BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

35
9 BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada Tindak Kejahatan Pencurian 2.1.1 Pengertian Data Mining Data mining merupakan gabungan dari sejumlah disiplin ilmu komputer yang di definisikan sebagai proses penemuan pola-pola baru di kumpulan- kumpulan data sangat besar, meliputin metode-metode yang berupa irisan dari artificial intelligence, machine learning, statistics, dan database sistem. Data mining ditujukan untuk mengestrak (mengambil intisari) pengetahuan dari sekumpulan data sehingga di dapatkan struktur yang dapat di mengerti oleh manusia serta meliputi basisdata dan managemen data, prapemrosesan data, pertimbangan model dan inferensi, ukuran karakteristik, pertimbangan kompleksi pascapemprosesan terhadap struktur yang ditemukan, visualisasi, dan online updating (Suyanto, 2019:1). Data mining adalah serangkai proses yang menggali nilai tambah dalam suatu kumpulan data berupa pengetahuan yang selama ini tidak di ketahui secara manual dari suatu basis data. Informasi yang diperoleh dengan cara mengekstraksi dan mengenali pola yang penting atau menarik dari data yang terdapat pada basis data. Data mining terutma digunakan untuk mencari pengetahuan yang terdapat dalam basis data yang besar sehingga disebut Knowledge Discovery from Databases (KDD) (Vulandari., 2018 :1).

Transcript of BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

Page 1: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

9

BAB II

TINJAUAN PUSTAKA

2.1 Data Mining K-Means Pada Tindak Kejahatan Pencurian

2.1.1 Pengertian Data Mining

Data mining merupakan gabungan dari sejumlah disiplin ilmu komputer

yang di definisikan sebagai proses penemuan pola-pola baru di kumpulan-

kumpulan data sangat besar, meliputin metode-metode yang berupa irisan dari

artificial intelligence, machine learning, statistics, dan database sistem. Data

mining ditujukan untuk mengestrak (mengambil intisari) pengetahuan dari

sekumpulan data sehingga di dapatkan struktur yang dapat di mengerti oleh

manusia serta meliputi basisdata dan managemen data, prapemrosesan data,

pertimbangan model dan inferensi, ukuran karakteristik, pertimbangan

kompleksi pascapemprosesan terhadap struktur yang ditemukan, visualisasi,

dan online updating (Suyanto, 2019:1).

Data mining adalah serangkai proses yang menggali nilai tambah dalam

suatu kumpulan data berupa pengetahuan yang selama ini tidak di ketahui

secara manual dari suatu basis data. Informasi yang diperoleh dengan cara

mengekstraksi dan mengenali pola yang penting atau menarik dari data yang

terdapat pada basis data. Data mining terutma digunakan untuk mencari

pengetahuan yang terdapat dalam basis data yang besar sehingga disebut

Knowledge Discovery from Databases (KDD) (Vulandari., 2018 :1).

Page 2: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

10

Data mining adalah serangkai proses yang menggali nilai tambah

dalamsuatu kumpulan data berupa pengetahuan yang selama ini tidak di ketahui

secara manual dan analisis otomatis dari data yang berjumlah besar atau

kompleks dengan tujuan unuk menentukan pola atau kecenderungan yang

penting yang biasanya tidak disadari keberadaannya atau serangkai proses

untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak di

ketahui secara manual dari suatu kumpulan data. Data mining sering juga

disebut sebagai Knowledge Discovery from Databases (KDD). KDD adalah

kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk

menemukan keteraturan, pola atau hubungan dalam set data besar (Manik, et

al., 2017:37).

2.1.2 Kagunaan Data Mining

Secara umum, kegunaan dapat di bagi menjadi dua yaitu :

1. Deskriptif

Berarti data mining digunakan untuk mencari pola-pola yang dapat di

pahami manusia yang menjelaskan karakteristik data.

2. Prediktif

Bearti data mining digunakan untuk membentuk sebuah model

pengetahuan yang akan digunakan untuk melakukan prediksi (Suyanto,

2019:3).

Page 3: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

11

2.1.3 Pengelompokan Data Mining

Data mining terbagi menjadi beberapakelompok yaitu sebagai berikut:

1. Model Prediksi

Pemodelan yang dapat melakukkan pemetaan dari setiap himpunan

variabel ke setiap targetnya, kemudian menggunakan model tersebut

untuk memberikan nilai target pada himpunan baru yang telah didapat.

2. Analisis Kelompok

Mengelompokkan sekumpulan data ke dalam kelompok (cluster) tertentu

berdasarkan karakteristik yang sama pada masing-masing data.

3. Analisis Asosiasi

Menentukan pola yang menggambarkan kekuatan hubungan fitur dalam

data.

4. Deteksi Anomaly

Pengamatan suatu data dari sekumpulan data yang secara signifikan

memiliki karakteristik yang berbeda dari sisa data yang lain (Sibuea, et al.,

2017:87).

2.1.4 Konsep Clustering

Clustering atau klasifikasi adalah metode yang digunakan membagi

rangkaian data menjadi beberapa group berdasarkan kesamaan-kesamaan yang

telah ditentukan sebelumnya (Mardalius, 2018:403).

Clustering merupakan salah satu teknik dari salah satu fungsionalitas

data mining, algoritma clustering merupakan algoritma pengelompokan

sejumlah data menjadi kelompok-kelompok data tertentu (cluster). Setiap

Page 4: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

12

cluster memiliki centroid dihitung dari rata-rata nilai tiap items dari suatu

cluster dan juga memiliki medoid yang merupakan item yang letaknya paling

tengah. Sementara jarak antar cluster didefenisikan dengan menggunkan

beberapa metode-metode untuk menentukan cluster mana yang berdekatan

(Sibuea, et al.,2017:89).

1. Single Link

adalah jarak terkecil antara satu elemen cluster dalam suatu cluster

dengan elemen dalam suatu cluster dengan elemen lain di cluster yang

berbeda.

2. Complete Link

adalah jarak terbesar antara satu elmen dalam suatu cluster dengan elemen

lain di cluster yang berbeda.

3. Average

adalah jarak rata-rata antara satu elemen dalam suatu cluster dengan

elemen lain di cluster yang berbeda.

4. Centroid

adalah jarak anatar centroid dari tiap cluster dengan centroidcluster lainnya.

5. Medoid

adalah jarak antara medoid dari tiap cluster dengan medoid cluster lainya.

