Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
Penerapan Algoritma K-Means Untuk Klasterisasi Kekerasan Berdasarkan Tempat Kejadian Di Jawa Barat Fernando Kurniawan.
Teti Desyani2*) Teknik Informatika.
Fakultas Ilmu Komputer.
Universitas Pamulang.
Indonesia Teknik Informatika.
Fakultas Ilmu Komputer.
Universitas Pamulang.
Indonesia Article Info Kata Kunci: Jawa Barat.
Kasus Kekerasan.
Klasterisasi.
K-Means.
Tempat Kejadian Keywords: West Java.
Violence Cases.
Clustering.
K-Means.
Incident Location Article history:
Received 21 Desember 2025 Revised 22 Desember 2025 Accepted 24 Desember 2025 Available online 1 Mei 2026 DOI :
48144/suryainformatika.
* Corresponding author.
Teti Desyani E-mail address:
dosen00839@unpam.
ABSTRAK
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 2020Ae2024.
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 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.
ABSTRACT
Violence remains a social problem that requires serious attention, particularly in West Java Province, which records a relatively high number of cases.
Acts of violence occur across various social environments, making data-driven analysis essential to obtain a structured understanding of their distribution patterns.
This study aims to cluster violence cases in West Java Province based on incident location categories using the K-Means algorithm.
The data were obtained from Open Data Jabar covering the period from 2020 to 2024.
The analysis process followed the Knowledge Discovery in Database (KDD) framework, including data selection, preprocessing, data transformation, data mining, and interpretation stages.
The implementation of the K-Means algorithm was carried out using Altair AI Studio (RapidMine.
The optimal number of Penerapan Algoritma K-Means Untuk Klasterisasi Kekerasan Berdasarkan Tempat Kejadian Di Jawa Barat Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
clusters was determined using the Elbow Method, while cluster quality was evaluated using the Davies-Bouldin Index (DBI).
The results indicate that four optimal clusters were formed, with a DBI value of 0.
622, indicating a fairly good clustering Each cluster represents different levels of violence intensity, ranging from low to very high.
The cluster with very high intensity is predominantly characterized by violence cases occurring in domestic settings and other locations, whereas the low-intensity cluster shows relatively small numbers of cases across all incident categories.
Overall, the clustering results provide a more systematic insight into the distribution patterns of violence cases based on incident locations and can serve as supporting information for formulating more targeted violence prevention and intervention strategies.
PENDAHULUAN
Fenomena kekerasan hingga kini masih menjadi persoalan sosial yang menimbulkan dampak serius bagi korban, baik secara fisik, psikologis, maupun sosial.
Indonesia, kasus kekerasan dilaporkan terjadi pada masyarakat tanpa memandang usia maupun status sosial.
Laporan KpA menunjukkan bahwa pada tahun 2024 terdapat lebih dari 31 ribu kasus kekerasan, dan Jawa Barat merupakan salah satu provinsi dengan jumlah kasus yang sangat tinggi.
Tingginya angka kasus tersebut menandakan bahwa kekerasan masih menjadi isu krusial yang membutuhkan upaya penanganan yang tepat serta analisis berbasis data untuk memahami pola kasus kekerasan secara lebih komprehensif .
Kekerasan tidak hanya terjadi dalam konteks tertentu, tetapi dapat berlangsung di berbagai lingkungan sosial.
Kekerasan sering terjadi di lingkungan rumah tangga dan memberikan dampak serius terhadap perkembangan psikologis dan sosial korban.
Dampak kekerasan dapat memicu gangguan emosional, mengasingkan diri dari lingkungan sosial, dan kecendrungan perilaku agresif pada tahap perkembangan selanjutnya .
Selain itu, lingkungan pendidikan juga tidak terlepas dari praktik kekerasan, baik dalam bentuk fisik, verbal, maupun simbolik, yang berdampak negatif terhadap rasa aman, psikologis, dan kualitas interaksi sosial korban .
Temuan tersebut menunjukkan bahwa kekerasan merupakan fenomena yang terjadi di berbagai jenis lingkungan, termasuk lingkungan kerja, fasilitas umum, lembaga pendidikan kilat, dan ruang sosial lainnya.
