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

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

click anywhere to start

RISFIAN EKA KURNIAWAN (1310 030 051)

TUGAS AKHIR

PENDAHULUAN

LANDASAN TEORI

METODOLOGI PROPOSAL TUGAS AKHIR

Pembimbing : Adatul Mukarromah, S.Si. M.Si Penguji : Dr. Brojol Sutijo, S.Si.M.Si Dr. rer pol Heri Kuswanto, S.Si. M.Si

[click to show the credit]

ANALISIS

PENDAHULUAN LATAR BELAKANG Pengelompokan daerah yang rawan kejahatan menggunakan analisis cluster (Salsabielah, 2013) PERMASALAHAN

REFERENSI

DKI JAKARTA

KECENDERUNGAN Pengelompokan jenis-jenis kejahatan dan wilayah sub rayon dengan analisis korespondensi (Tyan, 2013) Analisis korespondensi dan analisiss cluster

BACK

NEXT

A.S. Alam (1992)


PENDAHULUAN PERMASALAHAN

Deskripsi Jenis-Jenis Kejahatan di DKI Jakarta pada tahun 2012

Data Kriminalitas DKI Jakarta Tahun 2012

Pola Kecenderungan Jenis kejahatan berdasarkan wilayah di DKI Jakarta pada tahun 2012

NEXT

BACK [click to show the credit]

PENDAHULUAN 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.

NEXT


PENDAHULUAN

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.

NEXT


LANDASAN TEORI TABEL KONTINGENSI (CROSS TABULATION)

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 Baris

STRUKTUR DATA

Kolom

Total

1

2

3

..

J

1

n11

n12

n13

..

n1j

n1.

2

n21

n22

n23

..

n2j

n2.

3

n31

n32

n33

..

n3j

n3.

…

..

..

..

..

..

..

…

..

..

..

..

..

..

I

ni1

ni2

ni3

..

nij

ni.

n.1

n.2

n.3

n.j

n..

BACK Total


..

NEXT

LANDASAN TEORI



H0 H1

UJI INDEPENDENSI : Tidak ada Hubungan antara variabel 1 dan 2 (Independen) : Terdapat hubungan antara variabel 1 dan 2 (Dependen)

Statistik Uji :

X

2

I

J

  

i 1 j 1

(nij  eij ) 2

e

ij

Tolak H0apabila nilai 𝑋 2 hitung> nilai 𝑋 2 (I-1)(J-1) atau bisa diketahui apabila pvalue yang lebih kecil dari α

NEXT


LANDASAN TEORI ANALISIS KORESPONDENSI MATRIKS DATA Menyusun matriks proporsi

𝑃𝑖𝑗 =

𝑛𝑖𝑗 𝑛..

1

atau 𝐏 = 𝑛 𝐍

Menghitung diagonal matriks akar kuadrat 12 r

D





 diag r1 ,..., rI atau D

1 2 r

 1 1   diag  ,...,  r rI   1

 1 1  Dimana : D1c 2  diag c1 ,..., cJ atau Dc1 2  diag  ,..., 𝒓 ∶ 𝑴𝒂𝒔𝒔𝒂 𝑩𝒂𝒓𝒊𝒔  c cJ  𝒄 𝟏 ∶ 𝑴𝒂𝒔𝒔𝒂 𝑲𝒐𝒍𝒐𝒎  1 𝟏





Matriks Profit Kolom:

~ c1T    .  C  Dc1PT  .    .  ~ T  cJ  Matriks Profit Baris:

~ r1T    .  R  Dr 1PT  .    .  ~ T r I   NEXT


LANDASAN TEORI Singular Value Decomposition (SVD) Penguraian nilai singular pada alogaritma matriks dan terdiri dari konsep dekomposisi eigenvalue atau eigenvektor K





P  rc   k D1r 2u k D1c 2 v k T



T

k 1

Nilai singular dicari untuk memperoleh koordinat profit baris dan kolom

Koordinat Profit Baris

Koordinat Profit Kolom

G  k D c1 2 v k

F  k D r 1 2 u k

k

: nilai singular

uk

: vektor dengan ukuran I x 1

vk

: vektor dengan ukuran J x 1

NEXT


LANDASAN TEORI Nilai Dekomposisi Inersia



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.

