KLASTERISASI KRIMINALITAS DI INDONESIA MENGGUNAKAN METODE KOHONEN-SELF ORGANIZING MAP DAN PARTICLE OPTIMIZATION SWARM

Abstract

Kriminalitas merupakan perilaku yang melanggar hukum serta menyimpang dari norma sosial yang berlaku, dan dapat menimbulkan kerugian baik secara fisik, ekonomi maupun psikologis. Data BPS tahun 2024 mencatat peningkatan jumlah kasus kriminal dari 327.965 pada 2022 menjadi 584.991 pada 2023, sementara itu  kasus yang berhasil diselesaikan  hanya 299.517 kasus. Selisih yang cukup besar tersebut menunjukkan masih adanya kelemahan dalam penanganan kejahatan, sehingga diperlukan analisis pola kriminalitas untuk memperoleh gambaran kondisi antar provinsi di Indonesia. Penelitian ini bertujuan mengelompokkan provinsi di Indonesia berdasarkan data kriminalitas menggunakan metode Kohonen Self-Organizing Map (SOM). Metode SOM mampu mengelompokkan data tanpa pengawasan (unsupervised learning) ke dalam representasi dua dimensi sehingga pola antarprovinsi dapat terlihat dengan lebih jelas. Untuk meningkatkan kinerja SOM, digunakan Particle Swarm Optimization (PSO) sebagai metode optimasi yang meniru perilaku sosial sekumpulan partikel untuk menemukan kombinasi parameter terbaik. Hasil optimasi dengan PSO menunjukkan parameter optimal SOM adalah grid 2×1, sigma 0,3, dan learning rate 0,9. Dengan parameter tersebut, terbentuk dua klaster dengan nilai Silhouette Coefficient sebesar 0,59 yang menandakan kualitas klasterisasi cukup baik. Temuan ini diharapkan dapat memperlihatkan perbedaan karakteristik kriminalitas antarprovinsi dan menjadi dasar penyusunan strategi penanganan yang lebih tepat sasaran.