MODEL SPASIAL PREDIKTIF BAHAYA BULLYING DI KOTA DEPOK

04 Desember 2024

By: Azhari Al Kautsar,S.Geo

Open Project

Lokasi Penelitian

Open Project

Generalize Boost Bullying Depok

Open Project

INLA Bullying Predicted Depok COPY

Masih dalam pengembangan

PENDAHULUAN

Salah satu dari penelitian model spasial prediktif dari Battista et al. (2023) adalah hubungan kesehatan jiwa usia pelajar dengan pemodelan decision tree. Hasil dari model decision tree menunjukkan tingkat risiko kesehatan jiwa pada usia sekolah. Maka dari itu, kerentanan perundungan (bullying) dapat dilihat dari tingkat risiko kesehatan jiwa pada individu anak maupun remaja. Kejahatan bullying dipaparkan dari Useche et al. (2023) sebagai ketimpangan gender atas relasi kekuasaan yang disebabkan oleh faktor intimidasi antar individu maupun individu dengan kelompok. Faktor ini sering kali terjadi pada usia remaja.

Kejadian prediksi bahaya bullying bisa melalui kejahatan berbasis siber. Eboy et al. (2024) merancang spatial modelling predictive menggunakan beberapa parameter seperti integrasi survei lapangan, statistik, dan SIG. Ketiga parameter itu menghasilkan tingkat risiko bullying seperti risiko koneten, risiko pengaturan, dan risiko persetujuan yang bersangkutan. Risiko bullying juga dipaparkan oleh Tramontano et al. (2020) yang menunjukkan adanya gradien tingkat bahaya perundungan di lingkungan sekolah sehingga perlu menginvestigasi agar menciptakan lingkungan belajar dan mengajar yang lebih humanis.

Perilaku bullying juga merambah pada skala media sosial. Menurut Al-Garadi et al. (2019) perundungan sering terjadi berbagai macam aplikasi media sosial. Untuk mengetahui tingkat bahaya bullying melalui model big data yang bisa menggali informasi perilaku perundung secara keruangan. Pemanfaatan model spasial prediktif bisa mengidentifikasi cara-cara usia pelajar melakukan kekerasan berbasis daring berbasis machine learning. Pengembangan machine learning dilanjutkan oleh Song & Song (2021)menggunakan pohon Keputusan (decision tree). Dari penggunaan decision tree menunjukkan adanya kesenjangan jumlah korban dengan pelaku perundungan di lingkungan sekolah melalui penggunaan media sosial.

Tujuan dari penelitian ini adalah untuk memprediksi spasial tingkat bahaya bullying di Kota Depok. Kemudian tujuan lainnya adalah seberapa penggunaan data lokasi pendidikan terhadap potensi prediksi kekerasan bullying pada usia remaja di Kota Depok.

METODE PENELITIAN

Lokasi Penelitian

Lokasi penelitian ini berada di seluruh Kecamatan di Kota Depok dengan Koordinat….. . Kota Depok mempunyai sepuluh kecamatan, yaitu Beji, Bojongsari, Cilodong, Cimanggis, Cinere, Cipayung, Limo, Pancoran Mas, Sawangan, dan Tapos. Kota Depok berbatasan dengan Provinsi DKI Jakarta di sebelah utara, Kota Bekasi di sebelah timur, Kabupaten Bogor di sebelah selatan, dan Kota Tangerang Selatan di sebelah barat.

Gambar 1

Bahan Penelitian

Bahan pada penelitian merupakan berasal dari sumber data sekunder. Data tersebut akan di jelaskan pada tabel 1.

Tabel 1

Analisis Data

1. Kriging

Analisis spasial seperti kriging sangat penting dalam penelitian ini untuk memprediksi kejadian bullying di Kota Depok. Metode analisis kriging memainkan peran menjumlahkan atau memperluas objek agar dapat mampu mengvisualkan spasial. Dengan begitu, data kriging bersifat acak dan menyuluruh agar memperkuat koefisien dari prediksi pemodelan spasial. Konsep formulasi kriging dikemukakan oleh Hardiyanthy & Susanti (2019) adalah sebagai berikut :

Rumus 1

2. Analisis Multi-Kriteria

Pada metode analisis multi-kriteria bertujuan untuk mengkalkulasi skor dari terendah ke tertinggi pada parameter tertentu. Parameter untuk analisis multi-kriteria pada model spasial prediktif bahaya bullying adalah menggunakan data pendidikan, pemerintah, tempat ibadah, dan fasilitas kesehatan. Penulis akan merujuk dari Nur et al. (2024) dengan pengubahan nilai bobot agar bisa memudahkan dalam proses perhitungan. Berikut tabel 2 akan membahas skor bobot pada pemodelan spasial prediktif bahaya bullying.