1 2 r

tr D

P  rc D D P  rc D    T

1 2 c

1 2 r

T

1 2 T c

i

j

 

 



 



 T 1 T T R  1c D R  1c  r  c

in(I)  trace D

ij  ri c j 

2

ri ci

K

  k2 k 1

Inersia Kolom ( j )

Inersia Baris (i)

T 1 ~ in(I)   i r ~ r c D r  c atau i i c i

p

T in(J)   j c j ~ c j  r  Dr 1 ~ c j  r  atau





 

in(J)  trace Dc C  1r T Dr 1 C  1r T

NEXT


 T

LANDASAN TEORI Kontribusi Relatif 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.

Kontribusi baris ke-i menuju inersia =

2 𝑟𝑖 𝑓𝑖𝑘

Kontribusi kolom ke-j menuju inersia=

λ𝑘 2 𝑐𝑖 𝑔𝑗𝑘 λ𝑘

Dimana : 𝑓𝑖𝑘 2 ∶ 𝐾𝑜𝑜𝑟𝑑𝑖𝑛𝑎𝑡 𝑝𝑟𝑜𝑓𝑖𝑙 𝑏𝑎𝑟𝑖𝑠 𝑘𝑒 − 𝑖menuju axis dengan dimensi ke-k 𝒈𝒋𝒌 𝟐 ∶Koordinat profil kolom ke – j menuju axis dengan dimensi ke-k

NEXT


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

Kontribusi dari axis menuju inesia baris ke-i=

2 𝑓𝑖𝑘

2 𝑓𝑖𝑘 2 𝑔𝑗𝑘

Kontribusi dari axis menuju inesia kolom ke-j =

2 𝑔𝑗𝑘

Dimana : 𝑓𝑖𝑘 2 ∶ 𝐾𝑜𝑜𝑟𝑑𝑖𝑛𝑎𝑡 𝑝𝑟𝑜𝑓𝑖𝑙 𝑏𝑎𝑟𝑖𝑠 𝑘𝑒 − 𝑖menuju axis dengan dimensi ke-k 𝒈𝒋𝒌 𝟐 ∶Koordinat profil kolom ke – j menuju axis dengan dimensi ke-k

NEXT


LANDASAN TEORI JARAK EUCLIDIAN

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.

Keterangan :

𝑘

𝑑 𝑭, 𝑮 =

𝑭𝒊 − 𝑮 𝒊 𝑖=1

2

K F G Fi Gi

: banyaknya solusi dimensi : koordinat titik pada profil baris : koordinat titik pada profil kolom : nilai kordinat profil baris pada dimensi ke-i : nilai kordinat profil kolom pada dimensi ke-i

NEXT


LANDASAN TEORI ANALISIS CLUSTER 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. 2. 3.

Pengelompokan bersifat subjektif. Hanya dilihat dari dendogram. Sulit pengelompokkanna bila data terlalu heterogen.

NEXT


LANDASAN TEORI



H0 H1

UJI BARLETT : Tidak ada korelasi antar variabel (𝜌 = 1) : Terdapat korelasi antar variabel (𝜌 ≠ 1)

Statistik Uji :   

Barlett  ln R  n  1 

2p 5   6 

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

NEXT


LANDASAN TEORI



Analisis Faktor Analisis faktor merupakan suatu teknik analisis yang bertujuan untuk mendefinisikan struktur yang mendasar pada antar variabel. Analisis faktor dapat dikatakan salah satu teknik “ analisis ketergantungan”. Tujuan utama analisis faktor adalah untuk menjelaskan struktur hubungan di antara banyak variabel dalam bentuk faktor atau vaiabel laten atau variabel bentukan (mereduksi variable)

NEXT


LANDASAN TEORI

METODE PENGELOMPOKAN HIRARKI

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

NEXT


LANDASAN TEORI Single Linkage 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) 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

NEXT


LANDASAN TEORI Complete Linkage 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.

d(UV)W=max{dUW, dVW} Dimana dUW dan dVW merupakan jarak terjauh antara anggota kelompok U dan W serta kelompok V dan W, begitupun sebaliknya.

