analisis pola spasial kriminalitas wilayah hukum...
TRANSCRIPT
Analisis Pola Spasial Kriminalitas Wilayah Hukum Kepolisian
Resort Kota Salatiga
Artikel Ilmiah
Diajukan kepada
Fakultas Teknologi Informasi
untuk memperoleh gelar Sarjana Sistem Informasi
Oleh:
Nur Shodiq
NIM : 682013016
Program Studi Sistem Informasi
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
2017
3
Analisis Pola Spasial Kriminalitas Wilayah Hukum Kepolisian
Resort Kota Salatiga
1) Nur Shodiq, 2) Frederik Samuel Papilaya
Program Studi Sisten Informasi
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Jl. Dr. O. Notohamidjojo No. 1 – 10 Salatiga, Jawa Tengah
Email: 1) [email protected]),
1. Pendahuluan
Kota Salatiga merupakan salah satu kota di Jawa Tengah, sebagai kota lumayan
padat penduduk ini persaingan untuk meraih kehidupan yang layak sangatlah tinggi.
Persaingan inilah yang menyebabkan adanya ketimpangan sosial, yaitu tingginya
kebutuhan hidup yang harus dipenuhi, akan tetapi tidak diimbangi oleh
meningkatnya pendapatan dari masyarakat. Menurut Badan Pusat Statistik Daerah
Jawa Tengah, hal inilah yang menjadi salah satu indikasi memicunya pertumbuhan
kriminalitas. Mengingat hal tersebut, tidak sedikit warga Kota Salatiga yang
memilih untuk melakukan tindakan kriminal demi mendapatkan uang agar
kehidupan ekonominya lebih sejahtera.
Kriminalitas merupakan segala macam bentuk tindakan dan perbuatan yang
merugikan secara ekonomis dan psikologis yang melanggar hukum .Untuk
menentukan tingkat kerawanan tindak kejahatan dibutuhkan informasi dari
masyarakat dan aparat penegak hukum dari kepolisian. Waktu dan tempat tindak
kejahatan yang berbeda adalah masalah utama untuk menentukan daerah yang
memiliki tingkat kerawanan. Jumlah Tindak Pidana Yang Dilaporkan Menurut
Kepolisian Resort di Provinsi Jawa Tengah tahun 2013, 2014, dan 2015 terjadi
62969 kasus. Dimana Kota Salatiga terjadi 1788 kasus yang merupakan peringkat
tertinggi nomor 6 di Jawa Tengah[1].
Analisis Kejahatan-Keadaan saat ini. Salah satu dasar teori kriminologi adalah
bahwa tiga hal dibutuhkan agar terjadi kejahatan: pelaku yang termotivasi, sasaran
yang sesuai, dan lokasi. Begitu dua bagian pertama dari segitiga kejahatan ini ada,
kesempatan ditetapkan untuk tindak pidana terjadi, jadi wajar jika analis
menggunakan teknologi sistem informasi geografis (SIG) untuk memetakan lokasi
kejahatan. Namun,
_________________________ 1) Mahasiswa Fakultas Teknologi Informasi Jurusan Sistem Informasi, Universitas Kristen Satya
Wacana Salatiga. 2) Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana Salatiga.
4
menempatkan titik di peta hanyalah langkah awal dalam memahami masalah
kriminalitas. Konteks kejadian kriminal harus dianalisis dan dibandingkan dengan
data kejahatan lainnya untuk mendapatkan makna darinya, mendeteksi pola dalam
data, dan memahami gambaran yang lebih besar. Karena analisis kejahatan telah
matang, demikian juga teknik pemetaan kejahatan. Analis memulai dengan
menggabungkan data kejahatan, mengidentifikasi pola dan kelompok,
mengeksplorasi hubungan antara kejahatan dan jenis dataset lainnya, dan menilai
efektivitas strategi pengurangan kejahatan. Semua teknik ini bergantung pada
pemetaan SIG. Pada saat yang sama, periset dan agen kepolisian mulai menyadari
bahwa mereka dapat mengintegrasikan perangkat lunak pemetaan Esri dengan
sistem pengelolaan catatan penegakan hukum. Maka dari itu perencanaan spasial
yang tepat sangat penting dalam menentukan lokasi promosi, yaitu dengan
penerapan Sistem Informasi Geografis (SIG)[2].
Penelitian ini bertujuan mengidentifikasi daerah rawan kriminalitas wilayah
hukum Polres Salatiga, mengetahui hubungan antara data kejahatan dengan lokasi
geografis Kota Salatiga, mengidentifikasi pola kejahatan tingkat kerawanan.