Sehingga analisis berdasarkan konteks tempat kejadian menjadi penting untuk memperoleh gambaran pola kekerasan yang komprehensif.
Pendekatan data mining telah banyak dimanfaatkan untuk menganalisis data untuk mengidentifikasi pola dan karakteristik yang sulit diamati secara manual.
Salah satu teknik yang umum digunakan adalah clustering dengan algoritma K-Means, karena mampu mengelompokkan berdasarkan tingkat kemiripan data secara seperti pada analisis kejadian bencana alam, algoritma K-Means terbukti menghasilkan pengelompokkan wilayah dengan tingkat kejadian tinggi, sedang dan rendah yang dapat dimanfaatkan sebagai dasar perencanaan dan pengambilan keputusan berbasis data .
Selain itu data mining juga diterapkan dalam konteks kebijakan publik untuk mengekstraksi informasi penting dari suatu data, sehingga mendukung perumusan kebijakan yang lebih responsif .
Berbagai penelitian terkait kekerasan di jawa barat telah dilakukan dengan pendekatan klasterisasi, meskipun masing-masing memiliki fokus yang berbeda.
Penelitian terdahulu terkait kekerasan berdasarkan jenis kelamin dan kelompok umur, diperoleh enam klaster korban menggunakan Davies-Bouldin Index sebagai ukuran evaluasi metrik.
Penelitian lain menitikberatkan pada kelompok usia anak dan perempuan, dan hasilnya menunjukkan variasi rentang usia yang paling sering menjadi korban kekerasan di Jawa Barat .
selain penelitian yang berfokus pada karakteristik individu korban, penelitian lain juga menerapkan algoritma K-Means untuk menganalisis kekerasan berdasarkan jenis kekerasan, hasilnya menunjukkan pengelompokkan daerah rawan kekerasan terhadap anak dan perempuan .
Dari berbagai penelitian terdahulu, terlihat masih terdapat kesenjangan penelitian.
Penelitian terdahulu menerapkan klasterisasi untuk menganalisis kasus kekerasan berdasarkan karakteristik individual korban .
, maupun berdasarkan jenis kekerasan .
Meskipun demikian, penelitian terdahulu tersebut belum mengaitkan kategori tempat kejadian kekerasan sebagai variabel kontekstual dalam analisis, padahal informasi tersebut penting untuk memahami konteks dan karakteristik kekerasan di suatu wilayah secara komprehensif.
Selain itu, data yang digunakan dalam penelitian terdahulu umumnya berada pada rentang tahun 2017-2021, sehingga belum sepenuhnya merepresentasikan kondisi kekerasan terbaru.
Berdasarkan kesenjangan tersebut, penelitian ini bertujuan untuk klasterisasi kasus kekerasan di Provinsi Jawa Barat berdasarkan jenis tempat kejadian menggunakan algoritma K-Means dengan memanfaatkan data periode tahun 2020-2024.
Hasil analisis diharapkan mampu mengelompokkan wilayah dengan Penerapan Algoritma K-Means Untuk Klasterisasi Kekerasan Berdasarkan Tempat Kejadian Di Jawa Barat Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
tingkat kekerasan tertentu, sehingga dapat digunakan se- Data Selection, merupakan proses pemilihan atribut bagai dasar dalam merancang strategi pencegahan yang relevan dan penting dipilih dari suatu data untuk kekerasan yang lebih terarah dan memudahkan masyara- dianalisis .
Pada tahap ini, data kasus kekerasan berdasarkan kategori tempat kejadian di Provinsi Jawa kat memahami pola kekerasan di Jawa Barat.
Barat dipilih sebagai data yang akan dianalisis.
Varia2.
METODE PENELITIAN
bel yang dipilih yaitu nama kabupaten kota, tempat kePenelitian ini menggunakan pendekatan data mining jadian, jumlah kekerasan, dan tahun.
dengan algoritma K-Means untuk menganalisis dan Preprocessing, dilakukan untuk meningkatkan kualitas mengelompokkan kasus kekerasan yang terjadi di data sebelum proses analisis lebih lanjut.
