MODEL DATA PENGAMBILAN KEPUTUSAN UNTUK ANALISIS DATA TINDAK KRIMINAL

Seminar Nasional Informatika 2015 (semnasIF 2015) UPN ”Veteran” Yogyakarta, 14 November 2015

ISSN: 1979-2328

MODEL DATA PENGAMBILAN KEPUTUSAN UNTUK ANALISIS DATA TINDAK KRIMINAL Dedi Trisnawarman Program Studi Sistem Informasi Fakultas Teknologi Informasi Universitas Tarumanagara e-mail : [email protected] Abstrak Penelitian ini menghasilkan model arsitektur dan model data yang dapat mendukung aplikasi cerdas pengambilan keputusan yang berkaitan dengan analisis data kriminal. Aplikasi cerdas yang dimaksud adalah suatu aplikasi yang mampu melakukan analisis prediktif terhadap pola kriminal (crime pattern) dengan algoritma-algoritma data mining, tampilan multidimensional analisis dengan Online Analytical Analysis (OLAP), visualisasi dashboard yang mengacu pada Key Performance Indicator (KPI). Model arsitektur yang dihasilkan adalah model arsitektur yang mengintegrasikan banyak sumber data untuk analisis dan model data adalah hasil ekstraksi entitas dan atribut yang relevan dengan analisis yang yang dibutuhkan. Rancangan Data warehouse model yang dihasilkan menggunakan metode bottom-up Kimball. Metode pengumpulan data dengan cara survey ke lapangan yaitu ke pusat data kriminal dari instansi pemerintah dan pihak yang terkait (data sekunder), dan melalui interview terhadap pihak yang terkait (data primer). Pemodelan data menghasilkan star schema dengan tiga table fakta dan 13 tabel dimensi. Tabel fakta (fact table )yang dihasilkan yaitu: fact table case_analysis, fact table arrest_analysis dan fact table summon_analysis, sedangkan table dimensi yang dihasilkan terdiri dari: dim case, dim crime_scene, dim time, dim position, dim modus, dim DPO, dim visum, dim witness, dim police_officer, dim crime, dim convey, dim suspect, dim physical, dim iklim, dim demografi. Model schema yang dihasilkan digunakan untuk mendukung aplikasi cerdas dalam hal optimasi query untuk data yang besar dan tampilan multidimensional analisis. Kata Kunci: Aplikasi Cerdas, Data Warehouse, Model Data, Kriminal 1. PENDAHULUAN Lembaga penegak hukum seperti polisi saat ini dihadapkan dengan volume besar data yang harus diproses dan diubah menjadi informasi yang berguna. Mengidentifikasi karakteristik kriminal adalah langkah pertama untuk mengembangkan analisis lebih lanjut. Menurut Nath (2007), memecahkan kasus kriminal adalah tugas kompleks yang membutuhkan kecerdasan manusia dan pengalaman dan data mining adalah teknik yang dapat membantu mereka dengan masalah pendeteksian kriminal. Sebuah alat analisis kriminal yang ideal harus mampu mengidentifikasi pola-pola kriminal dengan cepat dan dengan cara yang efisien untuk pola kriminal deteksi dan tindakan di masa depan. Namun, dalam skenario ini, terdapat tantangan utama seperti yang ditemukan oleh (Malathi dan Baboo, 2011), • Volume informasi Kriminal telah meningkat. • Masalah teknik identifikasi yang akurat dan efisien dapat menganalisis ini tumbuh volume data kriminal • Metode yang berbeda dan struktur yang digunakan untuk merekam data kriminal. • Data yang tersedia tidak konsisten dan tidak lengkap sehingga membuat tugas analisis formal jauh lebih sulit. • Investigasi kriminal mengambil durasi yang lebih lama karena kompleksitas masalah Meningkatnya jumlah penduduk dan kompleksitas kehidupan juga meningkatkan kejadian kriminal. Menurut Rastika (2012), di Indonesia terjadi satu tindak kriminal setiap 91 detik. Dengan interval kejadian yang singkat dan terjadi dibanyak tempat maka dibutuhkan tindakan cepat dan tepat dalam pengambilan keputusan untuk mencegah dan memprediksi kejadian kriminal. Dibutuhkan suatu aplikasi berbasis komputer yang mampu memberikan dukungan analisis dan dukungan pengambilan keputusan. Model database operasional organisasi yang telah banyak dijalankan (online transaction processing /OLTP) sebelumnya ditujukan untuk merekam dan memberikan laporan data operasional harian dengan banyak keterbatasan. OLTP organisasi, khususnya organisasi pemerintah seperti