2.1.5 Metode K-Means

Algoritma K-Means adalah metode yang mempartisi data kedalam

kelompok sehingga data berkarakteristik sama dimasukan kedalam set kelompok

Page 5: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

13

yang sama dan data yang berkerakteristik berbeda dikelompokkan ke dalam

kelompok yang lain (Mardalius, 2018:403).

K-Means merupakan metode non-hirarki yang berusaha mempartisi data

yang ada kedalam bentuk satu atau lebih kelompok (Rinawati, et al.,2020:79).

K-Means merupakan algoritma cluster yang berulang-ulang. Algoritma K-

Means menetapkan nillai-nilai cluster(K) secara rendom, untuk sementara nilai

tesebut menjadi pusat cluster atau disebut dengan centroid, mean atau “means”.

Kemudian perhitungan jarak setiap data yang ada terdapat masing-masing

centroid menggunakan rumus Euclidian hingga ditemukan jarak yang paling

dekat dari setiap data dengan centroid. Klasifikasi dari setiap data berdaarkan

kedekatannya dengan centroid (Vulandari,. 2018:54).

Pada algoritma K-MeansCluster Analysis terdapat beberapa langkah yang

harus dilakukan yaitu sebagai berikut:

1. Menentukan jumlah cluster, jumlah cluster merupakan jumlah kelompok

yang akan diselesaikan

2. Menentukan centroid awal, centroid awal diperoleh secara acak. Centroid

awal merupakan titik pusat cluster pertama.

Rumus menentukan centroid baru sebagai berikut :

Page 6: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

14

Keterangan :

Vij :Centroid, cluster pertama pada variabel ke-j

Ni : Jumlah data yang menjadi anggota cluster ke-i

i,k : Indeks dari cluster

j : Indeks dari variabel

Xkj : Nilai data ke-k yang ada di dalam cluster ini untuk variable ke-j

3. Menghitung jarak antara titik centroid dengan titik objek. digunakan rumus

sebagai berikut :

Keterangan :

De : jarak antara data pada posisi titik x dan y

xi : posisi titik data pertama (pusat klaster)

si : posisi titik data kedua (data dari N)

yi : Posisi titik data selanjutnya

ti : posisi data kedua

4. Pengelompokan objek untung menentukan anggotacluster, adalah dengan

memperhitungkan jarak minimum objek.

5. Kembali ke tahap 2, lakukan perulangan hingga nilai centroid yang dihasilkan

teteap dan anggota cluster tidak berpinda ke cluster lain.

Page 7: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

15

Gambar 2.1 Contoh Pengelompokan Clustering

2.1.6 Pengetian Pencurian

Pencurian merupakan perilaku yang melanggar hukum yang dapat

menyebabkan korban jiwa, pencurian sering terjadi di pusat kota atau pusat

perbelanjaan seperti pasar karena pusat keramaian memicu pelaku untuk

melakukan tindakan pencurian, pelaku beroperasi secara individu atau

berkelompok (Rinawati, et al.,2020:77).

2.1.7 Perangkat Lunak yang Digunakan

2.1.7.1 PHP ( HypertextProcessor)

Hypertext Processor atau lebih akrab dengan sapaan PHP merupakan

bahasa pemograman script server-side yang didesain untuk membangun

web.PHP disebut bahasa pemograman server side karena di peroses pada

komputer server. Hal ini berbeda dengan bahasa pemograman client-side

seperti Javascript yang di proses dalam web browser (Jannah, et al.,2019 :1).

Page 8: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

16

1. Keunggulan PHP

Ada beberapa alasan yang menjadi dasar pertimbangan mengapa

menggunkanPHP.

1. Web penggunaan PHP dapat digunakan dengan mudah dibuat dengan

memiliki kecepatan akses yang cukup tinggi.

2. Skrip-skrip PHP dapat berjalan dalam web server yang berbeda dan dalam

sistem operasi yang beda pula. PHP dapat berjalan disistem operasi UNIX,

Windows dan Macitosh.

3. PHP diterbitkan secara geratis.

4. PHP juga dapat berjalan pada Web Server Microsoft Personal Web Server,

Apache, IIS, Xitami dan sebagainya.

5. PHP adalah termaksud bahasa embedded (disa di setempel atau diletakan

dalam tag HTML)

6. PHP termasuk server side programming

Gambar 2.2 Simbol PHP

2.1.7.2 Sublime Text 3

Sublime Text adalah editor teks yang digunakan untuk menerjemahkan

hasil analisa dan rancangan kedalam bentuk code”. Berikut beberapa fitur yang

diunggulkan dari aplikasi sublime text :

Page 9: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

17

1. Goto Anything

Fitur yang sangat membantu dalam membuka file ataupun menjelajahi

isi dari file hanya dengan beberapa keystrokes.

2. Multiple Selections

Fitur ini memungkinkan user untuk mengubah secara interaktif banyak

baris sekaligus, mengubah nama variabel dengan mudah, dan

memanipulasi file lebih cepat dari sebelumnya.

3. Command Pallete

Dengan hanya beberapa key storkes, user dapat dengan cepat mencari

fungsi yang diinginkan, tanpa harus menavigasi melalui menu.

4. Distraction Free Mode

Bila user memerlukan fokus penuh pada aplikasi ini, fitur ini dapat

membantu user dengan memberikan tampilan layar penuh. Split Editing

dapatkan hasil yang maksimal dari monitor layar lebar dengan dukungan

editing perpecahan. Mengedit sisi file dengan sisi, atau mengedit dua

lokasi disatu file. Anda dapat mengedit dengan banyak baris dan kolom

yang user inginkan.

5. Instant Project Switch

Menangkap semua file yang dimasukkan kedalam project pada aplikasi

ini. Terintegrasi dengan fitur Goto Anything untuk menjelajahi semua

file yang ada ataupun untuk beralih ke file dalam project lainnya dengan

cepat.

6. Plugin API

Dilengkapi dengan plugin API berbasis Phyton sehingga membuat aplikasi

Page 10: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

18

inisangat tangguh.

7. Customize Anything

Aplikasi ini memberikan user fleksibilitas dalam hal pengaturan fungsional

dalam aplikasi ini.

8. Cross Platform

Aplikasi ini dapat berjalan hampir disemua operating system modern

seperti Windows, OS X, dan Linux based operating system (Pahlevi, et

al.,2019:29).