NEXT


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

d

UV W



 d i

ik

k

N (UV ) NW

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

NEXT


LANDASAN TEORI Penentuan Jumlah Kelompok Optimum (Pseudo F-Statistic)

metode alternatif yang digunakan untuk menentukan banyaknya nc c p kelompok optimum k k









SST   xij  x

Rumus

 R2    c  1    Pseudo F 1  R2    nc    

i 1 j 1 k 1

R

2



( SST  SSW ) SST nc

c

p

SSW   xijk  x kj i 1 j 1 k 1

R2

= proporsi jumlah kuadrat jarak antar pusat kelompok dengan jumlah kuadrat sampel terhadap rata-rata keseluruhan SST = total jumlah dari kuadrat jarak terhadap rata-rata keseluruhan SSW = total jumlah dari kuadrat jarak sampel terhadap rata-rata kelompoknya 𝑘 N = banyaknya sampel = sampel ke-i pada kelompok ke-j dan variabel ke-k 𝑋𝑖𝑗 c = banyaknya kelompok 𝑋 𝑘 = rata-rata sampel pada variabel-k nc = banyaknya data pada kelompok ke-i p = banyaknya variabel 𝑋𝑗𝑘 = rata-rata sampel pada kelompok ke-j & variabel ke-k NEXT

BACK


LANDASAN TEORI Icdrate ( Internal Cluster Disersion Rata)

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

Icdrate = 1 -

SSB =

𝑐 𝑖=1

𝑆𝑆𝐵 𝑆𝑆𝑇

𝑝 𝑗=1

= 1-R2

𝑥𝑖𝑘 − 𝑥𝑘

Keterangan :

2

SSB : Sum of Squared Between-Groups SST : Total jumlah dari kuadrat jarat terhadap rata-rata keseluruhan 2 R : Proporsi jumlah kuadrat jarak antar pusat kelompok dengan jumlah kuadrat sampel terhadap rata-rata keseluruhan C : 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

NEXT


LANDASAN NON STATISTIK Kriminalitas 1. Kejahatan Konvensional

Jenis Kejahatan di DKI Jakarta  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 Asasi Manusia 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 kebebasan individu, seperti orang dan keluarganya, hak milik dan perikatan 8. Kejahatan Mengganggu Ketrentraman dan Ketertiban  merupakan kata-kata yang dipakai oleh pembentuk undang-undang sebagai 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

NEXT


METODOLOGI PENELITIAN SUMBER DATA

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

NEXT


METODOLOGI PENELITIAN 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 Kota

Y3

Resto Jakarta Utara

Y10

Resta Depok

Y4

Resto Jakarta Barat

Y11

Kepol. Bandara Soetta

Y5

Resto Jakarta Timur

Y12

Resta Tanggerang

Y6

Resto Jakarta Selatan

Y13

Resta Bekasi

Y7

Resto Tanggeran Kota

Y14

Res. Kep. Seribu

NEXT


METODOLOGI PENELITIAN VARIABEL PENELITIAN Variabel Wilayah POLRES di setiap Kabupaten DKI Jakarta Kode

