Analitik Geovisual Pengaruh Pandemi COVID-19  Terhadap Pola Dan Kecenderungan Kriminalitas Di Daerah Istimewa Yogyakarta

Zelin Resiana; Trias Aditya

doi:10.22146/jgise.80670

Analitik Geovisual Pengaruh Pandemi COVID-19 Terhadap Pola Dan Kecenderungan Kriminalitas Di Daerah Istimewa Yogyakarta

https://doi.org/10.22146/jgise.80670

Zelin Resiana^(1*), Trias Aditya⁽²⁾

(1) Gadjah Mada University
(2) Universitas Gadjah Mada
(*) Corresponding Author

Abstract

Angka kriminalitas pada pandemi COVID-19 saat ini terus meningkat. COVID-19 tidak hanya memicu kontraksi terhadap ekonomi tetapi juga peningkatan pengangguran secara besar-besaran hal ini dapat menjadi faktor peningkatan angka kriminalitas. Penelitian ini bertujuan untuk melakukan analisis pola distribusi spasial, tren data temporal dan analisis pengaruh pandemi COVID-19 terhadap kriminalitas. Metode yang digunakan untuk memvisualisasikan distribusi spasial adalah clustering metode kernel density, data spasio temporal divisualisasikan dengan menggunakan visualisasi time series (deret waktu), untuk mengetahui pengaruh variabel lain terhadap angka kriminalitas digunakan analisis statistik regresi dengan metode Geographically Weighted Regression (GWR). Hasil yang diperoleh dari penelitian ini adalah pada tahun 2019 pola distribusi spasial kriminalitas terjadi di Kecamatan Depok, Mlati, Ngaglik berada pada wilayah kriminalitas dengan kerapatan titik yang sangat tinggi, dan tahun 2020 yaitu Kecamatan Depok dan Mlati. Jenis kriminalitas yang banyak terjadi tahun 2019 adalah pencurian dan penganiayaan, sedangkan tahun 2020 jenis kriminalitas penipuan dan penipuan dengan penggelapan. Analisis spasiotemporal tindak kriminalitas paling sering terjadi antara pukul 07.00-13.00 dan 12.01-18.00 yaitu 69,00 % tahun 2019 dan 72,00% tahun 2020. Analisis berdasarkan kebijakan PSBB dan PSBB Transisi terjadi peningkatan rata-rata kriminalitas tiap bulan saat diberlakukannya kebijakan. Berdasarkan nilai predicted hasil analisis GWR wilayah dengan kerawanan tinggi ada pada Kecamatan Depok dengan nilai kerawanan 26,67 tahun 2019 dan 35,54 pada tahun 2020. Model dapat menjelaskan data mengenai kriminalitas di Provinsi DI. Yogyakarta yaitu sebesar 47% untuk tahun 2019 dan 52% tahun 2020. Hasil uji-t, pada data 2019 dan 2020 variabel yang berpengaruh signifikan terhadap kriminalitas adalah sama yaitu jumlah laki-laki, persentase datang dan pindah dan persentase remaja. Namun pada data 2020 variabel yang berpengaruh lainnya adalah variabel COVID-19 juga signifikan terhadap kriminalitas.

Keywords

Kriminalitas, Analitik Geovisual, Kernel Density, Spasiotemporal, Geographically Weighted Regression (GWR)

Full Text:

PDF

References

Ashby, M. P. J. (2020). Initial evidence on the relationship between the coronavirus pandemic and crime in the United States. Crime Science, 9(1), 1–16. https://doi.org/10.1186/s40163-020-00117-6

Campedelli, G. M., Favarin, S., Aziani, A., & Piquero, A. R. (2020). Disentangling community-level changes in crime trends during the COVID-19 pandemic in Chicago. Crime Science, 9(1), 1–18. https://doi.org/10.1186/s40163-020-00131-8

Cios, K. J., Pedrycz, W., & Swiniarski, R. W. (1998). Clustering BT - Data Mining Methods for Knowledge Discovery (K. J. Cios, W. Pedrycz, & R. W. Swiniarski (eds.); pp. 375–429). Springer US. https://doi.org/10.1007/978-1-4615-5589-6_8

Durairaja, S., Ayu Mat Saat, G., & Rahim Kamaluddin, M. (2019). Exploring Demography and Sociological Factors Underlying Decisions to Join Gangs among Indians. 89(April), 33–43.

Entorf, H., & Spengler, H. (1998). Socio-economic and demographic factors of crime in Germany: evidence from panel data of the German states (No. 98–16).

Hanoatubun, S. (2020). Dampak Covid–19 terhadap Prekonomian Indonesia. EduPsyCouns: Journal of Education, Psychology and Counseling, 2(1), 146–153.

Li, Xia, & Kraak, M. J. (2010). A temporal visualization concept: A new theoretical analytical approach for the visualization of multivariable spatio-temporal data. 2010 18th International Conference on Geoinformatics, Geoinformatics 2010. https://doi.org/10.1109/GEOINFORMATICS.2010.5567529

Li, Xingan, & Juhola, M. (2014). Country crime analysis using the self-organizing map, with special regard to demographic factors. AI and Society, 29(1), 53–68. https://doi.org/10.1007/s00146-013-0441-7

Mardiyah¹, R. A., & Nurwati, R. N. (2020). DAMPAK PANDEMI COVID-19 TERHADAP PENINGKATAN ANGKA PENGANGGURAN DI INDONESIA.

Mitchell, A. (2005). Spatial measurements & statistics. ESRI Press.

Nurhuda, I., Nyoman, I. G., & Jaya, M. (2018). PEMODELAN KRIMINAL DI JAWA TIMUR DENGAN METODE GEOGRAPHICALLY WEIGHTED REGRESSION ( GWR ). 4(2), 150–158.

Omotor, D. (2014). Demographic and Socio-Economic Determinants of Crimes in Nigeria ( A Panel Demographic and Socio-Economic Determinants of Crimes in Nigeria ( A Panel Data Analysis ). Journal of Applied Business and Economics, May.

Pradana, K. A. & Santosa, P. B. (2019). Spatial autocorrelation analysis of tuberculosis cases (2016-2018) in Kebumen. KnE Engineering. 4(3), 150–157. https://doi.org/10.18502/keg.v4i3.584

Romlah, S. (2020). COVID-19 Dan Dampaknya Terhadap Buruh di Indonesia. ’ADALAH, 4(1).

Srivastava, S. (2010). Effective crime control using GIS.

Statistik, B. P. (2019). Statistik Kriminal 2019. In Cover statistik kriminal 2019.

Stickle, B., & Felson, M. (2020). Crime Rates in a Pandemic: the Largest Criminological Experiment in History. American Journal of Criminal Justice, 45(4), 525–536. https://doi.org/10.1007/s12103-020-09546-0

Taufiq, Z. F. (2020). Covid 19 Dan Angka Kriminalitas Di Indonesia: Penerapan Teori-Teori Kriminologi. Jurnal Ilmu Sosial Dan Pendidikan, 4(4). http://ejournal.mandalanursa.org/index.php/JISIP/index

Thomas, J. J., & Cook, K. A. (2005). The Ilumninating the Path: the Research amd Development Agenda for Visual Analytics. In IEE Computer Society Press.

DOI: https://doi.org/10.22146/jgise.80670