Gambar 2.3 Sembol Sublime text 3

2.1.7.3 MYSQL

MYSQL merupakan software yang tergolong sebagai DBMS (Database

Management System) yang bersifat open source. Open source menyatakan

bahwa software ini dilengkapi dengan source code (code yang dipakai untuk

membuat MySQL). Selain tentu saja bentuk executable-nya atau kode yang

dapat dijalankan secara langsung dalam sistem operasi danbisa diperoleh

secara gratis dengan mendownload diinternet (Santoso, et al.,2017:86).

Page 11: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

19

Gambar 2.4 Sembol Mysql

2.1.7.4 XAMPP

Xampp merupakan alat bantu yang menyediakan paket perangkat

lunak kedala satu buah paket. Dengan menginstall XAMPP tidak perlu lagi

melakukan instalasi dan konfigurasi web server Apache, PHP dan MySQL

secara manual. XAMPP akan menginstalasi dan mengkonfigurasikannya secara

otomatis atau auto konfigurasi. XAMPP merupakan paket PHP yang berbasis

open source yang dikembangkan oleh sebuah komunitas Open Source.

Dengan menggunakan XAMPP tidak dibingungkan denganpenginstalan

program-program lain, karena semua kebutuhan telah tersedia oleh XAMPP.

Yang terdapat pada XAMPP di antaranya : Apache, MySQL, PHP, FilZilla

FTP Server, PHP my Admin dll (Santoso, et al.,2017:86).

Gambar 2.5 Simbol XAMPP

Page 12: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

20

Gambar 2.6 Menu Utama XAMPP

2.1.7.5 Perancangan Sistem

2.1.7.5.1 UML (Unified Modeling Language)

Unified Modeling Language (UML) adalah bahasa spesifikasi standar yang

dipergunakan untuk mendokumentasikan, menspesifikasikan dan membanngun

perangkat lunak. UML merupakan metodologi dalam mengembangkan sistem

berorientasi objek dan juga merupakan alat untuk mendukung pengembangan

system (Hendini, 2016:108). Diagram-diagram yang digunakan pada UML

antara lain adalah use case diagram, activity diagram, squence diagram, class

diagram, dan deployment diagram.

2.1.7.5.2 Use Case Diagram

Use case diagram merupakan pemodelan untuk kelakuan (behavior)

sistem informasi yang akan dibuat. Use case digunakan untuk mengetahui

fungsi apa saja yang ada di dalam sistem informasi dan siapa saja yang

Page 13: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

21

berhak menggunakan fungsi-fungsi tersebut (Hendini, 2016:108). Simbol-simbol

use case Diagram dapat dilihat pada Tabel 2.1

Tabel 2.1 Simbol-simbol Use Case Diagram

Sumber: (Hendini, 2016: 108)

2.1.7.5.3 Activity Diagram

Activity Diagram menggambarkan workflow (aliran kerja) atau

aktivitas dari sebuah sistem atau proses bisnis (Hendini, 2016:109). Simbol-

simbol Activity Diagram dapat dilihat pada Tabel 2.2

Tabel 2.2 Simbol-simbol Activity Diagram

Simbol Keterangan

Use Case menggambarkan fungsionalitas yang

disediakan sistem sebagaiunit-unit yang bertukar pesan antar unit dengan aktir, yang

dinyatakan dengan menggunakan kata kerja

Actor atau Aktor adalah Abstraction dari orang atau

sistem yang lain yang mengaktifkan fungsi dari

target sistem. Untuk mengidentifikasikan aktor,

harus ditentukan pembagian tenaga kerja dan tugas-

tugas yang berkaitan dengan peran pada konteks

target sistem.

Asosiasi antar aktor dan use case yan menggunakan

panahterbukuntukmengindikasikan bila

aktoberinteraksi secara pasif dengan sisem.

Simbol Keterangan

Start Point, diletakkan pada pojok kiri atas dan

merupakan awal aktivitas

End Point, akhir aktivitas

uc Use Case Model

uc Use Case Model

Page 14: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

22

Sumber: (Hendini, 2016: 109)

2.1.7.5.4 Sequence Diagram

Sequence Diagram menggambarkan kelakuan objek pada use case

dengan mendeskripsikan waktu hidup objek dan pesan yang dikirimkan dan

diterima antar objek (Hendini, 2016:110). Simbol-simbol yang ada pada

Sequence diagram ditunjukan oleh Tabel 2.3:

Activities, menggambarkan suatu proses/kegiatan

bisnis

Swimlane, pembagian activity diagram untuk

menunjukkan siapa melakukan apa

Decision Points, menggambarkan pilihanuntuk

pengambilan keputusan, tru atau false

Fork/percabangan, digunakan untuk menunjukkan

kegiatan yang dilakukan secara paralel atau

untuk menggabungkan dua kegiatan paralel

menjadi satu

Join (penggabungan) atau rake, digunakan untuk

menunjukkan adanya dekomposisi

act ss

act ss

Swimlane

Page 15: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

23

Tabel 2.3Simbol-simbol Sequence Diagram

Sumber: (Hendini, 2016: 110)

Simbol Keterangan

Entity Class, merupakan bagian dari sistem

yang berisi kumpulan kelas berupa entitas-

entitas yang membentuk gambaran awal sistem

dan menjadi landasan untuk menyusun basis

data.

Boundary Class, berisi kumpulan kelas yang

menjadi interfaces atau interaksi antara satu

atau lebih aktor dengan sistem, seperti tampilan

form entry dan form cetak.

Message digambarkan dengan anak panah

horizontal.

Control class, suatu objek yang berisi logika

aplikasi yang tidak memiliki tanggung jawab

kepada entitas, contohnya adalah kalkulasi dan

aturan bisnis yang melibatkan berbagai objek

Recursive, menggambarkan pengirimanpesan

yangdikirim untuk dirinya sendiri

Activation, mewakili sebuah eksekusi operasi

dari objek, panjang kotak ini berbanding lurus

dengan durasi aktivasi sebuah operasi

Lifeline, garis titik-titik yang terhubung dengan

objek sepanjang lifelineter dapat activation

sd mm

sd mm

sd mm

sd mm

sd mm

sd mm

Page 16: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

24

2.1.7.5.5 Class Diagram

Class diagram menggambarkan struktur sistem dari segi pendefinisian

kelas-kelas yang akan dibuat untuk membangun sistem. Kelas memiliki apa

yang disebut atribut dan metode atau operasi. Atribut merupakan variabel-

variabel yang dimiliki oleh suatu kelas, sedangkan operasi atau metode adalah

fungsi-fungsi yang dimiliki oleh suatu kelas (Yunahar Heriyanto, 2018:68).