Tabel 2

3. Analisis Regresi

Pada metode analisis penelitian ini menggunakan jenis pemodelan spasial regresi tertentu. Parameter pada analisis regresi ini adalah REML, LMS, OLS, PLS, dan Generilzed Boost.

HASIL PENELITIAN

Kriging

Kriging

Regression Linear Model (RELM)

RELM

RELMB Depok

Data Publikasi

Final Project : Analisis Kerawanan Bencana Erupsi Gunung Merapi Lokasi Wisata di Kabupaten Sleman

Iklim dan Bencana

15 Jun 2025

Anggara Yudha

Final Project : Analisis Kerawanan Bencana Erupsi Gunung Merapi Lokasi Wisata di Kabupaten Sleman

Analisis Kerawanan

5 menit baca

127 dilihat

Analisis Kesesuaian Lahan Untuk Mendukung Program Reaktivasi Jalur Kereta Api Antarkota Kalisat - Panarukan di Kabupaten Bondowoso

Transportasi

11 Jun 2025

Safira Ramadhani

Analisis Kesesuaian Lahan Untuk Mendukung Program Reaktivasi Jalur Kereta Api Antarkota Kalisat - Panarukan di Kabupaten Bondowoso

Pemerintah Indonesia mendorong program reaktivasi jalur kereta api nonaktif sebagai bagian dari revitalisasi infrastruktur dan pengembangan wilayah. Salah satu yang direncanakan adalah jalur kereta api antarkota Kalisat – Panarukan yang melintasi Kabupaten Bondowoso. Kajian kesesuaian lahan dibutuhkan untuk meminimalkan dampak lingkungan pada lahan yang akan difungsikan kembali pada program reaktivasi. Dengan memanfaatkan Sistem Informasi Geografis (SIG), kajian ini ditujukan untuk mengetahui tingkat kesesuaian lahan yang ada.

25 menit baca

341 dilihat

7 Data

Analisis Kasus Stunting Menggunakan Metode Geographically Weighted Regression (GWR) di Provinsi Jawa Barat

Kesehatan

05 Jun 2025

HIMA SAIG UPI

Analisis Kasus Stunting Menggunakan Metode Geographically Weighted Regression (GWR) di Provinsi Jawa Barat

Penelitian ini membahas analisis spasial kasus stunting di Provinsi Jawa Barat, khususnya di Kota Bandung, dengan menggunakan metode Geographically Weighted Regression (GWR). Studi ini bertujuan untuk memahami pengaruh variabel sosial-ekonomi dan lingkungan—seperti kemiskinan, akses air bersih dan sanitasi, pendidikan ibu, serta cakupan posyandu—terhadap prevalensi stunting di tingkat lokal. Hasil penelitian menunjukkan adanya variasi spasial yang signifikan: beberapa kecamatan seperti Gedebage, Rancasari, dan Buahbatu memiliki kecocokan model yang sangat tinggi namun jumlah kasus stunting yang rendah, sedangkan Bandung Kulon dan Babakan Ciparay menunjukkan jumlah kasus tinggi dengan kecocokan model yang lebih rendah. Model GWR secara keseluruhan memiliki kemampuan prediktif yang sangat baik (R² global 0,9822), menandakan efektivitas pendekatan spasial dalam mendukung perumusan kebijakan intervensi stunting yang lebih terarah dan sesuai karakteristik wilayah.

9 menit baca

218 dilihat

2 Data

1 Proyek

Analisis Spasial Keterjangkauan Fasilitas Kesehatan Rumah Sakit dan Puskesmas di Kota Bukittinggi

Kesehatan

11 Jun 2025

Muhammad Reza Zulkarnain

Analisis Spasial Keterjangkauan Fasilitas Kesehatan Rumah Sakit dan Puskesmas di Kota Bukittinggi

Publikasi ini menyajikan analisis spasial keterjangkauan fasilitas kesehatan berupa Puskesmas dan Rumah Sakit di Kota Bukittinggi menggunakan platform Geo Mapid. Dengan pendekatan buffer dan isochrone, kajian ini mengidentifikasi wilayah-wilayah yang belum terlayani secara optimal dan memberikan rekomendasi berbasis data untuk pemerataan layanan kesehatan.

18 menit baca

170 dilihat

1 Data

1 Proyek

Syarat dan Ketentuan
Pendahuluan
  • MAPID adalah platform yang menyediakan layanan Sistem Informasi Geografis (GIS) untuk pengelolaan, visualisasi, dan analisis data geospasial.
  • Platform ini dimiliki dan dioperasikan oleh PT Multi Areal Planing Indonesia, beralamat
  • mapid-ai-maskot