1 Business Case

Kejahatan adalah suatu tindak kekerasan yang dilakukan oleh pelaku pelanggaran aturan hukum yang mengakibatkan seseorang dapat dijerat hukuman, pada kasus kali ini saya akan mencoba melakukan forecasting data kriminal berupa kasus pencurian yang saya dapatkan dari chicago dataset dari tahun 2017-2021. Untuk membantu meminimalisir kejahatan mari kita terapkan dengan melakukan forecasting mengenai jumlah kejahatan berdasarkan data historis.

2 Library

library(dplyr) # data wrangling
## 
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
## 
##     filter, lag
## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union
library(lubridate) # date manipulation
## 
## Attaching package: 'lubridate'
## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union
library(forecast) # time series library
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
library(TTR) # for Simple moving average function
library(MLmetrics) # calculate error
## 
## Attaching package: 'MLmetrics'
## The following object is masked from 'package:base':
## 
##     Recall
library(tseries) # adf.test
library(fpp) # usconsumtion
## Loading required package: fma
## Loading required package: expsmooth
## Loading required package: lmtest
## Loading required package: zoo
## 
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric
library(TSstudio) # mempercantik visualisasi timeseries
library(ggplot2)
library(tidyr)
library(padr)
library(zoo)
library(anytime)

3 Read Data

Data ini saya dapatkan dari web ini https://data.cityofchicago.org/Public-Safety/Crimes-2001-to-Present/ijzp-q8t2 dimana data tersebut merupakan data yang mencerminkan insiden kejahatan yang telah dilaporkan di Kota Chicago dari tahun 2001 hingga saat ini

robbery <- read.csv("data_input/Crimes_-_2001_to_Present.csv")
head(robbery, 5)

Mari kita cek datanya terlebih dahulu

glimpse(robbery)
## Rows: 45,297
## Columns: 22
## $ ID                   <int> 11228964, 12012728, 11244829, 11859873, 11859118,…
## $ Case.Number          <chr> "JB149656", "JD189837", "JB170752", "JC471610", "…
## $ Date                 <chr> "12/24/2017 02:00:00 AM", "03/18/2020 06:00:00 PM…
## $ Block                <chr> "005XX S STATE ST", "015XX S ST LOUIS AVE", "016X…
## $ IUCR                 <chr> "0330", "031A", "0320", "031A", "031A", "031A", "…
## $ Primary.Type         <chr> "ROBBERY", "ROBBERY", "ROBBERY", "ROBBERY", "ROBB…
## $ Description          <chr> "AGGRAVATED", "ARMED - HANDGUN", "STRONGARM - NO …
## $ Location.Description <chr> "CONVENIENCE STORE", "STREET", "STREET", "STREET"…
## $ Arrest               <chr> "false", "false", "false", "false", "false", "fal…
## $ Domestic             <chr> "false", "false", "false", "false", "false", "fal…
## $ Beat                 <int> 123, 1021, 1012, 2222, 631, 1524, 831, 823, 834, …
## $ District             <int> 1, 10, 10, 22, 6, 15, 8, 8, 8, 1, 3, 4, 25, 10, 1…
## $ Ward                 <int> 2, 24, 24, 21, 8, 37, 17, 17, 18, 42, 6, 8, 37, 2…
## $ Community.Area       <int> 32, 29, 29, 71, 44, 25, 66, 66, 70, 32, 69, 48, 2…
## $ FBI.Code             <int> 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3…
## $ X.Coordinate         <int> NA, 1153287, NA, 1170536, 1183976, 1139801, 11561…
## $ Y.Coordinate         <int> NA, 1892239, NA, 1846060, 1851324, 1903804, 18602…
## $ Year                 <int> 2017, 2020, 2017, 2019, 2019, 2019, 2019, 2019, 2…
## $ Updated.On           <chr> "02/13/2018 03:58:53 PM", "03/25/2020 03:47:29 PM…
## $ Latitude             <dbl> NA, 41.86015, NA, 41.73307, 41.74721, 41.89214, 4…
## $ Longitude            <dbl> NA, -87.71280, NA, -87.65083, -87.60143, -87.7620…
## $ Location             <chr> "", "(41.860148433, -87.712803862)", "", "(41.733…

unique_key : Pengidentifikasi unik untuk catatan.

case_number : Nomor RD Departemen Kepolisian Chicago (Nomor Divisi Catatan), yang unik untuk insiden tersebut.