86


ISSN: 1979-2328

departemen kepolisian tiiidak mendukung sumber data yang berbeda-beda, volume data yang besar, optimasi query untuk data yang besar, tampilan analisis yang dikaitkan dengan waktu kejadian, dan tidak disiapkan untuk penerapan algoritma cerdas data mining untuk dukungan pengambilan keputusan. Sehingga data kriminal yang sudah direkam bertahun-tahun dan data pendukung lainnya seolah-olah menjadi tidak berguna, padahal data tersebut merupakan sumber informasi yang sangat berharga untuk analisis pencegahan dan prediksi dalam masalah kriminal. Dari uraian tersebut di atas maka dibutuhkan suatu model data dan model arsitektur yang dapat mendukung rancangan aplikasi cerdas pengambilan keputusan dalam masalah analisis data kriminal. Model data dan model arsitektur tersebut mampu: 1. mengintegrasi data dari berbagai sumber data 2. mendukung optimasi query untuk data yang besar (big data) 3. mendukung tampilan multidimensional analisis 4. mendukung penerapan algoritma cerdas data mining untuk pengambilan keputusan.

2.

TINJAUAN PUSTAKA

Beberapa penelitian tentang pemodelan data untuk analisis pendukung pengambilan keputusan sudah banyak dilakukan. Khusus untuk data yang besar (big data) maka pemodelan data yang dimaksud adalah pemodelan data warehouse. Shaker (2011), mengusulkan sebuah model konseptual baru diagram pemetaan entitas /entity mapping diagram (EMD). EMD sebagai model yang disederhanakan untuk mewakili prosesExtract Tranform Loading (ETL) dalam data warehouse.. Golfarelli et al. (1998), memformalkan model konseptual grafis untuk data warehouse, yang disebut model fakta dimensi, dan mengusulkan metodologi semi-otomatis untuk membangun konseptual skema yang terdiri dari facts, measures, atribut, dimensi dan hirarki. Skema Fakta harus diintegrasikan dengan informasi dari beban kerja, untuk digunakan sebagai masukan dari fase desain logis dan fisik. Tsois, et al. (2001), mengusulkan Multidimensional Aggregation Cube (MAC). MAC adalah model data konseptual user-centric yang mencoba untuk memenuhi kebutuhan. MAC Model menggunakan konsep yang dekat dengan cara pengguna Online Analytical Processing (OLAP) melihat informasi tersebut. Model MAC menggambarkan data sebagai dimension levels, drilling relationships, dimension paths, dimensions, cubes dan attributes. Golfarelli (2009), membuat model berdasarkan analisis kebutuhan pengguna (User Requirements). Adap tiga prinsip desain persyaratan fungsional yang diidentifikasi dalam model tersebut yaitu: supply driven, goaldriven dan user-driven. Peneliti yang lain seperti Moody (2000), membangun model berdasarkan pengalaman praktisi. Model yang diusulkan memiliki langkah-langkah sebagai berikut: mengembangkan enterprise data model, mendesain data warehouse terpusat, mengklasifikasi entities, identifikasi hierarky, desain data marts. Kin-Chan Pau et al. ( 2007) membangun model logis dan fisik berdasarkan data jejak audit alur kerja yang relevan dengan evaluasi kinerja proses bisnis untuk mengoptimalkan kinerja query seluruh data yang bervolume besar. Umashanker et al. (2010) membandingkan berbagai model multi-dimensi sesuai dengan ruang multi-dimensi, aspek bahasa dan representasi fisik. Golfarelli et al., (1998), mengajukan gagasan tentang Dimensional Fact Model dengan skema dimensi yang terdiri dari satu set skema fakta. Komponen skema fakta adalah fakta, langkah-langkah, dimensi dan hirarky. Chan (2004), mengusulkan kerangka kerja pemodelan perusahaan untuk penyebaran data warehouse. Kerangka kerja ini menyediakan peta jalan informasi yang mengkoordinasi sumber data dan data warehouse yang berbeda di seluruh perusahaan bisnis. Penelitian dan publikasi tentang aplikasi cerdas pengambilan keputusan dalam masalah kriminal telah banyak dilakukan. Semua aplikasi yang dimaksud berkaitan dengan database besar dan algoritma cerdas data mining. Malathi (2001) menggunakan algoritma K-means dan DBScan untuk mengidentifikasi perubahan pola kriminalitas, Huymans (2006) menggunakan SOM dan SVM untuk analisis masalah korupsi, Yanchang (2010), Thangavelu (2012), Lin (2003), menggunakan metode association rules. Teknik decision tree juga banyak digunakan dalam aplikasi cerdas bidang kriminal seperti yang dilakukan oleh Charles (2010), Kastellec (2010), Hsien Yu (2011), Oatley (2006), dan algoritma Bayesian belief network di gunakan oleh Riesen (2009), Blattenberger (2010), Baumgartner (2008), dan teknik neural network digunakan oleh Dahbur (2003), Adderley (2008).