Proses ini Provinsi Jawa Barat.
Proses pengolahan data dilakukan meliputi pemeriksaan kelengkapan data, pembersihan dengan mengacu pada kerangka Knowledge Disocvery data, konsistensi nilai, dan penanganan data yang tidak in Database (KDD), digunakan karena mampu memsesuai .
berikan alur sistematis dalam mengekstraksi pengeData Transformation, data disusun dan disesuaikan ke tahuan dari suatu data yang kompleks .
dalam format numerik yang sesuai untuk proses klas2.
1 Sumber Data terisasi .
Transformasi dilakukan agar data dapat diData yang digunakan dalam penelitian ini bersumber proses secara optimal oleh algoritma K-Means.
Pada dari Open Data Jabar sebagai sumber data resmi dari tahap ini peneliti melakukan pivot table dikarenakan Kpemerintah .
Dataset mencakup beberapa variabel Means hanya dapat menganalisis atribut bernilai nuyaitu id, kode provinsi, nama provinsi, kode kabupaten merik.
Selain itu, dilakukan penggabungan variabel dan kota, nama kabupaten dan kota, tempat kejadian, nama kabupaten/kota dan tahun untuk menciptakan suatu id unik.
jumlah kekerasan, satuan, dan tahun.
Data dapat diakses melalui https://opendata.
id/id/dataset/jumlah-kasus-kekerasan-berdasarkan-tempat-kejadian-kekerasan-di-jawa-barat Data Mining, merupakan tahap inti penelitian dengan menerapkan algoritma K-Means untuk klasterisasi berdasarkan kemiripan tingkat kasus kekerasan pada setiap kategori tempat kejadian .
Proses klasterisasi dilakukan dengan menentukan jumlah klaster, menghitung jarak antara data dan pusat klaster menggunakan Euclidean Distance, serta memperbarui nilai pusat klaster secara iteratif hingga mencapai kondisi konvergen .
Rumus Perhitungan jarak antar data menggunakan Euclidean Distance .
dengan indeks seperti rumus 1.
cn, y.
= Oo.
cu1ycn Oe ycu1yc ) A .
cuycoycn Oe ycuycoyc ) Gambar 1.
Dataset kasus kekerasan dari Open Data Jabar 2 Knowledge Discovery in Database .
di mana d.
, .
menyatakan jarak antara data ke-i dan centroid ke-j.
komponen ycu1ycn hingga ycuycoycn merepresentasikan nilai atribut ke-1 sampai atribut ke-k pada data ke-i, sedangkan ycu1yc hingga ycuycoyc merupakan nilai atribut ke-1 hingga atribut ke-k pada centroid ke-j.
menunjukkan jumlah atribut atau fitur yang digunakan dalam proses klasterisasi Interpretation, dilakukan dengan menganalisis karakteristik setiap klaster yang terbentuk .
Tahap ini bertujuan untuk menafsirkan makna klasterisasi yang terbentuk, sehingga dapat diperoleh pemahaman mengenai kecendrungan penyebaran intensitas kasus kekerasan pada masing-masing klaster.
Dengan demikian, interpretasi klaster dapat memberikan gambaran mengenai variasi distribusi kasus kekerasan antar wilayah dan rentang waktu berdasarkan tempat kejadian.
Gambar 2.
Tahapan Knowledge Discovery in Database Berikut adalah penjelasan dari tahapan Knowledge Discovery in Database (KDD).
Penerapan Algoritma K-Means Untuk Klasterisasi Kekerasan Berdasarkan Tempat Kejadian Di Jawa Barat Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
1 Elbow Method Penentuan jumlah klaster optimal dilakukan menggunakan Elbow Method, dengan menganalisis perubahan nilai Sum of Squared Error (SSE) pada beberapa percobaan jumlah klaster.
Jumlah klaster optimal ditentukan berdasarkan titik di mana penurunan nilai SSE mulai melambat, yang menunjukkan keseimbangan antara jumlah klaster dan kualitas pengelompokkan .
2 Davies-Bouldin Index Untuk mengevaluasi kualitas klaster yang terbentuk, penelitian ini menggunakan Davies-Bouldin Index (DBI).