JENIS KEJAHATAN

Kode

JENIS KEJAHATAN

Kode

JENIS KEJAHATAN

Kode

JENIS KEJAHATAN

X 18

Pemalasuan

X 53

Aborsi

X 19

Kejahatan lahan

X 54

Miras

Perbankan

X 20

Laka ka

X 55

Merugikan pemiutang

X 39

Agraria

X 21

Penadahan

X 56

Laka laut

Narkotika

X 40

Psikotropika

X 22

Pembunuhan

X 57

Kepentingan orang

X6

Penggelapan

X 41

Senpi ilegal

X 23

Kecelakaan

X 58

Orang yang ditolong

X7

Unjuk rasa

X 42

Tki ilegal

X 24

Penghinaan

X 59

Han berbahaya

X8

Penganiayaan

X 43

Korupsi

X 25

Jabatan

X 60

Poa

X9

Gangguan umum

X 44

Perlindungan anak

X 26

Perzinahan

X 61

Sara

X10

Kdrt

X 45

Kehilangan

X 27

Bunuh diri

X 62

Laka udara

X11

Penemuan mayat

X 46

Prod & dagang

X 47

Bbm illegal

X 63

Kewajiban dan hak kenegaraan

Kebakaran

X 28

Cabul

X12 X13

Pemerasan

X 48

Perdagangan manusia

X 29

Penculikan

X 64

Ledakan bom

X14

Pemalsuan surat

X 49

Lingkungan hidup

X 30

Premanisme

X 65

Illegal fishing

X15

Curas

X 50

Asal usul dan perkawinan

X 31

Uang palsu

X 66

Hewan dgn pas lain

X 16

Perjudian

X 51

Penembakan

X 32

Hki

X 67

Pengerusakan ringan

X 17

Merusak barang

X52

Menerima suap

X 33

Perkosaan

X 68

Membakar gedung

X 34

Orang hilang

X 69

Penguasa umum

X 35

Kenakalan remaja

X 70

Pelayaran

X1

Pencurian

X 36

Terorisme

X2

Laka Lantas

X 37

Penyalahgunaan senpi

X3

Penipuan

X 38

X4

Curanmor

X5

NEXT


METODOLOGI PENELITIAN LANGKAH - LANGKAH ANALISIS Mulai

Mulai

Mengumpulkan Data sekunder

Mengumpulkan Data sekunder



Tabulasi Silang

Uji Barlett

Uji Independensi Analisis Faktor

Uji Korespondensi

Analisis Pseudo F

Visualisasi Plot

Analisis Cluster Intrepertasi Hasil Analisis Korespondensi Intrepertasi Hasil Analisis Cluster

Selesai

BACK

Langkah Analisis Korespondensi


Selesai Langkah Analisis Cluster

NEXT

ANALISIS DAN PEMBAHASAN STATISTIK DESKRIPTIF

Karakteristik Kejahatan berdasarkan Polres Jenis Kejahatan

Polres 20.0% KEP.SRB

0.2% 15.0%

4.6%

BKS KAB

10.8%

TNG KAB BSH

0.6% 5.0%

6.3%

DEPOK

7.8%

BEKASI

KPPP

10.0%

0.0%

0.9%

TNG

9.7% 11.7%

JAKSEL 7.2%

JAKBAR

8.0%

JAKUT

18.7%

JAKPUS 10.1%

MAPOLDA 0.0%

5.0%

10.0%

12.2% 0.0019% 0.0019% 0.0019% 1 4 7 101316192225283134374043464952555861646770

Karakteristik Kejahatan di DKI Jakarta

3.5%

JAKTIM

16.8% 14.9%

15.0%

Tingkat kejahatan tertinggi kasus penipuan, lalu kedua pencurian, dan ketiga laka lantas, dan kejahatan yang jarang terjadi agrarian sampai pelayaran (X59 - X70)

20.0%

NEXT


ANALISIS DAN PEMBAHASAN UJI INDEPENDENSI Hipotesis H0 H1

: Tidak ada hubungan antara jenis kejahatan umum dengan wilayah rayon polres (independen) : Ada hubungan antara jenis kejahatan umum dengan wilayah rayon polres (dependen) Nilai Chi-Square Nilai Chi-Square Tabel P-value

30550,290 967,789 0,000

df (I=70, J=14)

897

Keputusan

Tolak H0 karena nilai 𝑋 2 hitung (30550,290) > nilai 𝑋 2 table (967,789) atau bisa diketahui apabila p-value (0,00) yang lebih kecil dari α (0,05) NEXT


ANALISIS DAN PEMBAHASAN ANALISIS KORESPONDENSI Reduksi Dimensi Dimension

Singular

Inersia

Proporsi Kumulatif

Proporsi

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

NEXT


ANALISIS DAN PEMBAHASAN ANALISIS KORESPONDENSI Nilai Kontribusi Mutlak dan Relatif pada Profil Baris kejahatan