87


3.

ISSN: 1979-2328

METODE PENELITIAN

Penelitian yang ini terdiri dari dua bagian. Bagian pertama akan menghasilkan arsitektur model dan schema model, sedangkan bagian berikutnya adalah membangun prototype model, tulisan ini menjelaskan bagian pertama dari dua bagian penelitian tersebut. Penelitian ini mengambil studi kasus tentang program pemerintah yang berkaitan dengan masyarakat yaitu tentang program keamanan masyarakat khususnya yang berkaitan dengan analisis tindak kriminal. Beberapa daerah di Indonesia yang terkait dengan sumber data OLTP dan data eksternal akan dijadikan obyek penelitian, 3.1.Data Penelitian Data penelitian terdiri dari data primer dan data sekunder. Data primer didapatkan langsung melalui survey dilapangan dengan metode wawancara dan kuisioner. data primer lebih ditujukan untuk user requirement dan validasi model dalam aplikasi model yang akan dibangun pada tahap berikutnya. Data sekunder adalah data yang didapatkan dari pihak lain dalam bentuk database (OLTP), file teks, file spreadsheet, dan dalam bentuk format lainnya. Sumber data sekunder merupakan data utama yang akan menjadi data model. 3.2. Prosedur Penelitian Penelitian diawali dengan studi literatur tentang pemodelan data, data warehouse, aplikasi pengambilan keputusan dalam analisis tindak kriminal. Selanjutnya dilakukan pengumpulan data untuk mendukung investigasi sumber data yang akan menghasilkan arsitektur model. Langkah selanjutnya adalah identifikasi entitas dan atribut dari sumber data yang sudah diseleksi dalam arsitektur model. Berdasarkan entitas dan atribut yang terpilih maka langkah selanjutnya adalah membangun model data warehouse menggunakan pendekatan Kimball (2010), meliputi sembilan tahap atau yang disebut dengan nine step methodology. Sembilan tahap tersebut adalah : 1. 2. 3. 4. 5. 6. 7. 8. 9.

Choose the process. Choose the grain. Identify and conform the dimensions. Choose the facts. Store precalculation in the fact table. Round out the dimension table. Choose the duration of the database. Tracking slowly changing dimensions. Decide the physical design.

Hasil dari desain model berupa schema model. Pada tahap berikutnya untuk membangun prototype model maka dibutuhkan validasi model dengan menggunakan model acceptance test yang dikaitkan dengan user requirement. Berikut gambaran tentang prosedur penelitian Gambar 1.:

88


ISSN: 1979-2328

mulai

Studi literatur

Pengumpulan data

Investigasi sumber data

Arsitektur model

Indetifikasi entitas dan atribut

Desain model data

Schema model

Validasi model

Y

Aplikasi Model

Prototype model

selesai

Penelitian tahap berikutnya

Gambar 1. Prosedur penelitian

4. HASIL DAN PEMBAHASAN Data yang digunakan dalam penelitian ini dibagi menjadi dua bagian yaitu data utama dan data pendukung. Data utama adalah data online transaction processing (OLTP) dari pihak berwajib, sedangkan data pendukung adalah data eksternal yang akan menjadi pendukung analisis pengambilan keputusan yaitu berupa data dari luar yang berkaitan dengan masalah kriminal. DATA UTAMA OLTP CRIME

ETL

DATA EKSTERNAL/ PENDUKUNG

DATA BPS

DATA BMKG

DATA DEMOGRAFI

DATA PERSONAL/ OPINI

SOSIAL MEDIA

SURVEY/ KUISIONER

Gambar 2. Arsitektur Data

89

DW CRIME


ISSN: 1979-2328

Data utama adalah data online transaction processing (OLTP) yang diperoleh dari Pusat Sistem Informasi Kepolisian Nasional (PUSIKNAS). File basisdata kriminal yang diperoleh berupa file basisdata Oracle 10g sebesar 1.366.598 KB dengan 204 tabel. Contoh data OLTP ditunjukan pada Tabel 1., Tabel 2. di bawah ini: Tabel 1. Tb_Bus_Criminal Name Case_id Person_id Note Txn_no Status Modiby Modidate