Date : Tanggal terjadinya peristiwa. ini terkadang merupakan perkiraan terbaik.

iucr : Kode Pelaporan Kejahatan Seragam Illinois. Ini terkait langsung dengan Tipe dan Deskripsi Utama. Lihat daftar

Block : Alamat yang diedit sebagian di mana insiden terjadi, menempatkannya di blok yang sama dengan alamat sebenarnya.

primary_type : Deskripsi utama dari kode IUCR.

description : Deskripsi sekunder kode IUCR, subkategori dari deskripsi utama.

location_description : Deskripsi lokasi dimana kejadian tersebut terjadi.

arrest : Menunjukkan apakah penangkapan dilakukan.

domestic : Mengindikasikan apakah insiden tersebut terkait dengan rumah tangga seperti yang didefinisikan oleh Illinois Domestic Violence Act.

beat : Menunjukkan ketukan dimana kejadian itu terjadi. Ketukan adalah wilayah geografis polisi terkecil – setiap ketukan memiliki khusus

district : Menunjukkan distrik polisi tempat kejadian terjadi.

ward : Bangsal (distrik Dewan Kota) tempat kejadian itu terjadi

community_area : Menunjukkan area komunitas tempat insiden terjadi. Chicago memiliki 77 area komunitas.

bi_code : Menunjukkan klasifikasi kejahatan sebagaimana diuraikan dalam Sistem Pelaporan Berbasis Insiden Nasional (NIBRS) FBI. Lihat

x_coordinate : Koordinat x lokasi kejadian pada proyeksi State Plane Illinois East NAD 1983.

y_coordinate : Koordinat y dari lokasi kejadian pada proyeksi State Plane Illinois East NAD 1983. Ini

Year : Tahun kejadian.

updated_on : Tanggal dan waktu catatan terakhir diperbarui.

lintang : Garis lintang lokasi kejadian. Lokasi ini digeser dari lokasi sebenarnya untuk redaksi sebagian tetapi jatuh pada blok yang sama.

longitude : Bujur tempat kejadian. Lokasi ini digeser dari lokasi sebenarnya untuk redaksi sebagian tetapi jatuh pada blok yang sama.

location : Lokasi tempat kejadian terjadi dalam format yang memungkinkan pembuatan peta dan geografis lainnya

Pada kasus ini saya akan hanya mengambil data Date untuk kebutuhan analisis data

robbery <- robbery %>% 
  select(Date) 

Untuk tipe datanya sendiri masih berupa karakter, dikarenakan kita akan menggunakan data timeseries maka kita perlu merubahnya menjadi Date, Namun untuk kasus ini saya hanya membutuhkan tanggal, bulan, dan Tahun

robbery$Date <- anydate(robbery$Date)
head(robbery, 5)

Selanjutnya adalah kita mengurutkan data ini sesuai periode waktu dari data terlama sampai ke data terbaru

robbery <- robbery %>% arrange(Date)
head(robbery, 10)

Selanjutnya mari kita menggagregasikan suatu data, untuk menghitung total kejadian tindak kejahatan pencurian

rob_count <- robbery %>% 
  group_by(Date) %>% 
  summarise(Robbery_count= n()) %>% 
  ungroup() %>% 
  arrange(Date)

rob_count

Selanjutnya mari kita cek apakah data tersebut memiliki missing value atau tidak

colSums(is.na(rob_count))
##          Date Robbery_count 
##             0             0

4 Time Series

Setelah melakukan data preprocessing selanjutnya mari kita ubah data rob_count menjadi data timeseries supaya kita dapat melakukan forecasting

robbery_ts <- ts(data = rob_count$Robbery_count,
                 start = c(2017,1,1),
                 frequency = 365)
robbery_ts %>% autoplot

Insight : * Kejahatan pencurian memiliki variansi nilainya naik turun * Terjadi kenaikan significant pada tahun 2020 * trend data memiliki pola addictive * memiliki trend dan seasonal

Selanjutnya kita melakukan dekomposisi, yang mana tahap ini akan digunakan untuk menguraikan komponen dalam time series data berupa : 1. Trend 2. Seasonal 3. Error

robbery_decom <- decompose(x = robbery_ts)
robbery_decom %>% autoplot

robbery_decom$trend %>% autoplot

Trend pada data ini cenderung turun

robbery_decom$seasonal %>% autoplot

Terdapat pola berulang pada data ini. data ini memiliki seasonal

robbery_decom$random %>% autoplot

5 Cross Validation

Mari kita membagi data menjadi data train dan data test

# test menggunakan `tail()`
robbery_test <- tail(robbery_ts, 365)

# train menggunakan `head()`
robbery_train <- head(robbery_ts, -length(robbery_test))

6 Model Holt’s Winters Exponential

Karena pada kasus ini data kita memiliki efek trend dan seasonal maka kita akan menggunakan model Holt’s Winters Exponential

model_hw <- HoltWinters(x = robbery_train, seasonal = "additive")

7 Model Arima

Selanjutnya mari kita coba membuat model dengan menggunakan model ARIMA, model ini merupakan gabungan antara 2 metode dengan Auto Regressive dan Moving Average, yang bertujuan untuk melakukan autocorrelation pada data.