2. Kajian Pustaka
Penelitian yang pengembangan sistem yang dibuat dengan Clustering akan
lebih mudah melihat pengelompokan algoritma berbasis kerapatan untuk
menemukan banyakanya pengelompakan mulai dari distribusi kerapatan yang
diperkirakan atas node yang sesuai. Dengan hasil penelitan tersebut disimpulkan
bahwa Beberapa daerah di Kota Semarang memiliki tingkat kerawanan terhadap
kejahatan yang berbeda. Daerah yang masuk kategori rawan kriminalitas berada di
Kecamatan Semarang Barat, Semarang Tengah, Semarang Selatan, sebagian
Semarang Timur, Gayamsari bagian timur, Tembalang bagian barat dan
Pedurungan bagian barat. Untuk daerah yang masuk kategori sangat rawan dalam
hal tindak kejahatan / kriminalitas berada di Kecamatan Semarang Selatan,
Semarang Tengah dan perbatasan antara Gayamsari dengan Pedurungan. Dengan
memiliki kekurangan pembuatan peta daerah rawan kriminalitas sebaiknya
dilakukan secara terorganisir dan didiskusikan dengan pihak terkait sehingga bisa
mendapatkan hasil yang lebih baik[3].
Penelitian yang lain berfokus pada penerapan Sistem Informasi Geografis (SIG)
sebagai alat untuk pemetaan penginderaan jarak jauh yang efektif untuk
perencanaan dan pengambilan keputusan studi tersebut mengungkapkan bahwa
intensitas kejahatan semakin meningkat sepanjang tahun. Penelitian ini telah
mampu mengembangkan sistem database kejahatan yang bisa meningkatkan
keamanan sekitar inti kota Akure. Sistem seperti itu akan sangat diraih deteksi
hotspot dan titik hitam, generasi peta yang menunjukkan lingkungan yang
5
kekurangan fasilitas keamanan, pengetahuan tentang kejahatan Pola dan kejadian,
prediksi kejahatan antara lain. Sistem ini Tidak hanya akan membantu Ondo State
dalam pengurangan kejahatan tapi juga negara bagian lainnya di Negara jika
diadopsi Berdasarkan temuan tersebut, studi tersebut merekomendasikan agar
negara Pemerintah segera memulai penyediaan keamanan di negara bagian[4].
Analisis Statistik (Statistical Analysis). Analisis Statistik sering digunakan
untuk mengeksplorasi data Anda-misalnya, untuk memeriksa distribusi nilai untuk
atribut tertentu atau untuk melihat outlier (nilai ekstrim tinggi atau rendah).
Memiliki informasi ini berguna saat menentukan kelas dan rentang pada peta, saat
mengklasifikasi ulang data, atau saat mencari kesalahan data. Pada contoh di bawah
ini, statistik telah dihitung untuk pendistribusian lansia melalui saluran sensus di
wilayah ini (persentase mereka berusia 65 ke atas di setiap saluran), termasuk mean
dan standar deviasi, serta histogram yang menunjukkan distribusi Nilai. Sebagian
besar traktat memiliki persentase manula yang lebih rendah daripada rata-rata,
namun beberapa traktat memiliki persentase yang sangat tinggi[5].
Gambar 1. Statistical Analysis Summary.[5]
Analisis Overlay (Overlay Analysis). Analisis Overlay adalah sekelompok
metodologi yang diterapkan pada pemilihan lokasi atau pemodelan kesesuaian yang
optimal. Ini adalah teknik untuk menerapkan skala nilai yang sama ke input yang
beragam dan berbeda untuk menciptakan analisis terpadu. Secara umum, ada dua
6
metode untuk melakukan overlay analisis - overlay fitur (overlay poin, garis, atau
poligon) dan overlay raster. Beberapa jenis analisis overlay meminjamkan diri pada
satu atau yang lain dari metode ini[6]. Pada ilustrasi di bawah ini, jalan logging
(garis) dan jenis vegetasi (poligon) dilapisi untuk membuat kelas fitur baris baru.
Garis telah terpecah di mana mereka berpotongan dengan poligon dan setiap fitur
garis telah diberi atribut dari kedua lapisan asli. Garis diperlihatkan dilambangkan
dengan tipe vegetasi yang telah terkait dengannya. Anda dapat menggunakan
analisis overlay untuk menggabungkan karakteristik beberapa dataset menjadi satu.