Simbol-simbol pada Class Diagram dapat dilihat pada Tabel 2.4.

Tabel 2.4 Simbol-simbol Class Diagram

Simbol Keterangan

Kelas

Kelas pada struktur sistem.

Antar muka/interface

nama_interface

Sama dengan konsep interface dalam

pemrograman berorientasi objek.

Asosiasi/association

Kelas antar kelas dengan makna umum,

asosiasi biasanya juga disertai dengan

multiplicity.

Asosiasi berarah

Kelas antar kelas dengan makna kelas yang

satu digunakan olehkelas yang lain, asosiasi

biasanya juga disertai dengan multiplicity.

Generalisasi Kelas antar kelas dengan makna generalisasi

spesialisasi (umum khusus).

Kebergantungan/dependency

Kelas antar kelas dengan makna

kebergantungan antar kelas.

Nama Kelas

+atribut

Oprasi()

Page 17: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

25

Sumber: (Yunahar Heriyanto, 2018:68)

2.1.7.5.6 Deployment Diagram

DeploymentDiagram digunakan untukmenggambarkan detail bagaimana

komponen disusun di infrastruktur system (Hendini, 2016:111). Simbol-simbol

yang ada pada deploymentdiagram ditunjukan oleh Tabel 2.5.

Tabel 2.5Simbol-simbol Deployment Diagram

Simbol Keteragan

Pada deployment diagram, komponen-

komponen yang ada diletakkan didalam node

untuk memastikan keberadaan posisi

Mereka.

Node menggambarkan bagian-bagian hardware

dalamsebuah sistem. Notasi untuk node

digambarkan sebagai sebuahkubus 3 dimensi.

Sebuah association digambarkan sebagai

sebuah garis yang menghubungkan dua node

yang mengindikasikan jalur komunikasi antara

element-elemen hardware. Sumber: (Hendini, 2016:111)

2.1.5.7.7 Entity Relationship Diagram (ERD)

Entity Relationship Diagram adalah gambar atau diagram yang

menunjukkan informasi dibuat, disimpan, dan digunakan dalam sistem bisnis

Santoso, et al.,(2017:87). Simbol-simbol yang ada pada entity

relationshipdiagram ditunjukan oleh Tabel 2.6.

deployment ddd

Component1

deployment ddd

Node1

Package1

Component1

Agregasi / Aggregation

Kelas antar kelas dengan makna semua-

bagian (whole-part)

Page 18: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

26

Tabel 2.6 Simbol-simbolEntity RelationshipDiagram

Nama Simbol Keterangan

Entitas

Persegi panjang menyatakan himpunan

entitas adalah orang, kejadian, atau

berada dimana data akan dikumpulkan.

Atribut

Atribut merupakan informasi yang

diambil tentang sebuahentitas.

Relasi

Belah ketupat menyatakan himpunan relasi merupakan hubungan antar

entitas.

Link

Garis sebagai penghubung antar

himpunan, relasi, dan himpunan entitas

dengan atributnya.

Sumber: Santoso, et al.,(2017:87).

2.1.5.7.8 Flowchart

Flowchart adalah representasi secara simbolik dari suatu algoritma atau

prosedur untuk menyelesaikan suatu masalah, dengan menggunakan flowchart

akan memudahkan pengguna melakukan pengecekan bagian-bagian yang

terlupakan dalam analisis masalah, disamping itu flowchart juga berguna

sebagai fasilitas untuk berkomunikasi antara pemrogram yang bekerjadalam

timsuatu proyek. Flowchart membantu memahami urutan-urutan logika yang

rumit dan pankng. Flowchart membantu mengkomunikasikan jalannya program

ke orang lain (bukan pemrogram) akan lebih mudah (Santoso, 2017:86). Simbol-

simbol flowchat dapat dilihat pada Tabel 2.7

Page 19: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

27

Tabel 2.7 Simbol Flowchart

No Simbol Keterangan

1

Terminal

Untuk memulai dan mengakhiri system, orang

atau bagian luar system

2

Kegiatan manual

Kegiatan yang dilakukan secara manual tanpa

bantuan elektronik.

3

Catatan

Untuk jurnal, kartu, buku besar

4

Arsip permanen

Tempat untuk menyimpan arsip secara

permanan

5

Arsip Sementara

Tempat untuk menyimpan arsip secara

sementara

6

On page conector

Menghubungkan bagian flowcher yang satu

dengan bagian flowchart yang lain dalam

halaman desain yang sama

7

Off page conector

Menghubungkan bagian flowchart yang satu

dengan bagian flowchat lain dalam halaman

sedain yang berbeda

8

Komentar

Memberikan informasi atau keterangan yang

diperlukan untuk melengkapi

Page 20: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

28

Sumber: (Santoso, 2017:86).

2.2 Tinjauan Penelitian

Dalam tinjauan penelitian ini dapat dijelaskan penelitian-penelitian relevan

yang menunjukkan bahwa skripsi yang ditulis terkait dengan hasil penelitian

terdahulu dan yang dituliskan cukup abstraksi.

1. Penelitian yang dilakukan oleh (Manik, et al.,2017) tentang DataMining

Pengelompokkan Kasus Kenakalan Remaja Dikota Binjai Dengan

Menggunakan Metode Clustering (Studi Kasus POLRES Binjai) : Kenakalan

remaja lebih banyak dilihat dari ketindakan yang merugikan diri sendiri,

seperti penyalahgunaan narkoba, perbuatan cabul, penganiayaan, berjudi,

mencuri, pemerkosaan, pembunuhan dan masih banyak lainnya. Tujuan dari

penelitian ini untuk memudahkan proses perhitungan dan analisis dalam

menentukan wilayah kota Binjai mana saja yang kasus kenakalan remajanya

masih tertinggi. Hasil akhir dari penelitian ini adalah mengetahui kasus

kenakalan remaja dikota Binjai berdasarkan wilayah, jenis kejahatan dan usia,

9

Garis alur

Alur informasi bagan flowchart

10

Basis Data

Untuk media penyimpanan secara

terkomputerisasi

Page 21: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

29

serta dapat mempermudah pihak polres Binjai dalam menanggulangi

kenakalan remaja.