7.1 Data Stasioner

Namun sebelum kita menggunakan model arima kita harus mengecek data kita apakah data kita termasuk data stasioner atau tidak cara mengeceknya dengan menggunakana fungsi adf.test

robbery_train %>% adf.test()
## Warning in adf.test(.): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  .
## Dickey-Fuller = -5.3505, Lag order = 11, p-value = 0.01
## alternative hypothesis: stationary

Dikarenakan p-value yang kita dapatkan lebih besar dari alpha (0.05), maka dapat disimpulkan bahwa data kita sudah termasuk data stasioner. Setelah itu mari kita coba membuat modelnya

model_arima <- stlm(y = robbery_train, s.window = 365, method = "arima")

8 Forecast

Pada tahap ini kita akan melakukan forecast dari model yang telah kita buat

forecast_rob <- forecast(object = model_hw, h = 365.25)
robbery_train %>%
  autoplot()+
  autolayer(robbery_test, series = "Data Test") +
  autolayer(forecast_rob$mean, series = "Model Holt Winter")

forecast_arima <- forecast(object = model_arima, h = 365.25)
robbery_train %>% 
  autoplot() +
  autolayer(robbery_test, series = "Data Test")+
  autolayer(forecast_arima$mean, series = "Forecast Arima")

Dari hasil visualisasi diatas kita lihat bahwa model arima lebih baik dibandingkan dengan model holtwinters

9 Evaluation

Setelah melakukan forecasting mari kita lakukan evaluasi untuk mengetahui error yang didapatkan dari model yang telah kita buat

accuracy(model_hw$fitted, robbery_train)
##                   ME    RMSE      MAE       MPE     MAPE       ACF1 Theil's U
## Test set -0.03814014 7.16012 5.072888 -6.328949 24.96699 0.09760479 0.9213293
accuracy(forecast_rob$mean, robbery_test)
##               ME     RMSE      MAE      MPE     MAPE     ACF1 Theil's U
## Test set 11.8982 14.25359 12.33756 51.37835 55.28886 0.330083  1.850089

Jika dilihat dari data visualisasi hasil forecast dengan menggunakan model holtwinter dengan data actual terdapat lagging cukup besar , dan jika dilihat dari nilai MAPE pada data train dan data test terdapat perbedaan sebesar 31%

accuracy(forecast_arima$mean, robbery_test)
##                ME     RMSE      MAE      MPE     MAPE      ACF1 Theil's U
## Test set 4.391559 8.595723 6.626812 13.00685 29.42993 0.2971932  1.075786
accuracy(model_arima$fitted, robbery_train)
##                  ME     RMSE      MAE       MPE     MAPE         ACF1 Theil's U
## Test set -0.1702682 5.210879 4.039764 -5.430629 17.93134 -0.006711601 0.6449665

Jika dilihat dari data visualisasi hasil forecast dengan menggunakan model arima dengan data actual terdapat lagging cukup besar , dan jika dilihat dari nilai MAPE pada data train dan data test terdapat perbedaan sebesar 12%

Jika kita membandingkan antara 2 model, maka model arima lah yang lebih bagus dikarenakan MAPEnya cukup kecil dibandingkan model holtwinter walaupun MAPE yang dihasilkan masih cukup besar.

10 Assumption

Asumsi pada time series ini dilakukan untuk mengukur apakah residual yang diperoleh dari hasil modelling sudah baik atau belum, maka dari itu kita lakukan asumsi

10.1 No-autocorrelation residual

acf(model_arima$residuals)

Box.test(model_arima$residuals, type = "Ljung-Box")
## 
##  Box-Ljung test
## 
## data:  model_arima$residuals
## X-squared = 0.065902, df = 1, p-value = 0.7974

pada Ljung-Box ini, p-value > alpha, yang mana 0.79 > 0.05 artinya gagal tolak H0, maka residual/error pada data ini tidak terdapat autocorrelation

10.2 Normality of residuals

shapiro.test(model_arima$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  model_arima$residuals
## W = 0.98207, p-value = 1.651e-12
hist(model_arima$residuals, breaks = 20)

Karena p-value lebih kecil dari alpah maka residual belum berdistribusi normal

11 Kesimpulan

Berdasarkan model yang telah dibuat dan forecast yang dihasilkan, dapat ditarik kesimpulan bahwa model arima merupakan model yang terbaik dikarenakan error yang dihasilkan lebih kecil dibanding model yang lain, walaupun error yang dihasilkan masih cukup besar. Untuk pemeriksaan asumsi yang dihasilkan bahwa tidak ada autokorelasi pada data dikarenakan p-value lebih besar dari alpha, namun residual yang dihasilkan tidak berdistribusi dengan normal. Untuk mengatasi hal ini kita bisa membuat model time series yang lain