Kemudian dapat menemukan lokasi atau area tertentu yang memiliki seperangkat
nilai atribut tertentu sesuai dengan kriteria yang ditentukan. Pendekatan ini sering
digunakan untuk menemukan lokasi yang sesuai untuk pengunaan tertentu atau
rentan terhadap beberapa risiko [7].
Gambar 2. Overlay Analysis Summary[7].
Analisis Tetangga Terdekat (Nearest Neighbor Analysis). Analisis tetangga
terdekat merupakan salah satu analisis yang digunakan untuk menjelaskan tentang
pola persebaran dari titik-titik lokasi dengan menggunakan perhitungan yang
mempertimpangkan jarak, jumlah titik lokasi dan luas wilayah. Analisis tetangga
terdekat menggembalikan 5 nilai, yaitu jarak rata-rata yang diamati, jarak rata-rata
yang diharapkan, indeks tetangga terdekat, nilai Z dan nilai P. Analisis ini memliki
hasil akhir berupa indeks dengan hasil antara 0-2,15. Nilai 0 akan menunjukkan
bahwa pola kecenderungan yang dihasilkan memiliki tipe mengelompok (cluster).
Nilai2,15 akan menunjukkan bahwa pola kecenderungan yang dihasilkan memiliki
tipe menyebar (dispersed), sedangkan jika berada ditengah-tengah akan
menunjukkan pola yang memiliki tipe acak (random) [8].
7
Gambar 3. Average Nearest Neighbor Summary[8].
Tool ini mengukur jarak antara masing-masing centroid fitur dan lokasi
centroid tetangganya yang terdekat. Itu semua jarak rata-rata tetangga terdekat.
Jika jarak rata-rata kurang dari rata-rata untuk distribusi acak hipotesis, distribusi
fitur yang dianalisis dianggap berkerumun. Jika jarak rata-rata lebih besar daripada
distribusi acak hipotesis, fitur dianggap tersebar. Rata-rata rasio tetangga terdekat
dihitung sebagai jarak rata-rata yang diamati dibagi dengan jarak rata-rata yang
diharapkan (dengan jarak rata-rata yang diperkirakan berdasarkan distribusi acak
hipotesis dengan jumlah fitur yang sama yang mencakup area total yang sama) [9].
8
Analisis Hotspot (Hotspot Analisis). Analisis Hotspot menghitung statistik
Getis-Ord Gi * untuk setiap fitur dalam dataset. Skor Z yang dihasilkan memberi
tahu Anda di mana fitur dengan nilai cluster tinggi atau rendah secara spasial. Alat
ini bekerja dengan melihat setiap fitur dalam konteks fitur tetangga. Sebuah fitur
dengan nilai tinggi sangat menarik, namun mungkin bukan hot spot yang signifikan
secara statistik. Untuk menjadi hot spot yang signifikan secara statistik, fitur akan
memiliki nilai tinggi dan dikelilingi oleh fitur lain dengan nilai tinggi juga. Jumlah
lokal untuk fitur dan tetangganya dibandingkan secara proporsional dengan jumlah
semua fitur; Ketika jumlah lokal jauh berbeda dari jumlah lokal yang diharapkan,
dan perbedaan itu terlalu besar untuk menjadi hasil kesempatan acak, hasil skor Z
yang signifikan secara statistik[10].
9
Kepadatan (density) merupakan permukaan kepadatan menunjukkan di
mana fitur titik atau garis terkonsentrasi. Misalnya, Anda mungkin memiliki nilai
titik untuk setiap kota yang mewakili jumlah total orang di kota ini, namun Anda
ingin mengetahui lebih banyak tentang penyebaran populasi di wilayah ini. Karena
semua orang di setiap kota tidak tinggal di titik populasi, dengan menghitung
kerapatan, Anda dapat menciptakan permukaan yang menunjukkan distribusi
populasi yang diprediksi di seluruh landscape. Grafik berikut memberi contoh
permukaan kerapatan. Bila ditambahkan bersama, nilai populasi sel sama dengan
jumlah populasi lapisan titik asli[11].
Gambar 4. Population Density surface example[11].
10
3. Metodologi Penelitian
Pelaksanaan penelitian dibagi menjadi 5 tahap, yaitu : 1) Identifikasi Masalah,
2) Pengumpulan Data, 3) Pengolahan Data, 4) Analisis Data, 5) Analisis Hasil
Pengujian.
Gambar 5. Tahapan penelitian.