Indeks ini mengukur rasio kedekatan antar klaster dan tingkat penyebaran data di dalam klaster.
Nilai DBI yang rendah menunjukkan hasil klasterisasi yang lebih baik karena klaster yang terbentuk memiliki tingkat homogenitas yang tinggi dan pemisahan yang jelas .
HASIL DAN PEMBAHASAN
Data yang digunakan dalam proses klasterisasi merupakan hasil dari tahap transformasi data, di mana data kasus kekerasan disusun ke dalam bentuk numerik sesuai dengan kebutuhan algoritma K-Means.
Unit analisis pada penelitian ini ditetapkan berdasarkan kombinasi antara wilayah kabupaten/kota dan tahun kejadian.
Penyusunan tersebut dilakukan agar model klaster mampu menangkap variasi intensitas kasus kekerasan berdasarkan perbedaan waktu pada wilayah yang sama, sehingga analisis tidak hanya menggambarkan perbedaan antar wilayah, tetapi juga memungkinkan identifikasi perubahan pola kekerasan antar tahun pada setiap Transformasi data dilakukan melalui penyajian kategori tempat kejadian dalam bentuk atribut numerik dengan enam variabel, yaitu RT (Rumah Tangg.
TK (Tempat Kerj.
SKL (Sekola.
FASUM (Fasilitas Umu.
LPK (Lembaga Pendidikan Kila.
, dan LAIN (Kategori Lainny.
, sehingga setiap nilai pada atribut tersebut merepresentasikan jumlah kasus kekerasan berdasarkan kategori lokasi dan tahun pada masing-masing Tabel 1 Data transformasi No.
FAS
LAI
KABUPATEN
BANDUNG
BARAT-2020
KABUPATEN
BANDUNG
BARAT-2021
KABUPATEN
BANDUNG
BARAT-2022
KABUPATEN
BANDUNG
BARAT-2023
KABUPATEN
BANDUNG
BARAT-2024
A A
KOTA
TASIKMALAYA2021
KOTA
TASIKMALAYA2022
KOTA
TASIKMALAYA2023
KOTA
TASIKMALAYA2024
Elbow Method Penentuan jumlah klaster optimal dilakukan menggunakan Elbow Method dengan menganalisis perubahan Sum of Squared Error (SSE) pada beberapa percobaan jumlah klaster.
Hasil pengujian menunjukkan titik siku .
lbow poin.
terbentuk pada jumlah 4 klaster, yang ditandai dengan penurunan nilai SSE yang signifikan sebelum cenderung stabil pada jumlah klaster berikutnya.
Gambar 3.
Grafik Elbow Method Penerapan Algoritma K-Means Proses klasterisasi dalam penelitian ini dilakukan menggunakan Altair AI Studio sebagai alat bantu analisis data.
Dataset kasus kekerasan diproses melalui algoritma K-Means, kemudian hasil klasterisasi dievaluasi menggunakan DaviesAeBouldin Index (DBI) untuk menilai kualitas klaster yang terbentuk.
Alur kerja ini memastikan bahwa hasil pengelompokan tidak hanya berdasarkan kemiripan data, tetapi juga telah melalui proses evaluasi kualitas klaster secara kuantitatif sebelum dilakukan interpretasi lebih lanjut.
Penerapan Algoritma K-Means Untuk Klasterisasi Kekerasan Berdasarkan Tempat Kejadian Di Jawa Barat Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
Interpretation Hasil klasterisasi menghasilkan pengelompokan unit analisis berupa id kabupaten/kota dan tahun .
ke dalam klaster dengan karakteristik tingkat kasus kekerasan yang berbeda.
Setiap klaster dibentuk berdasarkan 6 kategori tempat kejadian kekerasan, yaitu rumah tangga, tempat kerja, sekolah, fasilitas umum, lembaga pendidikan kilat, dan kategori lainnya.
Gambar 4.
Alur kerja K-Means di Altair Ai Studio Proporsi Jumlah Anggota Tiap Klaster Berdasarkan hasil cluster model.
Cluster 0 memiliki jumlah anggota terbanyak yaitu 92 data.