2. Penelitian yang dilakukan oleh (Sembiring, et al.,2020): Pungutan liar

(pungli) merupakan tindakan kejahatan yang dilakukan oleh pihak yang tidak

bertanggung jawab atau seseorang atau pegawai negeri atau pejabat negara

dengan cara meminta pembayaran uang yang tidak termasuk kedalam

aturan administrasi yang dibutuhkan. Metode K-Means dapat membantu

mengklasifikasikan daerah pungutan liar di kabupaten Sukabumi pada

dinas kependudukan dan pencatatan sipil. Variabel yang digunakan

dalam penelitian ini E-KTP, AKTA dan Kartu Keluarga Setiap variabel

memiliki nilai bobot yang berbeda. Data yang akan digunakan dalam

penelitian ini adalah data laporan pada bulan Januari 2019 berbentuk

SQL. Penelitian ini hanya akan membahas tentang berapa banyak kejadian

pungli yang terjadi di setiap kecamatan yang ada di kabupaten Sukabumi

tentang kependudukan dan pencatatan sipil. Adapun tujuan dari

penelitian ini adalah untuk menentukan cluster tingkat pungutan liar

tinggi, sedang dan rendah. Hasil dari penelitian ini memperoleh data

indeks kecamatan dengan tingkat jumlah laporan masyarakat daerah

terhadap pungutan liar, data dengan klasifikasi tingkat tinggi yaitu

Cireunghas, Gegerbitung, Kalapa Nunggal, Kalibunder, Purabaya, Simpenan,

Parung Kuda, Sukaraja, Nagrak, Nyalindung, Pelabuhanratu, Surade,

Warungkiara. Data tingkat pungutan liar sedang terdapat pada 19

kecamatan dan 15 tingkat pungutan liar rendah. Hal ini dapat menjadi

masukan kepada dinas kependudukan dan pencatatan sipil, kecamatan yang

Page 22: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

30

menjadi tindakan pungutan liar paling tinggi diprioritas untuk melakukan

penyuluhan kepada kecamatan tersebut.

3. Penelitian yang dilakukan oleh (Sibue, at al.,2017) tentang Pemetaan Siswa

Berprestasi Menggunakan Metode K-Means Clustering : Tingginya tingkat

keberhasilan siswa dan rendahnya tingkat kegagalan siswa merupakan

cermin kualitas dunia pendidikan. Dunia pendidikan saat ini dituntut

untuk memiliki kemampuan bersaing dengan memanfaatkan semua sumber

daya yang dimiliki. Selain sumber daya sarana, prasarana dan manusia,

sistem informasi merupakan salah satu sumber daya yang dapat digunakan

untuk meningkatkan kemampuan barsaing. Data mining merupakan proses

analisa data untuk menemukan suatu pola dara kumpulan data. Datamining

mampu menganalisa jumlah data yang besar menjadi informasi yang

mempunyai arti bagi pendukung keputusan. Salah satu proses data

mining adalah clustring. Atribut yang digunakan dalam pengelompokan

prestasi siswa adalah Nama, Ekstrakulikuler, Nilai yang meliputi Nilai

Tugas, Nilai Uts, Nilai Uas, jumlah ketidak hadiran siswa (absensi), dan

Nilai sikap. Studi kasus pada 20 siswa dengan perhitungan jarak

menggunakan manhattan distance, chbychep distance dan euclidian

distance menghasilkan akurasi sebesar 67%.

4. Penelitian yang dilakukan oleh Rinawati, ea al., 2020) tentang Analisis

Algoritma Data mining pada Kasus Daerah Pelaku Kejahatan Pencurian

Berdasarkan Provinsi : Pencurian merupakan perilaku yang menyebabkan

kerugian bagi korban yang menjadi sasaran dan bisa menyebabkan

korban. Tingkat perilaku pencurian semakin meningkat di setiap daerah

Page 23: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

31

karena semakin banyaknya tingkat pengangguran dan sifat malas bekerja

yang membuat seseorang melakukan pencurian untuk memenuhi

kebutuhan hidupnya. Tujuan penelitian adalah untuk menganalisa dengan

menggunakan teknik datamining pada daerah pelaku kejahatan pencurian

berdasarkan provinsi. Teknik yang digunakan adalah klastering dengan

metode K-means. Hasil dari penelitian dengan menggunakan teknik ini

adalah berupa cluster terdapat daerah di Indonesia yang memiliki tingkat

kejahatan pencurian

tertinggi. Dari hasil penelitian menggunakan teknik K-means, bahwa terdapat

17 provinsi dari 34 provinsi yang daerah pelaku kejahatan pencurian

tertinggi (C1) yakni: Aceh, Sumatera Utara, Sumatera Barat, Riau,

Jambi, Sumatera Selatan, Lampung, DKI Jakarta, Jawa Barat, Jawa

Tengah, Jawa Timur, Banten, Nusa Tenggara Barat, Nusa Tenggara Timur,

Kalimantan Selatan, Sulawesi Selatan, Papua. Hasil penelitian diharapkan

menjadi informasi bagi pemerintah dalam melakukan kebijakan mengurangi

tingkat kejahatan pencurian di Indonesia yang sangat tinggi (> 50%).

2.3 Kerangka Pemikiran

Peran dari Data Mining pada dasarnya dirancang sedemikian rupa

sehingga bersifat interaktif dengan pemakainya. Maksud dan tujuan adanya

DataMining yaitu membantu petugas untuk mengelompokkan tindak kejahatan

pencurian di Kabupaten Asahan sesuai dengan data tindak kejahatan pencurian

agar pihak POLRES mengetahui tidak kejahatan pencurian tertinggi dan

bagaimana mengcover dan mencegah serta strategi yang akan dilakukan untuk

Page 24: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

32

mengurangi tindak kejahatan pencurian tersebut dan memudahkan para Polisi

untuk melakukan patroli. Hal ini yang membuat penulis ingin membuat sebuah

aplikasi dalam pengelompokkan tindak kejahatan pencurian menggunakan bahasa

pemrogramanPHP.