Pada tahap pertama, identifikasi masalah diperoleh dari hasil wawancara
dengan Bagian Sat-Reskrim Kepolisian Resort Kota Salatiga untuk mengetahui
masalah dan studi literature terkait permasalahan yang terjadi di Kepolisian Resort
Kota Salatiga.
Pada tahap kedua, pengumpulan data juga didapatkan dari hasil wawancara.
Data yang diperoleh merupakan data primer dan data sekunder. Data primer adalah
data yang diperoleh secara langsung dari sumbernya, yaitu mengenai aspek-aspek
pengambilan keputusan untuk lokasi tindak kriminalitas Kepolisian Resort Kota
Salatiga yang meliputi, 1) jenis tindak pidana, 2) pasal, 3) nomor laporan polisi, 4)
tanggal kejadian, 5) tanggal laporan, 6) tempat kejadian perkara, 7) korban /
pelapor, 8) kerugian / barang bukti, 9) modus. Sedangkan data sekunder adalah
data yang diperoleh dari penulis yang sudah jadi dan biasanya dalam bentuk buku,
internet, jurnal yang berhubungan dengan penelitian ini, yaitu data tentang Kota
Salatiga Menurut Badan Statistik Daerah Jawa Tengah yang meliputi Jumlah
Tindak Pidana Yang Dilaporkan Menurut Kepolisian Resort di Provinsi Jawa
Tengah, 2013‒2015.
Pada tahap ketiga, melakukan pengolahan data menggunakan software
ArcGIS 10.3. Sumber peta Administrasi Kota Salatiga menggunakkan system
koordinat Indonesian_1974_UTM_Zone_54S. Data tersebut berupa jenis tindak
pidana, pasal, nomor laporan polisi, tanggal kejadian, tanggal laporan, tempat
kejadian perkara, korban / pelapor, kerugian / barang bukti, dan modus. Data tempat
kejadian tersebut dilakukkan digitasi untuk memperoleh hasil data vektor berupa
11
point persebaran rawan kriminalitas wilayah hukum Kepolisian Resort Kota
Salatiga Tahun 2016.
Pada tahap keempat, yaitu analisis data untuk menganalisis persebaran
rawan kriminalitas yang ada di Kota Salatiga, menggunakan metode gabungan
antara pendekatan kuantitatif dan kualitatif. Analisis data yang dilakukan
merupakan analisis spasial dengan menggunakan software ArcGIS 10.3.
Pengolahan peta dengan Analisis Overlay (Overlay Analysis) untuk menampilkan
peta Salatiga melihat pola sebaran kasus tindak kriminalitas. Kemudian
menggunakkan analisis statistik untuk mengidentifikasi pola atau hubungan pada
data distribusi kasus untuk mendapatkan informasi tambahan yang mungkin tidak
jelas dari melihat peta berdasarkan peta distribusi kasus. Pendekatan kuantitatif
dilakukan dengan menggunakan Analisis Tetangga Terdekat (Nearest Neighbor
Analysis) menjelaskan pola persebaran dari titik-titik lokasi tempat dengan
menggunakan perhitungan yang mempertimbangkan, jarak, jumlah titik lokasi dan
luas wilayah Dari analisis ini akan diperoleh hasil akhir berupa indeks yang akan
menunjukkan pola persebaran berupa tipe mengelompok, tipe seragam atau tipe
acak. Kemudian didapatkan hasil Analisis Hotspot (Hotspot Analisis) yang menjadi
titik acuan untuk melihat titik kerawanan. Selanjutnya dilakukkan proses kerapatan
(density) digunakan untuk menentukan tingkat kerapatan daerah rawan kriminalitas
di Wilayah Hukum Kepolisan Resort Kota Salatiga Tahun 2016.
Pada tahap kelima, diperoleh hasil dari proses pengolahan peta distribusi
kasus untuk melihat pola sebaran kasus tindak kriminalitas. Proses analisis data
rawan kriminalitas di Kota Salatiga, informasi yang ingin didapatkan cenderung
mengelompok. Berdasarkan hasil analisis data tersebut didapatkan informasi
tentang pola tindak kriminalitas yang akan membantu memberikan informasi
kepada bagian Sat-Reskrim di Kepolisan Resort Kota Salatiga.
