Analisis Jumlah Kriminal Di Indonesia dengan Geographically Weighted Regression

Muhammad Marizal, Septia Mulyani

Abstract


Kriminalitas merupakan perbuatan yang merugikan pelaku dan korban secara ekonomis dan psikologis. Penelitian ini bertujuan untuk memodelkan jumlah kriminal dan mengetahui faktor-faktor yang mempengaruhinya. Penelitian ini melibatkan variabel independen yang terdiri dari Jumlah Pengangguran Terbuka (JPT), Jumlah Penduduk Miskin (JPM), Jumlah Penduduk Putus Sekolah (JPPS), Kepadatan Penduduk (KP) dan Indeks Pembangunan Manusia (IPM). Metode yang digunakan adalah Geographically Weighted Regression (GWR). Karena jumlah kriminal dapat menyebar kewilayah terdekat. Model GWR merupakan jenis regresi spasial yang memiliki parameter berbeda setiap lokasi pengamatan. Penelitian ini menggunakan fungsi pembobot fixed gaussian. Hasil penelitian ini adalah wilayah berdekatan cenderung memiliki kesamaan faktor-faktor yang mempengaruhi jumlah kriminal di Indonesia. Variabel Jumlah Penduduk Miskin (JPM), Jumlah Penduduk Putus Sekolah (JPPS), Kepadatan Penduduk (KP) dan Indeks Pembangunan Manusia (IPM) menjadi faktor yang mempengaruhi jumlah kriminal di Indonesia.


Full Text:

PDF

References


Burlian, Patologi Sosial, Bumi Aksara, 2016.

E. Y. Purwanti dan E. Widyaningsih, "Analisis Faktor Ekonomi Yang Mempengaruhi Kriminalitas Di Jawa Timur, Jurnal Ekonomi-Qu"., Vol. 9, no. 2, hal. 154-177, 2019.

Institute For Economics & Peace. Global Peace Index 2022: Measuring Peace in A Complex World, Sydney, Juni 2022.

T. Hidayadi, Sohibunajar, dan F. Ulfah, "Analisis Regresi Faktor yang Mempengaruhi Kejahatan yang Dilaporkan di Indonesia sebelum Pandemi Covid-19", Jurnal Conference on Economic and Business Inovation, Vol. 1 no 1, 2021.

Bareskrim Polri, Jurnal Tahunan Pusiknas Bareskrim Polri Edisi 2020. Pusiknas. 2021

Badan Pusat Statistika. Statistika Kriminal 2021. Jakarta: BPS. 2021.

P. A. Simamora dan V. Ratnasari, "Pemodelan Persentase Kriminalitas Dan Faktor-Faktor Yang Mempengaruhi Di Jawa Timur Dengan Pendekatan Geographically Weighted Regression (GWR)", Jurnal Sains dan Seni POMITS, Vol. 3, no. 1, Hal. D18–D23, 2014.

M. Marizal dan H. Atiqah, “Pemodelan Indeks Pembangunan Manusia di Indonesia dengan Geographically Weighted Regression (GWR),” Jurnal. Sains Matematika dan Statistika., Vol. 8, no. 2, hal. 133-145, 2022.

I. Nurhuda, I. G. Nyoman, dan M. Jaya, “Pemodelan Kriminal Di Jawa Timur Dengan Metode Geographically Weighted Regression (GWR)" Jurnal Matematika 'Mantik ', Vol. 4, no. 2, hal 150–158, 2018.

D. W. S. Yusuf, E. M. P. Hermanto, dan W. Pramesti, “Pemodelan Geographically Weighted Regression (GWR) Pada Persentase Kriminalitas Di Provinsi Jawa Timur Tahun 2017,” Indonesian Journal of Statistics and its Aplications, Vol. 4, no. 1, hal. 156–163, 2020.

R. W. Elzati, A. Adnan, R. Yendra, dan M. N. Muhaijir, “The Analysis Relationship of Poverty, Unemployment and Population with The Rates of Crime Using Geographically Weighted Regression (GWR) In Riau Province,” Applied Mathematical Sciences, Vol. 14, no. 6, Hal. 291–299, 2020.

M. Anjas A, I. K. G. Sukarsa, dan I. P. E. N. Kencana, “Penerapan Metode Geographically Weighted Regression (GWR) Pada Kasus Penyakit Pneumonia Di Provinsi Jawa Timur,” E-Jurnal Matematika, Vol. 8, no. 1, hal. 27-34, 2019.

N. Lutfiani, S. Mariani, dan Sugiman, “Pemodelan Geographically Weighted Regression (GWR) dengan Fungsi Pembobot Kernel Gaussian dan Bi-square,” UNNES Journel of Mathematics, Vol. 5, no. 1, hal. 82–91, 2017.

K. Amelia, L. O. Asril, dan L. Febrianti, “Pemodelan Incident Rate Demam Berdarah Dengue di Indonesia Yang Berkaitan Dengan Faktor Lingkungan Menggunakan Metode Geographically Weighted Regression (GWR),” Jurnal Ekologia, Vol. 20, no. 2, hal. 64–73, 2020.

A. Maulani, N. Herrhyanto, dan M. Suherman, “Aplikasi Model Geographically Weighted Regression (GWR) Untuk Menentukan Faktor-Faktor Yang Mempengaruhi Kasus Gizi Buruk Anak Balita Di Jawa Barat,” Jurnal EurekaMatika, Vol. 4, no. 1, hal. 46–63, 2016.