Cluster 3 sebanyak 34 data.
Cluster 1 sebanyak 6 data, sedangkan Cluster 2 memiliki jumlah anggota sebanyak 3 data, dari total keseluruhan 135 data.
Perbedaan jumlah anggota pada setiap klaster menunjukkan ketimpangan distribusi kasus kekerasan antar wilayah dan periode waktu.
Klaster yang terbentuk dapat diklasifikasikan ke dalam kelompok dengan intensitas kasus rendah, sedang, tinggi, dan sangat tinggi.
Cluster 0 merepresentasikan wilayah dengan intensitas kasus kekerasan rendah, yang ditandai dengan jumlah kasus yang relatif kecil pada seluruh kategori tempat kejadian.
Cluster 1 menunjukkan intensitas kasus sangat tinggi, yang didominasi oleh tingginya jumlah kasus pada kategori rumah tangga dan lainnya.
Cluster 2 dengan intensitas kasus tinggi, yang terutama dipengaruhi oleh tingginya jumlah kasus kekerasan pada kategori lainnya.
sementara Cluster 3 menunjukkan intensitas kasus sedang, di mana nilai rata-rata pada kategori rumah tangga dan kategori lainnya terlihat cukup menonjol, namun masih berada di bawah tingkat intensitas yang ditunjukkan oleh Cluster 1 dan Cluster 2.
Gambar 5.
Visualisasi proporsi jumlah anggota tiap klaster Davies-Bouldin Index Hasil evaluasi menunjukkan nilai Davies-Bouldin Index (DBI) sebesar 0,622, yang mengindikasikan bahwa klaster yang terbentuk cukup baik.
Nilai DBI yang relatif rendah menunjukkan bahwa model klasterisasi mampu merepresentasikan struktur data secara memadai dan layak untuk analisis lanjutan.
PerformanceVector:
Davies Bouldin: 0.
Avg.
within centroid distance: 909.
Avg.
within centroid distance cluster 0: 909.
Avg.
within centroid distance cluster 1: 909.
Avg.
within centroid distance cluster 2: 909.
Avg.
within centroid distance cluster 3: 909.
Gambar 6.
Scatter plot menggunakan atribut RT dan LAIN Line chart menunjukkan jumlah rata-rata kekerasan dalam rumah tangga dan kategori lainnya menjadi kategori yang paling dominan.
sedangkan kategori fasilitas umum, sekolah, dan tempat kerja berada pada rentang rata-rata rendah hingga sedang, sementara kategori lembaga pendidikan kilat merupakan kategori dengan rata-rata paling rendah.
Penerapan Algoritma K-Means Untuk Klasterisasi Kekerasan Berdasarkan Tempat Kejadian Di Jawa Barat Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
dengan intensitas lebih rendah seiring penurunan jumlah kasus.
Pola perubahan ini mengindikasikan bahwa tingkat kekerasan pada kategori tempat kejadian bersifat dinamis baik antar wilayah maupun antar tahun periode 2020-2024, karena intensitas kasus dapat meningkat atau menurun pada periode tertentu.
Dengan demikian, klasterisasi dengan unit analisis kombinasi wilayah dan tahun memberikan pemahaman yang lebih tepat mengenai perubahan intensitas kekerasan dari tahun ke tahun, tanpa menutupi variasi yang mungkin hilang apabila data digabungkan selama 5 tahun observasi.
Gambar 7.
Line chart centroid Hasil klasterisasi berdasarkan tingkat intensitas kasus kekerasan memberikan informasi penting terkait persebaran kasus kekerasan pada tiap wilayah.
tersebut dapat dimanfaatkan sebagai dasar dalam menetapkan prioritas wilayah dalam pelaksanaan program pencegahan dan penanganan kekerasan secara lebih terarah oleh pemangku kebijakan .
Pembagian wilayah ke dalam klaster berisiko sangat tinggi, tinggi, sedang, dan rendah memungkinkan alokasi sumber daya, pengawasan, serta intervensi kebijakan dilakukan secara proporsional sesuai karakteristik klaster.
Sebagai upaya meningkatkan keterbukaan dan pemahaman masyarakat.