4. Hasil dan Pembahasan
Tabel 1 menjelaskan tentang hasil analisis pola spasial yang telah dilakukan,
didapatkan 240 kasus yang terjadi sepanjang tahun 2016 yang menyebar di empat
kecamatan di Kota Salatiga yang cenderung mengelompok. Analisis Statistik
(Statistical Analysis) dapat mengidentifikasi pola atau hubungan di data tindak
kriminalitas untuk mendapatkan informasi tambahan yang mungkin tidak jelas dari
melihat peta. Tingkat kriminalitas di tengah masyarakat saat ini sangat tinggi
dengan melihat jumlah laporan masyarakat yang di laporkan di Sat-Reskrim
Kepolisian Resort Kota Salatiga dengan jenis tindak kriminal berupa Curat, Curas,
Curanmor, Pembunuhan, Pemerkosaan, Palsu Surat, Perusakan, Penipuan,
Penggelapan, Pencurian Biasa, Pencabulan, Kesopanan-Susila. Dari hasil statistical
analysis jumlah kasus menurut jenis tindak kriminalitas sepanjang tahun 2016
12
jumlah total 531 kasus. Kecamatan Sidorejo 123 kasus, Kecamatan Sidomukti 54
kasus, Kecamatan Argomulyo 42 kasus, dan Kecamatan Tingkir 41 kasus.
Tabel 1 Laporan Statistik Kriminalitas Sat-Reskrim Kepolisian Resort Kota
Salatiga Tahun 2016
Analisis Overlay (Overlay Analysis) rawan kriminalitas di Wilayah Hukum
Kepolisian Resort Kota Salatiga didapatkan hasil dari proses pengolahan peta
distribusi kasus dengan menggabungkan, menghapus, memodifikasi, atau
memperbarui fitur dalam dataset output baru untuk melihat pola sebaran kasus
tindak kriminalitas. Analisis Overlay (Overlay Analysis) tersebut didapatkan peta
dengan Persebaran tempat kejadian perkara di Kota Salatiga tahun 2016. Untuk
melihat hasil overlay analysis dapat dilihat pada Gambar 6.
13
Gambar 6. Hasil Overlay Analysis Persebaran tempat kejadian perkara di Kota
Salatiga tahun 2016.
Tabel 2 Hasil Nearest Neighbor Analysis Tindak Kriminalitas Tahun 2016
Nearest Neighbor Analysis Summary
Observed Mean Distance : 4057.8525 Meters
Expected Mean Distance : 13178.5947 Meters
Nearest Neighbor Ratio : 0.307912
z-score : -2.648024
p-value : 0.008096
Dataset Information
Input Feature Class : Crime2016_Project
Distance Method : EUCLIDEAN
Study Area : 2778805747.050000
Selection Set : False
Tabel 2 menjelaskan tentang Analisis Tetangga Terdekat (Nearest Neighbor
Analysis) yang menunjukan bahwa pola sebaran kasus tindak kriminal di Kota
Salatiga sepanjang Tahun 2016 memiliki kecenderungan pola sebaran
mengelompok (clustered). Nilai dari Analisis Tetangga Terdekat (Nearest
Neighbor Analysis) menunjukan bahwa nilai Z = -2.648024, dan p = 0.008096,
sedangkan Observed Mean Distance = 4057.8525 Meters, expected mean distance
= 13178.5947 Meters, serta nilai Nearest Neighbor Ratio = 0.307912.
14
Gambar 7. Hasil Nearest Neighbor Analysis kasus tindak kriminal Kota
Salatiga tahun 2016.
Gambar 7 menjelaskan bahwa Analisis Tetangga Terdekat (Nearest Neighbor
Analysis) rawan kriminalitas di Wilayah Hukum Kepolisian Resort Kota Salatiga
cenderung berpola clustered. Nilai dari Analisis Tetangga Terdekat (Nearest
Neighbor Analysis) menunjukan bahwa nilai Z = -2.648024, dan p = 0.008096,
sedangkan Observed Mean Distance = 4057.8525 Meters, expected mean distance
= 13178.5947 Meters, serta nilai Nearest Neighbor Ratio = 0.307912, menunjukan
bahwa pola sebaran kasus tindak kriminal di Kota Salatiga sepanjang Tahun 2016
memiliki kecenderungan pola sebaran mengelompok (clustered).
Analisis Hotspot (Hotspot Analisis) kepadatan kejahatan tinggi di Wilayah
Hukum Kepolisian Resort Kota Salatiga ini memungkinkan polisi untuk tidak
hanya mengidentifikasi area-area kejahatan tinggi tetapi juga mengeksplorasi
variabel-variabel yang mempengaruhi tindak kriminal. Hotspot analysis menilai
apakah tinggi atau rendah Nilai (jumlah kejahatan, tingkat kerawanan tindak
kriminalitas) Dari hotspot analysis tersebut memiliki informasi yang ditandai
dengan gambar kotak, dapat diklasifikasikan menjadi 4 tingkat kerawanan , yaitu :
sangat rawan, rawan, cukup rawan, aman. Tampilan dari hasil Hotspot analysis
persebaran tempat kejadian perkara di Kota Salatiga tahun 2016 dapat dilihat pada
Gambar 8.