Type Char Char Varchar Varchar Char Varchar Date

Length 8 8 500 20 1 64

Tabel 2. Tb_Bus_Person Name Person_Id Alias_Name Nick_Name Adress Post_Code Region_Id Phone Birth_place Birth_Date Birth_Year Gender Occupation Religion_Id Nation_Id Educaation_Id Photo_Files Note TXN_NO Status Modiby Modidate

Type Char Varchar Varchar Varchar Varchar Char Varchar Varchar Date Number Varchar Varchar Char Char Char Varchar Varchar Varchar Char Varchar Date

Length 8 500 50 500 10 8 20 50

10 10 8 8 8 50 500 20 1 64

Selain itu juga digunakandata eksternal yang diperoleh melalui website, seperti website pemerintah dan social media. Website pemerintah seperti dari website BPS untuk mendapatkan data statistik, data cuaca dari website BMKG. Pendekatan data dalam mendesain data warehouse, mencakup membangun dimensional modeling, physical design dan ETL Design&Development dalam data warehouse. Beberapa contoh tahapan pemodelan datadengan menggunakan metode nine step Kimball yaitu : 1. Pemilihan Proses (Choosing the Process) Di sini akan dipilih proses-proses yang akan digunakan dalam membangun data warehouse pada data kriminal: Proses kasus yang terdapat pada data kriminal Indonesia meliputi proses terjadinya tindak kriminal yang dilakukan oleh pelaku. Proses atau tabel yang digunakan adalah tabel kasus dengan data-data pelaku, ciriciri pelaku, wilayah, modus, tempat kejadian perkara (tkp), petugas yang menangani kasus, wilayah operasional, dan waktu sebagai dimensinya.

90


ISSN: 1979-2328

2.Memilih Grain (Choosing the Grain) Memilih grain merupakan tahap menentukan data seperti apa yang ingin ditampilkan oleh record dari tabel fakta tersebut. 1. Fact case_analysis (Gambar 3.)meliputi :          

Berapa besar jumlah kerugian yang diakibatkan dalam kasus tersebut Berapa jumlah korban yang meninggal dalam kasus tersebut Berapa jumlah korban yang terluka dalam kasus tersebut Kapan waktu terjadinya kasus tersebut Dimana wilayah terjadinya tindak criminal tersebut Diwilayah hukum kepolisian dimana terjadinya kasus tersebut dan jenis tempat kejadian perkara Siapa petugas yang menangani kasus tersebut Apa modus dari kasus tersebut Siapa tersangka dalam kasus tersebut Siapa saksi yang terlibat dalam kasus tersebut

2. Fact Arrest Analysis(Gambar 4.) yang meliputi:  Pemanggilan melibatkan kasus apa  Apa jenis tindakan criminal dalam pemanggilan tersebut  Berapa besar jumlah pemanggilan dalam kasus tersebut  Kapan waktu terjadinya pemanggilan tersebut  Diwilayah hukum kepolisian dimana terjadinya kasus tersebut dan jenis tempat kejadian perkara  Siapa petugas yang menangani kasus tersebut  Siapa yang dipanggil dalam kasus tersebut bagaimana ciri-ciri fisik yang dipanggil  Siapa yang menyampaikan pemanggilan tersebut 3. Fact Summon Analysis (Gambar 5.) yang meliputi:  Penahanan melibatkan kasus apa  Apa jenis tindakan criminal dalam penahanan tersebut  Berapa besar jumlah penahanan dalam kasus tersebut  Kapan waktu terjadinya penahanan tersebut  Diwilayah hukum kepolisian dimana terjadinya kasus tersebut dan jenis tempat kejadian perkara  Siapa petugas yang menangani kasus tersebut  Siapa yang ditahan dan bagaimana ciri-ciri fisik yang dipanggil  Siapa yang menyampaikan pemanggilan tersebut Analisis tersebut dapat dilihat per hari, per bulan, per kuartal, dan per tahun