Hasil analisis disajikan dalam bentuk visualisasi berbasis web yang dapat diakses melalui platform clusterstudyjabar.
pemanfaatan visualisasi data dalam konteks pemerintahan dan kebijakan publik telah terbukti mampu meningkatkan transparansi dan kualitas pengambilan keputusan berbasis data .
Tabel 2.
Distribusi wilayah tiap klaster No.
CLUSTER
KABUPATEN BANDUNG BARAT-2020
KABUPATEN BANDUNG BARAT-2021
KABUPATEN BANDUNG BARAT-2022
KABUPATEN BANDUNG BARAT-2023
KABUPATEN BANDUNG BARAT-2024
KABUPATEN SUKABUMI-2023
KABUPATEN SUKABUMI-2024
KABUPATEN SUMEDANG-2020
KABUPATEN SUMEDANG-2021
KOTA TASIKMALAYA-2021
KOTA TASIKMALAYA-2022
KOTA TASIKMALAYA-2023
KOTA TASIKMALAYA-2024
Berdasarkan hasil penelitian, dari penerapan algoritma K-Means pada data kasus kekerasan di Provinsi Jawa Barat menunjukkan bahwa pendekatan klasterisasi mampu untuk mengelompokkan data kasus kekerasan berdasarkan kemiripan karakteristik.
Melalui tahapan Knowledge Discovery in Database, jumlah klaster optimal sebanyak 4 klaster.
Hasil evaluasi menggunakan Davies-Bouldin Index sebesar 0,622 mengindikasikan klaster terbentuk cukup baik.
Berdasarkan distribusi keanggotaan klaster dengan unit analisis kombinasi nama kabupaten/kota dan tahun, dapat diamati bahwa sebagian besar wilayah berada pada Cluster 0 intensitas rendah, namun sejumlah wilayah berpindah ke klaster lain pada periode tertentu.
Beberapa wilayah menunjukkan peningkatan intensitas kasus yang tercermin dari perpindahan ke klaster dengan intensitas yang lebih tinggi pada tahun berikutnya, sedangkan wilayah lainnya justru berpindah ke klaster Gambar 8.
Web interpretasi
KESIMPULAN
Hasil klasterisasi menunjukkan adanya pola distribusi kasus kekerasan yang berbeda setiap klaster.
Cluster 0 merepresentasikan wilayah dengan intensitas kasus kekerasan rendah pada semua kategori tempat kejadian.
Cluster 1 menunjukkan intensitas kasus sangat tinggi yang didominasi oleh kategori rumah tangga dan kategori lainnya.
Cluster 2 menggambarkan intensitas kasus tinggi yang dipengaruhi oleh tingginya jumlah kasus pada kategori lainnya.
Cluster 3 menunjukkan intensitas kasus sedang, cenderung menonjol pada kasus kategori rumah tangga dan lainnya, tetapi tidak Penerapan Algoritma K-Means Untuk Klasterisasi Kekerasan Berdasarkan Tempat Kejadian Di Jawa Barat Jurnal Surya Informatika Journal homepage: https://jurnal.
id/index.
php/surya_informatika P-ISSN: 2477-3042.
E-ISSN: 3026-3034
Vol.
No.
Mei 2026.
Pp.
KNOWLEDGE DISCOVERY UNTUK SULTAN
setinggi Cluster 1 dan Cluster 2.
Pola ini menegaskan MAHMUD BADARUDDIN II DI GOOGLE MAPS,Ay JATI bahwa kategori tempat kejadian berkontribusi secara (Jurnal Mhs.
Tek.
Inform.
, vol.
9, no.
3, pp.
4782Ae4789, signifikan dalam membedakan pola kekerasan antar wilayah dan periode waktu, serta membentuk karakter.
Dharshinni.
Singh.
Naibaho.
Lumban istik cluster yang beragam.
Tobing, and A.
Simamora.
AuPenerapan algoritma k-means Secara keseluruhan, hasil klasterisasi memberikan pemahaman yang lebih terstruktur mengenai distribusi dan intensitas kasus kekerasan di Provinsi Jawa Barat berdasarkan konteks tempat kejadian.