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

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

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 : 65 66 67 68 69 70 Total

Mutlak 1 0,264(II) 0,028 0,000 0,004 0,199(III) 0,005 0,353(I) 0,000 0,122 0,004 0,008 0,000 0,005 0,001 0,001 0,000 0,001 0,000 0,001 0,000 0,001 : 0,000 0,000 0,000 0,000 0,000 0,000 1,000

2 0,000 0,013 ,775(I) 0,08 0,044 0,013 0,021 0,000 0,039 0,000 0,002 0,000 0,007 0,000 0,000 0,000 0,000 0,000 0,002 0,000 0,000 : 0,000 0,000 0,000 0,000 0,000 0,000 1,000

Kontribusi Relatif 1 2 0,731 0,001 0,105 0,031 0 0,969(I) 0,018 0,241 0,747 0,109 0,147 0,231 0,922(I) 0,036 0,003 0 0,681 0,144 0,315 0 0,31 0,059 0,041 0,002 0,227 0,199 0,056 0,026 0,476 0,123 0,308 0,152 0,223 0,001 0,154 0,08 0,232 0,197 0,119 0,003 0,248 0,162 : : 0,169 0,209 0,003 0,002 0,085 0,000 0,104 0,000 0,018 0,793 0,018 0,793 0,731 0,001

Total 0,732 0,136 0,969 0,26 0,857 0,379 0,958 0,003 0,825 0,315 0,369 0,044 0,426 0,083 0,6 0,46 0,224 0,234 0,43 0,122 0,41 : 0,378 0,005 0,085 0,105 0,811 0,811 0,732

NEXT


ANALISIS DAN PEMBAHASAN ANALISIS KORESPONDENSI Nilai Kontribusi Mutlak dan Relatif pada Profil Kolom Kontribusi

Polres

Mutlak

Mapolda

1 0,091

2 0,180

1 0,227

Relatif 2 0,296

Total 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 1 1. 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 2 1. 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 kolom diperoleh 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

NEXT


ANALISIS DAN PEMBAHASAN ANALISIS KORESPONDENSI Nilai Euclidian Kejahatan X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 : X 60 X 61 X 62 X 63 X 64 X 65 X 66 X 67 X 68 X 69 X 70

Wilayah Y1

Y2

Y3

Y4

Y5

Y6

Y7

Y8

Y9

Y10

Y11

Y12

Y13

Y14

3.60 0.67 8.57 0.97 6.03 0.82 6.43 1.96 4.26 1.65 : 1.92 1.92 1.92 1.92 1.92 1.91 1.92 1.92 1.92 1.92 1.92

7.99 4.95 8.19 4.41 2.14 4.13 1.93 3.40 1.22 4.05 : 3.48 3.48 3.48 3.48 3.48 3.48 3.48 3.48 3.48 3.48 3.48

3.77 1.23 6.92 2.36 4.95 1.01 6.13 0.85 4.19 0.21 : 0.77 0.77 0.77 0.77 0.77 0.77 0.77 0.77 0.77 0.77 0.77

4.12 1.06 7.66 1.59 4.96 0.32 5.70 0.84 3.63 0.69 : 0.79 0.79 0.79 0.79 0.79 0.79 0.79 0.79 0.79 0.79 0.79

5.07 2.10 7.29 2.25 3.92 1.33 4.78 0.53 2.85 1.15 : 0.61 0.61 0.60 0.61 0.61 0.61 0.60 0.61 0.61 0.61 0.61

3.67 1.16 6.94 2.36 5.05 1.02 6.23 0.95 4.28 0.30 : 0.87 0.87 0.87 0.87 0.87 0.87 0.87 0.87 0.87 0.87 0.87

4.57 1.61 7.34 1.99 4.38 0.88 5.25 0.35 3.27 0.71 : 0.35 0.35 0.35 0.35 0.35 0.35 0.35 0.35 0.35 0.35 0.35

4.65 1.77 7.13 2.21 4.22 1.08 5.21 0.14 3.28 0.71 : 0.19 0.19 0.19 0.19 0.19 0.19 0.19 0.19 0.19 0.19 0.19