M. Marizal dan K. A. Monalisa, "Pemodelan Angka Kematin Bayi di Indonesia Menggunakan Geographically Weighted Regression (GWR) dan Mixed Geographically Weighted Regression (MGWR)", Majalah Ilmiah Matematika dan Statistika, Vol 22 no 2 hal 211-225, 2022.

J. A. Nursiyono dan M. Apriyani, “Determinan Kematian Ibu di Jawa Timur Tahun 2020: Analisis Geographically Weighted Regression (GWR),” Poltekita : Jurnal Ilmu Kesehatan, Vol. 16, no. 1, hal. 89–97, 2022.

A. R. Tizona, R. Goejantoro, dan Wasono, “Pemodelan Geographically Weighted Regression (GWR) Dengan Fungsi Pembobot Adaptive Kernel Bisquare Untuk Angka Kesakitan Demam Berdarah di Kalimantan Timur Tahun 2015,” Jurnal Eksponensial, vol. 8, no. 1, hal/ 87–94, 2017.

A. C. Rencher dan G. B. Schaalja, Linear Models in Statistics, Second Edition, Singapore: John Wiley & Sons Inc, 2008.

I. Sartika dan N. N. Debataraja, “Analisis Regresi Dengan Metode Least Absolute Shrinkage and Selection Operator (LASSO) Dalam Mengatasi Multikolinieritas,” Buletin Ilmiah Math Stat dan Terapan (Bimaster), vol. 09, no. 1, hal. 31–38, 2020.

Y. N. Putri, K. P. Utomo dan H. Desmalani., “Analisis Dosis Optimum Soda Ash Pada Unit Pra Reservoir Pdam Gunung Poteng Singkawang Dengan Regresi Linier,” Jurnal Rekayasa Lingkunan Tropis, vol. 5, no. 2 hal. 1–10, 2021.

A. Ramadan, R. D. Bekti, dan J. Statistika, “Analisis Indeks Pembangunan Manusia Di Kabupaten Dan Kota Provinsi Jawa Tengah Tahun 2014 Menggunakan Metode Geographically Weighted Regression (Studi Kasus Pada Data Indeks Pembangunan Manusia Tahun 2014 Di Provinsi Jawa Tengah),” Jurnal Statistika Industri dan Komputasi, vol. 2, no. 2, hal. 59–66, 2017.

A. S. Fotheringham, C. Brunsdon, dan M. Charlton, Geographically Weighted Regression. England: John Wiley & Sons, Ltd, 2002.

M. T. Permana, H. Yasin dan A. Rusgiyono, "Analisis Faktor-Faktor Yang Mempengaruhi Tingkat Kemiskinan Di Kbupaten Wonosobo Dengan Pendekatan Geographically Weighted Regression", Jurnal Gaussian, “vol. 2, no.1, hal. 59–68, 2013.

S. P. Agustianto, S. Martha, dan N. Satyahadewi, “Pemodelan Faktor Penyebab Kecelakaan Lalu Lintas di Kalimantan Barat dengan Metode Geographically Weighted Regression (GWR),” Jurnal Buletin Ilmiah Math. Sat dan Terapan, vol. 07, no. 4, hal. 303 – 310, 2018.

S. Adri, S Karimi dan Indrawari,"Pengaruh Faktor Sosial Ekonomi Terhadap Perilaku Kriminalitas (Tinjauan Literatur)", Jurnal Ilmiah Admintrasi Publik, Vol 5, N02. pp 181-186, 2019.

U. Nadilla dan T. Farlian, " Pengaruh PDRB Perkapita, pendidikan, pengangguran, dan jumlah polisi terhadap angka kriminalitas di Provinsi Aeh", Jurnal Ilmiah Mahasiswa (JIM), Vol.3 No.1, hal 110-118, 2018.

Dermawati, A. Hoyyi dan A. Rusgiyono, "Faktor-Faktor Yang Mempengaruhi Kriminalitas di Kabupaten Batang Tahun 2013 Dengan Analisis Jalur", Jurnal Gaussian. Vol.4 No. 2, 2015.

R. M. Sabiq dan N. Nurwati, " Pengaruh Kepadatan Penduduk Terhadap Tindak Kriminal", Jurnal Kolaborasi Resolusi Konflik, Vol 3, no 3, hal 161-167, 2021.

S. W. Dari dan Asnidar, " Pengaruh Kepadatan Penduduk, Kemiskinan Dan Pertumbuhan Ekonomi Terhadap Kriminalitas", Jurnal Niagawan, Vol. 11. No.1, hal 68-79, 2022.

R. P. Audey dan Ariusni," Pengaruh Kualitas Sumber Daya Manusia Terhadap Tingkat Kriminalitas di Indonesia", Jurnal Kajian Ekonomi dan Pembangunan, Vol.1 No.2, 2019.


Refbacks

  • There are currently no refbacks.


FAKULTAS SAINS DAN TEKNOLOGI
UIN SUSKA RIAU
Kampus Raja Ali Haji
Gedung Fakultas Sains & Teknologi UIN Suska Riau
Jl.H.R.Soebrantas No.155 KM 18 Simpang Baru Panam, Pekanbaru 28293
Email: sntiki@uin-suska.ac.id