91


ISSN: 1979-2328

Gambar 3. Star Schema: Fact Case Analysis

92


ISSN: 1979-2328

Gambar 4. Star Schema: Fact Arrest Analysis

93


ISSN: 1979-2328

Gambar 5. Star Schema: Fact Summon Analysis Langkah terakhir dalam tahapan pemodelan data adalah Physical Designberupa rancangan tabel Metadata, contoh dalam hal ini seperti yang ditunjukan dalam Tabel 3, Tabel 4. dan Tabel 5.. Tabel 3.Metadatafact case_analysis Nama Field

Tipe

Panjang

Deskripsi

Field

Sumber Data Nama

Proses

Tipe

Panjang

Table

Field Case_code

Char

8

surrogate

Case_code

Char

8

-

Create

Time_id

Char

8

-

Time_id

Char

8

-

Copy

Crime_id

Char

8

-

Crime_id

Char

8

-

Copy

Position_id

Char

8

-

Position_id

Char

8

-

Copy

94


ISSN: 1979-2328

Modus_id

Char

8

-

Modus_id

Char

8

-

Copy

Suspect_id

Char

8

-

Suspect_id

Char

8

-

Copy

DPO_id

Char

8

-

DPO_id

Char

8

-

Copy

NRP

Char

8

-

NRP

Char

8

-

Copy

Convey_id

Char

8

-

Convey_id

Char

8

-

Copy

Witness_id

Char

8

-

Witness_id

Char

8

-

Copy

Visum_id

Char

8

-

Visum_id

Char

8

-

Copy

The

integer

-

-

The

integer

-

-

Create

integer

-

-

Create

integer

-

-

Create

number

of dead The

number

of dead integer

-

-

of injures The

amount

number

The

number

of injures integer

-

-

of the lost

The

amount

of the lost

Tabel 4. Metadatafact summon_analysis Nama Field

Tipe

Panjang

Deskripsi

Field

Sumber Data Nama

Proses

Tipe

Panjang

Table

Field summon_code

Char

8

surrogate

summon_code

Char

8

-

Create

person_id

Char

8

-

person_id

Char

8

-

Copy

time_id

Char

8

-

time_id

Char

8

-

Copy

case_id

Char

8

-

case_id

Char

8

-

Copy

position_id

Char

8

-

position_id

Char

8

-

Copy

NRP

Char

8

-

NRP

Char

8

-

Copy

Convey_id

Char

8

-

Convey_id

Char

8

-

Copy

The amount of summon

Integer

-

-

The amount of summon

Integer

-

-

Copy

95


ISSN: 1979-2328

Tabel 5. Metadatafact arrest_analysis Nama Field

Tipe

Panjang Field

Deskripsi

Sumber Data

Proses

arrest_code

Char

8

surrogate

Nama Field arrest_code

Tipe

Panjang

Table

Char

8

-

Create

person_id

Char

8

-

person_id

Char

8

-

Copy

time_id

Char

8

-

time_id

Char

8

-

Copy

case_id

Char

8

-

case_id

Char

8

-

Copy

position_id

Char

8

-

position_id

Char

8

-

Copy

NRP

Char

8

-

NRP

Char

8

-

Copy

Convey_id

Char

8

-

Convey_id

Char

8

-

Copy

The amount of arrest

Integer

-

-

The amount of arrest

Integer

-

-

Copy

5. KESIMPULAN Pemodelan data dalam penelitian ini dengan menggunakan metode Kymball menghasilkan star schema dengan tiga table fakta dan enam belas tabel dimensi. Analisis Data yang dapat dilakukan berdasarkan table fakta yang dibangun adalah sebagai berikut: a.

b.

c.

Analisis dalam Table fakta case_analysis adalah analisis jumlah kerugian, analisis jumlah korban yang meninggal dan analisis jumlah korban yang terluka. Analisis jumlah tersebut dihubungkan dengan: waktu kejadian, tempat kejadian, wilayah operasional, pelaku yang sedang dicari, saksi, petugas yang menangani, visum, modus, tersangka dan data eksternal yaitu data demografi dan iklim. Analisis dalam Table fakta summon adalah analisis jumlah pemanggilan yang dihubungkan dengan: waktu kejadian, kasus, wilayah operasional, jenis tindakan criminal, petugas yang menangani, petugas yang menyampaikan, dan ciri-ciri fisik dari yang orang dipanggil. Analisis dalam Table fakta arrest_analysis adalah analisis jumlah penahanan yang dihubungkan dengan: waktu kejadian, kasus, wilayah operasional, jenis tindakan kriminal, petugas yang menangani, petugas yang menyampaikan, dan ciri-ciri fisik dari yang orang ditahan. DAFTAR PUSTAKA

