Jakarta dengan nilaikumulatif sebesar 99,025% dengan nilai eigenvalue lebih dari 1.

Berdasarkan analisis Cluster dengan perhitungan Pseudo F didapatkan kelompok optimum yaitu single

linkage terbentuk 3 kelompok, complete linkage terbentuk 3 kelompok, dan average linkage terbentuk 4kelompok. Dan berdasarkan perhitungan Icdrate pemilihan metode cluster terbaik yaitu metode complete

linkage dengan nilai terkecil sebesar 0,2512

KESIMPULAN DAN SARAN

NEXTBACK

[click to show the credit]

SARAN

Pihak Kepolisian DKI Jakarta hendakanya melakukan melakukan tindakan preventif terhadappola-pola kecenderungan jenis kejahatan umum disetiap Polres. Misalnya di wilayah PolresKabupaten Bekasi mengadakan penyuluhan mengenai bahaya tindakan penipuan yang seringterjadi dan cara mencegah kejahatan tersebut di masyarakat.

Kedepannya pihak Kepolisian DKI Jakarta bisa menerapakan sistem monitoring sertaevaluasi dengan cara melihat pola kencenderungan kejahatan disetiap Polres secaraberkala. Sehingga dapat dilakukan tindak pencegahan secara efektif.

KESIMPULAN DAN SARAN

THANK’S FOR YOUR ATTENTIONANALISIS PENGELOMPOKAN JENIS-JENIS KEJAHATAN UMUM PADA KASUS KRIMINALITAS DI PROVINSI DKI JAKARTA TAHUN 2012(STUDI KASUS : DKI JAKARTA)

RISFIAN EKA KURNIAWAN (1310 030 051)