Informasi yang dihasilkan dapat dimanfaatkan sebagai dasar pendukung dalam penentuan prioritas wilayah, perumusan strategi pencegahan, dan penanganan kekerasan yang lebih terarah.
Penyajian hasil analisis melalui visualisasi data juga berpotensi meningkatkan keterbukaan informasi dan membantu masyarakat maupun pemangku kepentingan dalam memahami pola kekerasan secara lebih Penelitian selanjutnya dapat mempertimbangkan penambahan variabel lain yang berpotensi memengaruhi pola kekerasan serta membandingkan algoritma klasterisasi yang berbeda untuk menguji konsistensi hasil klasterisasi.
pada data pengangguran di jawa barat,Ay DSI J.
Data Sci.
Indones.
, vol.
3, no.
1, pp.
23Ae34, 2023.
Farizal and F.
Alijoyo.
AuOptimasi Pemilihan Metode Pengajaran Dosen Menggunakan Data Mining , dan Algoritma K-Means dalam Proses Bisnis Pendidikan,Ay INFORMATICS Digit.
Expert, vol.
2, pp.
105Ae109, 2024.
Karunia Ibadirachman.
Herry Chrisnanto, and P.
Nurul Sabrina.
AuOPTIMASI PARAMETER DBSCAN
MENGGUNAKAN METODE DIFFERENTIAL
EVOLUTIONUNTUK DETEKSI ANOMALI PADA
DATA TRANSAKSI BANK,Ay J.
Teknol.
Terpadu, vol.
1, pp.
22Ae31, 2024.
Pujiono.
Astuti, and F.
Basysyar.
AuIMPLEMENTASI DATA MINING UNTUK MENENTUKAN POLA PENJUALAN PRODUK
MENGGUNAKAN ALGORITMA K-MEANS
CLUSTERING,Ay JATI (Jurnal Mhs.
Tek.
Inform.
, vol.
8, no.
1, 2024.
Maesaroh.
Padilah.
Jaman.
Komputer, and U.
Karawang.
AuPENERAPAN ALGORITMA KMEANS CLUSTERING PADA PENGELOMPOKAN,Ay JATI (Jurnal Mhs.
Tek.
Inform.
, vol.
7, no.
4, pp.
2783Ae2787, .
Iqbal.
Syaripuddin, and M.
Nurul Huda.
AuImplementasi Algoritma K-Means Clustering dengan Jarak Euclidean dalam Mengelompokkan Daerah Penyebaran,Ay Basis J.
Ilm.
Mat.
, vol.
2, no.
1, pp.
47Ae56, 2023.
Prayudha et al.
AuALGORITMA K-MEANS UNTUK MENINGKATKAN MODEL KLASTERISASI DATA
SISWA SMK SAMUDRA NUSANTARA KABUPATEN
CIREBON,Ay JATI (Jurnal Mhs.
Tek.
Inform.
, vol.
9, no.
1314Ae1321, 2025.
Maori.
AuMETODE ELBOW DALAM OPTIMASI JUMLAH CLUSTER PADA K-MEANS CLUSTERING,Ay SIMETRIS, vol.
14, no.
2, pp.
277Ae287, 2023.
Hasan.
Darma.
Medan, and S.
Utara.
AuPENGUKURAN SILHOUETTE SCORE DAN DAVIESBOULDIN INDEX PADA HASIL CLUSTER K-MEANS DAN,Ay JITET (Jurnal Inform.
dan Tek.
Elektro Ter.
, vol.
3, 2024.
Natalie Krista Anindita and Nurhayati.
AuPENGARUH PROGRAM PENGENTASAN KEMISKINAN,Ay Media Ekon.
, vol.
32, no.
1, pp.
61Ae76, 2024.
Syafiq and Y.
Sembiring.
AuPengembangan Model Visualisasi Data Kependudukan Berbasis Teknologi Informasi untuk Mendukung Pengambilan Keputusan di Kecamatan Medan Amplas,Ay J.
Penelit.
Inov.
, vol.
5, no.
1329Ae1338, 2025.
REFERENSI