Prediksi Tingkat Kriminalitas Menggunakan Jaringan Syaraf Tiruan Backpropagation: Algoritma Levenberg Marquardt di Kota Manado Berbasis Sistem Informasi Geografi

Lindsay Mokosuli, Winsy Weku, Luther Latumakulita

Abstract


Abstract

The information needs about crime rate in Manado become a starfing point to conduct this research. It has been done to predict the crime rate in the city of Manado using Levenberg Marquardt algorithm with training to determine the value of learning rate and momentum constant based on the value of the smallest Mean Square Error. Then do the mapping with Crime Mapping and perform cluster the predicted results to see the effect of the crime rate among adjacent districts. The data used is the data theft in the city of Manado in 2007 until 2012. The selected target is the data theft in August 2012 until December 2012. Bunaken district obtain predictive results=[1.9997, 0.1667, 2.0000, 0.1667, 0.0000], Mapanget district obtain predictive results=[25.9995, 25.9997, 25.9801, 8.0335, 16.0265], Tuminting district obtain predictive results=[2.0000, 2.3786, 2.0000, 3.1020, 3.1020], Singkil district obtain predictive results=[6.6716, 6.1388, 5.6570, 5.4000, 3.0035], Wenang district obtain predictive results=[3.1316, 4.0677, 3.0000, 9.3971, 9.8967], Tikala district obtain predictive results=[0, 1, 0, 0, 0], Wanea district obtain predictive results=[6.8911, 6.6811, 1.4788, 5.8941, 6.9207], Sario district obtain predictive results = [1.0000, 1.8381, 1.0000, 6.0314, 9.0000], Malalayang district obtain the predicted result=[44.0000, 38.1828, 43.1787, 38.1935, 38.1789]. By visualization of mapping results predicted, on target August 2012 until October 2012, Mapanget and Malalayang districts have the highest crime rates. While the target of November 2012 and December 2012, Malalayang district have the highest crime rates.


Keywords: Levenberg Marquardt Algorithm, Geographic Information System, Spatial Data.

 

Abstrak

Perlunya informasi tentang tingkat kriminalitas di kota Manado, maka telah dilakukan penelitian untuk memprediksi tingkat kriminalitas di kota Manado menggunakan algoritma Levenberg Marquardt dengan melakukan pelatihan untuk menentukan nilai learning rate dan momentum constant berdasarkan nilai Mean Square Error terkecil. Kemudian dilakukan pemetaan dengan Crime Mapping serta melakukan cluster terhadap hasil prediksi untuk melihat pengaruh tingkat kriminalitas antar kecamatan yang saling berdekatan. Data yang digunakan adalah data pencurian di kota Manado tahun 2007 sampai tahun 2012. Target yang dipilih adalah data pencurian bulan Agustus 2012 sampai Desember 2012. Kecamatan Bunaken memperoleh hasil prediksi=[1.9997, 0.1667, 2.0000, 0.1667, 0.0000], Kecamatan Mapanget memperoleh hasil prediksi=[25.9995,  25.9997, 25.9801, 8.0335, 16.0265], kecamatan Tuminting memperoleh hasil prediksi=[2.0000, 2.3786, 2.0000, 3.1020, 3.1020], kecamatan Singkil memperoleh hasil prediksi= [6.6716, 6.1388, 5.6570, 5.4000, 3.0035], kecamatan Wenang memperoleh hasil prediksi= [3.1316, 4.0677, 3.0000, 9.3971, 9.8967], kecamatan Tikala memperoleh hasil prediksi= [0, 1, 0, 0, 0], kecamatan Wanea memperoleh hasil prediksi= [6.8911, 6.6811, 1.4788, 5.8941, 6.9207], kecamatan Sario memperoleh hasil prediksi=[1.0000, 1.8381, 1.0000, 6.0314, 9.0000], dan kecamatan Malalayang memperoleh hasil prediksi= [44.0000, 38.1828, 43.1787, 38.1935, 38.1789]. Secara visualisasi pemetaan hasil prediksi, pada target Agustus 2012 sampai Oktober 2012, kecamatan  Malalayang dan Mapanget memiliki tingkat kriminalitas tertinggi. Sedangkan pada target November 2012, dan Desember 2012, kecamatan Malalayang memiliki tingkat kejahatan tertinggi.

 

Kata kunci: Algoritma Levenberg Marquardt, Sistem Informasi Geografi, Data Spasial.

Full Text:

PDF


DOI: https://doi.org/10.35799/dc.3.1.2014.4032

Refbacks

  • There are currently no refbacks.


Copyright (c)



 Indexed By:

 



 

 


e-ISSN: 2685-1083

p-ISSN: 2302-4224

Creative Commons License


This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.