Langkah dalam kerangka pemikiran dapat digambarkan dalam bentuk

flowchart sebagai berikut ini:

Gambar 2.7Kerangka Pemikiran

Mulai

Studi Awal

Data Lapangan

Pengolahan Data

Pengujian

Implementasi

Teknik Data Mining

Kesimpulan Dan

Saran Hasil

Page 25: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

33

Kerangka pemikiran dari penelitian ini dilakukan dengan beberapa tahapan,

antara lain :

1. Pendefinisian rumusan masalah

2. Kemudian pada tahapan kedua melakukan analisis dan desain dengan

penerapan teknik Data Mining untuk membantu memecahkan rumusan

masalah yang ada.

3. Tahap ketiga adalah metode pengumpulan data dimana data diambil sebagai

kepentingan penelitian dengan menggunakan sampel.

4. Di tahap keempat merupakan pencarian subjek penelitian, dimana penulis

mendapatkan data yang dibutuhkan dalam pencapaiaan tujuan.

5. Sedangkan tahap terakhir adalah penerapan dan pengujian dengan

menggunakan bahasa pemrograman php.

Hasil yang diperoleh dari penelitian ini adalah sistem Data Mining untuk

pengelompokkan data pencurian tertinggi.

Page 26: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

34

2.4 Tinjauan Umum

2.4.1 Struktur Organisasi SAT RESKRIM POLRES ASAHAN

PERATURAN KAPOLRI NOMOR : 23 TAHUN 2010 TANGGAL 30 SEPTEMBER 2010

KASAT RESKRIM

ADRIAN RIZKY LUBIS, S.I.K AKP NRP 87041665

KAUR BIN OPS

ALI YUNUS. SIREGAR IPTU NRP 64020965

KAURMINTU

ALDO FAHREZI RAJA MUDA, S. Tr. K

IPDA NRP 95091192

KAUR IDENTIFIKASI

HANAFI GURU SINGA

AIPTU NRP 71100031

KAPOLRES ASAHAN

NUNGROHO DWI KARYANTO, S.I.K.

AKBP NRP 77040944

WAKA POLRES

MUHAMMAD IKHWAN, SH, M.H KOMPOL NRP 65110332

KANIT III / TIPIDKOR AGUS SETYAWAN, S.I.K, M.M

IPTU NRP 92080442

KANIT II / EKONOMI

NANIN APRILIA FITRIANI, S. Tr. K IPDA NRP 92040579

KANIT IV / TIPIDTER ERWIN SYAHRIZAL, SH

IPDA NRP 70100044

KANIT I / RESUM MUL;YOTO, SH

IPDA NRP 78100075

KANIT PPA ANWAR SANUSI. S, SH, M.H

IPDA NRP 79070523

UNIT JATANRAS / PIDUM PENYIDIK JATANRAS I :

1. AIPTU M. SITORUS NRP 62121071 2. AIPTU BZ. SIMANJUNTAK NRP 71110123 3. BRIPDA DEDI KURNIAWAN NRP

92110628

OPSNAL JATANRAS I : 4. BRIPKA SARIONO NRP 81061263 5. BRIPKA BAYU MAISA AIDIL NRP

85060470 6. BRIPKA BAMBANG PRIANTUSO NRP

83111315

PENYIDIK JATANRAS II 7. BRIPKA GOSYEN NA70, SH NRP 86080162 8. BRIPDA RUDY A. PRAMANA NRP

93110860 9. BRIPDA MICHAEL A. SAMOSIR NRP

95080466

UNIT EKONOMI PENYIDIK EKONOMI :

1. AIPTUAHMADI NRP 72100245 2. BRIPKA ROBET PADLI, SH NRP 79060359 3. BRIPKA RENER H TAMBUNAN, SH, MH

NRP 87070141

OPSNAL EKONOMI : 4. AIPTU JANES BUTAR BUTAR NRP

72010150 5. AIPTU PUJI SEMEDI NRP 72040204 6. AIPDA JONGGA MAHULAE, SH NRP

76100533

UNIT TIPIKOR PENYIDIK TIPIDKOR

1. BRIPKA GUNAWAN SAFI’I GINTING, SH NRP 83110049

2. BRIGADIR TOMAN NAPITUPULU, SH NRP 87020705

3. BRIGADIR AKHMAD EFENDI NRP 89080260

4 BRIPTU DAQSUR HASNAN HARAHAP NRP 92100209

OPSNAL TIPIDKOR : 4. AIPDA IWAN ARIF NRP 77070837 5. BRIPKA DICKY A. SIRINGORINGO, SH

NRP 82121050

UNIT TIPITER PENYIDIK TIPITER :

1. BRIPKADAVID. S. SILAEN NRP 84120568 2. BRIGADIR DODY AZHARI, SH NRP

85010865 3. BRIGADIR ASIDO NABABAN, SH NRP

85040836 4. BRIGADIR FERY HABEAHAAN, SH NRP

83031466 5. BRIPDA KRIS JUAN HAREFA NRP

95120631

OPSNAL TIPITER : 6. BRIPKA LAMBOK SIRINGORINGO, SH

NRP 81060286 7. BRIPKA M. ROY BUTAR BUTAR NRP

84030391 8. BRIPKA RAYON HR. ARUAN NRP

84070279 9. BRIGADIR HUZNI AFWA NRP 87010270

UNIT PPA PENYIDIK PPA:

1. AIPTU ERIKA .R. SIRAIT NRP 7810026 2. BRIGADIR RIYADI, SH NRP 78071143 3. BRIGADIR FRESCO EXTRADA. S, SH NRP

86111268 4. BRIPDA SRI ARMIDA NRP 94040923 5. BRIPDA RUMANTY V SITORUS NRP

95050399 6. BRIPDA RETNO REVITAYANI NRP

94090983

OPSNAL PPA : 7. AIPTU M. MUKHLIS HARAHAP NRP

72030257 8. BRIPKA ARMADA HUTAHAEAN NRP

80030994 9. BRIGADIR HASANUDDIN HASIBUAN 10. BRIPDA RAJA MUARA HUTAGAOL NRP 94100761

Gambar 2.8 Struktur Organisasi SAT RESKRIM

POLRES ASAHAN

Page 27: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

2.4.2 Tugas Dan Wewenang

Dalam melakukan pengolahan suatu POLRES, Kapolres dan eakil-

wakilnya mempunyai tugas sebgai berikut :

1. Kapolres

Kapolres bertugas:

1) Memimpin, membina, mengawasi, dan mengendalikan satuan organisasi

dilingkungan POLRES dan unsur pelaksana kewilayahan daam

jajarannya; dan

2) Memberikan saran pertimbangan kepada Kapolda yang terkait dengan

pelaksanaan tugasnya.

