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

2

3

4

1

2

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) 682013016@student.uksw.edu1),

Samuel.papilaya@staff.uksw.edu2)

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