15
Gambar 8. Hasil Hotspot Analysis Persebaran tempat kejadian perkara di Kota
Salatiga tahun 2016.
Kerapatan (density) digunakan untuk menentukan tingkat kerapatan daerah
rawan kriminalitas. Dari tingkat kerapatan inilah yang dijadikan dasar dalam
penentuan lokasi sentra peta yang paling rawan untuk memberikan pelayanan
terjangkau ditinjau dari segi jarak lokasinya. Dari hasil analisis tersebut, Kecamatan
Sidorejo memiliki tingkat densitas tertinggi yang juga merupakan area padat
penduduk. Tampilan dari hasil Density analysis persebaran tempat kejadian perkara
di Kota Salatiga tahun 2016 dapat dilihat pada Gambar 9.
Gambar 9. Hasil Density analysis persebaran tempat kejadian perkara di Kota
Salatiga tahun 2016.
16
5. Kesimpulan dan Saran
Berdasarkan penelitian yang telah dilakukan, maka penelitian ini dapat di tarik
kesimpulan yaitu, disimpulkan bahwa nearest neighbor analysis dapat digunakan
untuk menjelaskan pola persebaran, sehingga didapatkan hasil berupa pola
mengelompok (clustered) pada persebaran lokasi daerah rawan kriminalitas di
wilayah hokum Kepolisian Resort Kota Salatiga tahun 2016. Hotspot analysis dapat
digunakan untuk melihat daerah memungkinkan polisi untuk tidak hanya
mengidentifikasi area-area kejahatan tinggi tetapi juga mengeksplorasi variabel-
variabel yang mempengaruhi tindak kriminal. Hotspot analysis menilai apakah
tinggi atau rendah Nilai (jumlah kejahatan, tingkat kerawanan tindak kriminalitas).
Di kecamatan Sidorejo memiliki tingkat sangat rawan karena banyak dari
wilayahnya ditandai dengan warna merah. Dengan informasi ini, aparat penegak
hukum bisa lebih efisien dalam taktik kejahatan untuk meningkatkan patroli di
sekitar lokasi tersebut atau dengan tindakan proaktif. Untuk analisis spasial, data
yang terkumpul diplot dengan bantuan catatan polisi lokasi dimana tindak pidana
tersebut terjadi.
Saran untuk penelitian ke depan yaitu analisis prediksi kerawanan, sehingga tingkat
kriminalitas di salatiga dapat cepat teratasi.
6. Daftar Pustaka
17
[1] http://jateng.bps.go.id
[2] http://www.esri.com/~/media/Files/Pdfs/library/brochures/pdfs/gis-for-
crime-analysis.pdf
[3] Yudistira Hilma Gilang, Sasmito Bandi, dan Putra Wijaya Arwan. 2015.
Pemetaan Daerah Rawan Kriminalitas di Wilayah Hukum Poltabes
Semarang Tahun 2013 Dengan Menggunakkan Metode Clustering”.
Semarang : Universitas Diponegoro.
[4] Olajuyigbe, Omole, Bayode, dan Adenigba. 2016. Pemetaan Kejahatan dan
Analisis di Wilayah Inti Akure. Nigeria : Universitas Teknologi Federal
Akure
[5] http://desktop.arcgis.com/en/arcmap/10.3/analyze/commonly-used-
tools/statistical-analysis.htm
[6] http://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-analyst-
toolbox/understanding-overlay-analysis.htm
[7] http://desktop.arcgis.com/en/arcmap/10.3/analyze/commonly-used-
tools/overlay-analysis.htm
[8] http://desktop.arcgis.com/en/arcmap/10.3/tools/spatial-statistics-
toolbox/average-nearest-neighbor.htm
[9] http://resources.esri.com/help/9.3/arcgisengine/java/gp_toolref/spatial_stat
istics_tools/how_hot_spot_analysis_colon_getis_ord_gi_star_spatial_statis
tics_works.htm
[10] http://webhelp.esri.com/arcgisdesktop/9.3/index.cfm?TopicName=
Understanding%20density%20analysis
[11] Laporan Sat-Reskrim Kepolisian Resort Kota Salatiga 2016