4.19 1.41 7.07 2.18 4.61 0.88 5.67 0.42 3.73 0.25 : 0.34 0.34 0.34 0.34 0.34 0.34 0.34 0.34 0.34 0.34 0.34

4.59 2.08 6.43 2.86 4.08 1.60 5.49 0.56 3.73 0.79 : 0.55 0.56 0.56 0.56 0.56 0.56 0.56 0.56 0.56 0.55 0.55

4.50 1.65 7.08 2.22 4.34 1.02 5.37 0.14 3.44 0.55 : 0.10 0.09 0.09 0.09 0.09 0.09 0.09 0.09 0.09 0.10 0.10

5.40 4.13 3.97 5.28 4.30 3.95 6.81 3.03 5.61 3.03 : 3.02 3.02 3.02 3.02 3.02 3.03 3.02 3.02 3.02 3.02 3.02

4.06 1.21 7.23 2.02 4.79 0.69 5.78 0.59 3.79 0.27 : 0.52 0.52 0.52 0.52 0.52 0.52 0.52 0.52 0.52 0.52 0.52

4.59 1.75 7.05 2.27 4.24 1.10 5.29 0.06 3.37 0.63 : 0.09 0.08 0.08 0.08 0.08 0.08 0.08 0.08 0.08 0.09 0.09

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

NEXT


ANALISIS DAN PEMBAHASAN Analisis Cluster Uji Barlett Hipotesis H0 : 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)

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

NEXT


ANALISIS DAN PEMBAHASAN Analisis Factor Component

BACK

1 2 3 4 5 6 7 8 9 10 11 12 13 : 60 61 62 63 64 65 66 67 68 69 70

Initial Eigenvalues % of Cumulati Total Variance ve % 16,078 22,968 22,968 12,651 18,072 41,040 9,668 13,811 54,852 7,263 10,376 65,228 5,699 8,142 73,369 4,534 6,477 79,846 3,763 5,376 85,222 3,500 5,000 90,222 2,827 4,038 94,260 1,996 2,852 97,112 1,339 1,913 99,025 0,504 0,721 99,746 0,178 0,254 100,000 : : : -5.951E-16 -8.501E-16 100.000 -6.509E-16 -9.299E-16 100.000 -7.237E-16 -1.034E-15 100.000 -7.527E-16 -1.075E-15 100.000 -8.381E-16 -1.197E-15 100.000 -9.248E-16 -1.321E-15 100.000 -1.034E-15 -1.477E-15 100.000 -1.281E-15 -1.830E-15 100.000 -1.455E-15 -2.079E-15 100.000 -2.155E-15 -3.079E-15 100.000 -2.400E-15 -3.428E-15 100.000

Nilai Eigenvalue

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


NEXT

ANALISIS DAN PEMBAHASAN Analisis Factor Nilai Loading Factor

Faktor Faktor 1 Faktor 2 Faktor 3 Faktor 4 Faktor 5 Faktor 6 Faktor 7 Faktor 8 Faktor 9 Faktor 10 Faktor 11

Jenis Kejahatan X13,X19,X38,X42,X43,X45,X56,X65 X3,X21,X31,X35,X39,X46,X50,X60,X69,X70 X5,X7,X9,X40,X54,X59 X10,X34,X36,X44,X52,X55,X62 X14,X26,X27,X29,X30,X33,X63 X37,X47,X49,X68 X8,X61 X1,X6,X12,X15,X17,X24,X25,X51,X57,X67 X4,X18,X28 X2,X16,X22,X23,X32,X48,X53,X64 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

NEXT


ANALISIS DAN PEMBAHASAN Analisis Cluster Nilai Eigenvalue Banyaknya Kelompok 2 3 4 5 6 7 8 9 10

Pseduo F Single Complete 10.3228 62.0349 10.654 101.3257 9.8607 44.841 8.9234 44.1575 8.3324 23.32 10.5541 15.4013 6.2178 12.2345 7.4337 10.4522 6.3949 6.3949

Average 6.395 21.939 39.1173 20.2201 15.7996 10.5541 12.3445 7.4337 6.3949

Berdasrakan Penilaian Pseudo F Statistic : Single Linkage : 3 kelompok Complete Linkage : 3 kelompok Average linkage : 4 kelompok