2. Wakapolres

Wakapolres bertugas:

1) Membantu Kapolres dalam melaksanakan tugasnya dengan mengawasi,

mengendalikan, mengkoordinir pelaksana tugas seluruh satuan organisasi

POLRES.

2) Dalam batas kewenangannya memimpin POLRES dalam hal Kapolres

berhalangan; dan

3) Memberikan saran pertimbangan kepada Kapolres dalam hal

pengambilan keputusan berkaitan dengan tugas pokok POLRES.

3. Kasat Reskrim

Kasat Reskrim bertugas:

Membina fungsi dan menyelenggarakan kegiatan-kegiatan penyelidikan dan

penyidikan tindak pidana, termasuk fungsi identifikasi dalam rangka

penegakan hukum, koordinasi dan pengawasan operasional dan administrasi

Page 28: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

penyidikan PPNS sesuai ketentuan hukum dan peraturan yang berlaku. Dalam

melaksanakan tugasnya Sat Reskrim menyelenggarakan fungsi:

1) Mengelola sumber daya yang tersedia secara optimal serta meningkatkan

kemampuan dan daya gunanya.

2) Mengelola ketertiban administrasi keuangan atau perbendaharaan baik

yang diadakan melalui program APBN maupun bantuan dari Pemda atau

masyarakat serta menggunakannya seoptimal mungkin bagi keberhasilan

pelaksanaan tugas.

3) Menjabarkan dan menindak lanjuti setiap kebijakan Pimpinan.

4) Dalam melaksanakan tugasnya wajib menerapkan prinsip koordinasi,

integrasi dan sinkronisasi POLRES maupun dalam hubungannya dengan

Instansi Pemerintah dan lembaga lainnya.

5) Menyelenggarakan kegiatan penyelidikan atau penyidikan tindak pidana

umum dan tertentu, dengan memberikan pelayanan atau perlindungan

khusus kepada korban atau pelaku remaja, anak-anak dan wanita, dalam

rangka penegakan hukum sesuai dengan ketentuan hukum yang berlaku.

4. Kaur Bin Ops

Urusan Pembinaan Operasional Sat Intelkam POLRES Asahan dipimpin

Kepala Urusan Pembinaan Operasional Intelkam POLRES Asahan, disingkat

Kaur Bin Operasional Intelkam yang bertanggung jawab atas pelaksanaan

tugas kewajibannya kepada Kasat Intelkam Polres Banjarbaru, Kaur Bin

Operasional bertugas:

Page 29: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

1) Merumuskan dan mengembangkan prosedur dan tatacara kerja tetap bagi

pelaksanaan fungsi Reskrim serta mengawasi, mengarahkan, dan

mengevaluasi pelaksanaannya.

2) Menyiapkan rencana dan program kegiatan termasuk rencana pelaksaan

operasi khusus fungsi Reskrim.

3) Mengatur penyelenggaraan dukungan administrasi bagi pelaksana tugas

operasional.

4) Menyelenggarakan administrasi operasional termasuk administrasi

penyidikan serta mengatur penyelenggaraan gelar perkara.

5. Kaur Mintu

Urusan Administrasi dan Tata Usaha POLRES Asahan dipimpin oleh Kepala

Urusan Administrasi dan Tata Usaha disingkat Kaur Mintu yang

bertanggung jawab atas pelaksanaan tugas kewajibannya kepada Kasat

Intelkam POLRES Asahan, Kaur Mintu bertugas:

1) Kaur Mintu adalah Kepala Urusan Administrasi dan ketatausahaan

bertugas menyelenggarakan urusan administrasi, urusan ketatausahaan

dan urusan dalam, termasuk pelayanan keuangan, dilingkungan Sat

Lantas yang berada dibawah Kaur Bin Ops dan bertanggung jawab Kasat

Lantas.

2) Membantu Kasat Lantas mengendalikan satuan lalu lintas dalam urusan

administrasi dan ketatausahaan dan bertanggung jawab kepada Kaur Bin

Ops.

Page 30: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

3) Menyelengarakan kegiatan pengumpulan, pengolahan dan penyajian

data/informasi yang berkenaan dengan aspek pembinaan dan pelaksanaan

fungsi lalu lintas.

6. Kaur Identifikasi

Kaur Identifikasi bertugas:

1) Membantu KBO Reskrim dalam pelaksanaan fungsi identifikasi yang

meliputi pelaksanaan pengambilan, perumusan, penyimpanan dan

pelayanan Sidik Jari yang menyangkut Kriminal maupun Non Kriminal,

termasuk dalam rangka mendukung pelaksanaan tugas satuan fungsi lain

serta pelaksanaan Fotografi Kepolisian dan upaya

pengenalan/pembuktian melalui ciri-ciri manusia (sinyalemen), termasuk

dalam rangka mendukung pelaksanaan tugas satuan fungsi lain.

2) Mengatur dan menjaga ketertiban dan kebersihan pelaksanaan Filling

dan Recording dari dokumentasi sidik jari, dokumentasi sinyalemen

pelaku-pelaku kejahatan dan dokumentasi sinyalemen orang umum

(untuk keperluan SIM, SKCK dan lain-lain).

3) Dalam melaksanakan tugas kewajiban bertanggung jawab kepada Kasat

Reskrim / KBO Reskrim.

7. Kanit I /Resum

Kanit I /Resum bertugas:

1) Menerima laporan Polisi dari Kaur Bin Ops untuk selanjutnya diserahkan

kepada anggota unit yang telah ditunjuk untuk menangani laporan Polisi

tersebut.

Page 31: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

2) Mengontrol tahanan antara lain jumlah tahanan, kebersihan kamar

tahanan dan makanan tahan.

3) Mengawasi dan membimbing dalam pelaksanann penyidikan yang

ditandai oleh anggota unit.

4) Mengadakan koordinasi dengan jaksa dan penuntut umum yang berkaitan

dengan penyidik perkara yang sedang ditangani.

5) Mencatat keluar masuk tahanan.

6) Membuat regester kontrol perkara.

7) Membuat laporan hasil pelaksanaan tugas.

8) Memberikan APP kepada anggota unit sebelum melaksanakan kegiatan

operasional.

