Perbandingan Metode Geographically Weighted Regression dan Geographically Weighted Random Forest pada Kasus Kriminalitas di Jawa Timur

Abstract

Tindak kriminal merupakan masalah yang serius dan banyak terjadi di Indonesia. Tindak kriminal ini mencangkup berbagai permasalahan dari berbagai segi seperti politik, sosial, psikologi, budaya, sumber daya alam, dan lainnya. Publikasi Statistik Kriminal 2021 oleh Badan Pusat Statistik Indonesia menyebutkan bahwa Provinsi Jawa Timur masuk dalam urutan ketiga tertinggi setelah Provinsi Sumatra Utara dan Provinsi DKI Jakarta. Perbedaan kondisi dan permasalahan di setiap daerah mempengaruhi keragaman jumlah tindak kriminal yang terjadi. Hal ini mengidentifikasikan terjadinya heterogenitas spasial setiap lokasi pengamatan. Analisis yang dapat digunakan untuk mengatasi masalah heterogenitas spasial yaitu metode Geographically Weighted Regression (GWR) dan Geographically Weighted Random Forest (GW-RF). Metode GWR adalah bentuk lokal dari regresi linier dengan estimasi parameternya dilakukan pada setiap lokasi pengamatan. Metode GW-RF adalah variasi dari random forest dengan menggabungkan pembobot spasial. Pemodelan GWR dilakukan dengan menggunakan kernel adaptive gaussian, adaptive bisquare, fixed gaussian, dan fixed bisquare. Pemilihan bandwidth dan kernel optimum ini dilakukan dengan menggunakan nilai Cross Validation (CV) optimum. Berdasarkan percobaan yang sudah dilakukan diperoleh nilai CV optimum sebesar 7098748 dengan menggunakan fungsi kernel fixed gaussian. Pemodelan GW-RF dilakukan dengan menggunakan kernel adaptive karena kernel ini berdasarkan jumlah tetangga terdekat pada setiap lokasi pengamatan. Pemilihan bandwidth optimum dilakukan dengan melihat nilai R-Square model lokal tertinggi yaitu sebesar -0,01812 dengan bandwidth optimumnya adalah 29. Tujuan penelitian ini adalah untuk membandingkan antara metode GWR dan GW-RF dengan melihat nilai RMSE dan MAPE terkecil serta nilai R-Square yang mendekati 1. Hasil analisis model GWR menggunakan kernel fixed gaussian diperoleh nilai RMSE sebesar 356,2379, nilai MAPE sebesar 84,25596%, dan nilai R-Square sebesar 0,305854. Hasil analisis model GW-RF menggunakan kernel adaptive diperoleh nilai RMSE sebesar 80,41592, nilai MAPE sebesar 19,394820%, dan nilai R-Square sebesar 0,964592. Berdasarkan nilai RMSE dan MAPE, model GW-RF mempunyai nilai RMSE dan MAPE lebih kecil dibandingkan dengan model GWR. Berdasarkan nilai R-Square, model GW-RF memiliki nilai R-Square lebih besar dan mendekati 1 dibandingkan model GWR. Dengan demikian model GW-RF lebih baik digunakan dalam menjelaskan kasus kriminalitas di Jawa Timur dibandingkan dengan model GWR.