NEXT


ANALISIS DAN PEMBAHASAN Analisis Cluster Nilai Icdrate Kelompok

Single

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

Sw

Sb

Icdrate

2,99x107 8,65x106 1,25x107

8,21x106 2,58x107 2,19107

0,7614 0,2512 0,3634

Analisis Single Linkage Complete Linkage Average Linkage

BACK

Banyaknya Kelompok 3 3 4

Berdasrakan Penilain Icdrate didapatkan pemilihan metode terbaik yaitu Complete Linkage


NEXT

ANALISIS DAN PEMBAHASAN Analisis Cluster Single Linkage Cluster 1 2

Anggota Mapolda Jakarta Pusat, Jakarta Barat, Jakarta Selatan, Depok, Kab.Bekasi, Jakarta Timur, Jakarta Utara, Kab. Tanggerang, Tanggerang, Pelabuhan Priok, Band. Soetta, dan Kep. Seribu Bekasi

3

Keterangan Cluster 1 Cluster 2 Cluster 3

: Daerah yg rawan kejahatan : Daerah yang sering terjadi kejahatan : Daerah yang jarang terjadi kejahatan

NEXT


ANALISIS DAN PEMBAHASAN Analisis Cluster Complete Linkage Cluster

1

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

2

Jakarta Pusat

3

Jakarta Barat, Depok, Bekasi, dan Jakarta Timur

Keterangan Cluster 1 Cluster 2 Cluster 3

: Daerah yg rawan kejahatan : Daerah yang sering terjadi kejahatan : Daerah yang cukup terjadi kejahatan

NEXT


ANALISIS DAN PEMBAHASAN Analisis Cluster Average Linkage Cluster 1 2 3 4

Anggota Mapolda, Jakarta Utara, Jakarta Selatan, Jakarta Timur, Tanggerang, Pelabuhan Priok, Depok, Band.Soetta,Kab.Tanggerang,Kab.Bekasi,Kep.Seribu Jakarta Pusat Jakarta Barat Bekasi

Keterangan Cluster 1 Cluster 2 Cluster 3 Cluster 4

: Daerah yg rawan kejahatan : Daerah yang sering terjadi kejahatan : Daerah yang cukup rendahi kejahatan : Daerah yang jarang terjadi kejahatan

NEXT


KESIMPULAN DAN SARAN KESIMPULAN  Berdasarkan Statistik Deskriptif didapatkan jenis kejahatan tertinggi di DKI Jakarta pada tahun 2012 yaitu Penipuan sebesar 16,8% dan terendah yaitu jenis kejahatan (X59-X70). Sedangkan wilayah Polres didapatkan kejahatan terbanyak yaitu Polres Jakarta Pusat sebesar 18,7% dan yang terendah yaitu Polres Kep.Seribu sebesar 0,2%.  Berdasarkan analisis korespondensi dari pengelompokkan dimensi yaitu Polres Jakarta Pusat memiliki kecenderungan kejahatan unjukrasa, pencurian, dan narkotika. Sedangkan perhitungan nilai jarak Euclidian wilayah Polres Jakarta Pusat terdapat kecenderungan kejahatan noarkotika dst.  Berdasarkan analisis Factor dari 70 variabel terbentuk 11 factor jenis kejahatan di DKI Jakarta dengan nilai kumulatif 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 4 kelompok. Dan berdasarkan perhitungan Icdrate pemilihan metode cluster terbaik yaitu metode complete linkage dengan nilai terkecil sebesar 0,2512

NEXT


KESIMPULAN DAN SARAN SARAN  Pihak Kepolisian DKI Jakarta hendakanya melakukan melakukan tindakan preventif terhadap pola-pola kecenderungan jenis kejahatan umum disetiap Polres. Misalnya di wilayah Polres Kabupaten Bekasi mengadakan penyuluhan mengenai bahaya tindakan penipuan yang sering terjadi dan cara mencegah kejahatan tersebut di masyarakat.

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

NEXT


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

Recommend Documents