Adderley R, Bond J., 2008. Predicting crime scene attendance. Policing: An International Journal of Police Strategies & Management Vol. 31 No. 2, pp. 292-305 Baumgartner K., Ferrari S., Palermo G., 2008. Constructing Bayesian networks for kriminal profiling from limited data. Knowledge-Based Systems. journal homepage: www.elsevier.com/locate/knosy Blattenberger G., Fowlesy R., Krantzz J., 2010. Bayesian Models to Predict the Return to Prison. Section on Bayesian Statistical Science – JSM Bruckner R.M, List B, Josef S., 2001. Developing Requirements for Data Warehouse Systems with Use Cases. Seventh Americas Conference on Information Systems Chan P. K., Whar S. Y, Marlon D., 2007. Data Warehouse Model for Audit Trail Analysis in Workflows. IEEE International Conference on e-Business Engineering (ICEBE 2007)

96


ISSN: 1979-2328

Chan J. O., 2004. Building Data Warehouses Using The Enterprise Modeling Framework. Journal of International technology and Information Management Volume 13, Number 2 Connoly T., Begg C., 2010. Database Systems: A Practical Approach to Design, Implementation, and Management. (Fifth Edition). USA. Addison-Wesley, Longman Inc. Dahbur K., Muscarello T. 2003. Classification system for serial kriminal patterns. Artificial Intelligence and Law 11: 251–269 Daniel L., Moody., 2000. From Enterprise Models to Dimensional Models: A Methodology for Data Warehouse and Data Mart Design. Proceedings of the International Workshop on Design and Management of Data Warehouses (DMDW) Stockholm, Sweden, June 5-6 Giorgini, P., Rizzi. S., & Garzetti, M., 2007. GRAnD: A goal-oriented approach to requirement analysis in data warehouses. Decision Support System, vol. 45(1), 4-21. Golfarelli M, Maio D and Deis S.R., 1998. The Dimensional Fact Model: A Conceptual Model For Data Warehouses. IJCIS, Volume 7 Golfarelli M., 2009. User Requirements to Conceptual Design in Data Warehouse Design – a Survey Hsien Yu. C, Ward M.W, Morabito M, and Ding W., 2011. Crime Forecasting Using Data Mining Techniques CrimeForecasting-IEEE 11th International Conference on Data Mining Workshops Huysmans J., Martens1 D,, Baesens B., Vanthienen J., and Van Gestel T. 2006. Country Corruption Analysis with Self Organizing Maps and Support Vector Machines, WISI, LNCS 3917, pp. 103–114 Kimball R., Margy R., 2010. The Kimball Group Reader: Relentlessly Practical Tools for Data Warehousing and Business Intelligence. Indianapolis. Wiley Publishing, Inc. Malathi and Baboo S., 2011. Enhanced Algorithms to Identify Change in Crime Patterns. IJCOPI Vol. 2, No.3, Sep-Dec, pp. 32-38. Nath, S. 2007. Crime data mining, Advances and innovations in systems, K. Elleithy (ed.). Computing Sciences and Software Engineering, 405-409 Oatley G., Ewart B., Zeleznikow J., 2006. Decision support systems for police: Lessons from the application of data mining techniques to ‘‘soft’’ forensic evidence Artificial Intelligence and Law 14: 35–100 Rastika I., 2012. Setiap 91 Detik, Terjadi Satu Kejahatan Indonesiahttp://nasional.kompas.com/read/2012/12/26/15260465/Setiap.91.Detik, diakses Desember 2014

di 20

Riesen M. and Serpen G., 2009. A Bayesian Belief Network Classifier for Predicting Victimization in National Crime Victimization Survey. ICAI Shaker H. A, Abdeltawab M. A., Ali H. E., 2011. A proposed model for data warehouse ETL processes. Journal of King Saud University Computer and Information Sciences Thangavelu A, Sathyaraj S.R, Sridhar R. and Balasubramanian S., 2012. Association Rule - Spatial Data Mining Approach for Geo-Referenced in Crime to Crime Analysis, CIIT International Journal of Data Mining and Knowledge Engineering, Vol 4, No 1, January Tsois, A., Karayannidis, N., & Sellis, T., 2001. MAC: Conceptual data modeling for OLAP. Proceedings International Workshop on Design and Management of Data Warehouses. Interlaken, Switzerland

97

MODEL DATA PENGAMBILAN KEPUTUSAN UNTUK ANALISIS DATA TINDAK KRIMINAL

Recommend Documents