8. Kanit II /Ekonomi

Unit II adalah Unit Operasional yang bertugas melaksanakan kegiatan

penyelidikan, pengamanan dan penggalangan juga bertugas dalam melakukan

pendataan dan dokumentasi (Filling and recording) dalam bidang social

ekonomi, Kanit II /Ekonomi bertugas:

1) Masalah Moneter meliputi keuangan, perbankkan, investasi, dan

perpajakan.

2) Masalah Industri perdangan dan Koperasi.

3) Sumberdaya alam meliputi pertanian, kehutanan, pertambangan dan

energi.

4) Masalah pangan dan meliputi pengadaan, penyimpanan dan distribusi

terutama menyangkut 9 bahan pokok.

5) Pariwisata, Perhubungan, telekomonikasi dan transfortasi.

Page 32: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

6) Pengawasan proyek pemerintah dan dana bantuan dari pemerintah

7) Melakukan deteksi terhadap gejolak yang akan timbul terkait dengan

bidang social ekonomi.

8) Melakukan pembentukan dan pembinaan jaringan Intelijen.

9) Menyusun Perkiraan Intelijen Keamanan dibidang sosial ekonomi dan

menyajikan hasil analisis setiap perkembangan yang perlu mendapat

perhatian pimpinan

10) Unit II dipimpin oleh Kepala Unit II yang di singkat Ka Unit II yang

bertanggung jawab atas pelaksanaan tugas dan kewajiban kepada

Intelkam POLRES Asahan.

9. Kanit III /Tipidkor

Kanit III Tipidkor adalah salah satu bagian/sub dari Ditreskrimsus yang

bertugas melakukan penyelidikan dan penyidikan tindak pidana korupsi yang

terjadi didaerah hukum, Kanit III Tipidkor bertugas:

1) Penyelidikan dan penyidikan tindak pidana korupsi yang terjadi di daerah

hukum.

2) Pemberkasan dan penyelesaian berkas perkara sesuai dengan ketentuan

administrasi penyelidikan dan penyidikan tindak pidana korupsi.

3) Penerapan manajemen anggaran, serta manajemen penyelidikan dan

penyidikan tindak pidana korupsi.

10. Kanit IV /Tipidter

Kanit IV /Tipidter adalah salah satu bagian/sub dari Ditreskrimsus yang

bertugas melakukan penyelidikan dan penyidikan Tipidter yang terjadi di

daerah hukum.

Page 33: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

1) Penyelidikan dan penyidikan Tipidter yang terjadi di daerah hukum.

2) Pemberkasan dan penyelesaian berkas perkara sesuai dengan ketentuan

administrasi penyelidikan dan penyidikan Tipidter.

3) Penerapan manajemen anggaran, serta manajemen penyelidikan dan

penyidikan Tipidter.

11. Kanit PPA

Kanit PPA bertugas:

1) Unit ini melakukan penyelidikan dan penyidikan secara tintas terhadap

pengungkapan kasus tindak pidana yang berkaitan dengan

anak/remaja/wanita, asusila, imigran, human traficking serta KDRT

(kekerasan dalam rumah tangga) dan bertanggung jawab langsung

kepada Kasatreskrim. Kanit mengarahkan, memotivasi dan mengontrol

tentang lannya penyelidikan.

2) Perkembangan hasil penyidikan serta melaporkan semua kegiatan

anggota dan pengungkapan kasus kepada pimpinan.

3) Memberikan saran dan pendapat kepada pimpinan dalam rangka

penanganan kasus prioritas dan menonjol serta melakukan koordinasi

dengan unit lainnya dalam Satreskrim POLRES Asahan dan instansi

lintas sektoral.

4) Mengkoordinir dan memback up baik bimbingan taktis dan teknis Unit

Reskrim POLSEK dalam rangka ungkap kasus prioritas dan kasus

menonjol terkait bidang unit PPA.

5) Melakukan penyelidikan dan penyidikan terhadap laporan polisi yang

ditangani oleh Unit PPA Satreskrim Polres Asahan serta melakukan

Page 34: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

pemberkasan perkara dan mengirim tersangka serta barang bukti kepada

jaksa penuntut umum.

2.4.3 Visi Dan Misi POLRES Asahan

2.4.3.1 Visi

Terwujudnya POLRI yang semakin profesional modern dan terpercaya guna

mendukung terciptanya indonesia yang berdaulat, mandiri dan berkepribadian

berdasarkan gotong royong.

2.4.3.2 Misi

1. berupaya melanjutkan reformasi internal POLRI

2. mewujudkan organisasi dan postur POLRI yang ideal dengan didukung

sarana dan prasarana kepolisian yang modern.

3. Mewujudkan pemberdayaan kualitas sumber daya manusia POLRI yang

profesional dan kompeten yang menjunjung etika dan HAM

4. Peningkatan kesejahteraan POLRI

5. Meningkatkan kualitas pelayanan prima dan kepercayaan publik kepada

kepolisian

6. Memperkuat kemampuan pencegahan kejahatan dan deteksi dini

berlandaskan prinsip pemolisian proaktif dan pemolisian yang berorientasi

pada penyelesaian akar masalah.

7. Meningkatkan HARKAMTIBNAS dengan mengikutsertakan publik melalui

sinergitas polisional.

8. Mewujudkan penegakkan hukum yang profesional, berkeadilan, menjunjung

tinggi HAM dan anti KKN.

Page 35: BAB II TINJAUAN PUSTAKA 2.1 Data Mining K-Means Pada ...

2.4 Hipotesis

Menurut perumusan masalah dan kerangka kerja pemikiran sebelumnya,

dapat dirumuskan hipotesis mengenai penerapan metode K-Means dalam

pengelompokkan data tindak kejahatan pencurian berdasarkan tindak kejahatan

pencurian tertinggi.

Adapun yang dapat dituliskan penulis adalah sebagai berikut:

1. Dengan penerapan Metode Algoritma K-Means dalam pengelompokan tindak

kejahatan pencurian di Kaupaten Asahan penelitian ini dapat mempermudah

pihak POLRES ASAHAN dalam menetukan daerah yang sering terjadi

pencurian.

2. Dengan menggunakan Metode K-Means dan pemograman PHP. Sehingga,

dapat ditemukan solusi dari permasalahan dengan mengetahui tinggi

rendahnya kejahatan pencurian yang terjadi pada masing-masing daerah.

Maka di harapka petugas bisa melakukan sosialisasi dan pengawasan ekstra

atau tidak di daerah yang tepat.