Alat Prediktif Tingkat Lanjut Menunjukkan Titik Panas Kejahatan Berisiko Tinggi secara Real Time
- Algoritme baru, bernama Ensemble Poisson Kalman Filter (EnPKF), dapat menyarankan area di mana kejahatan paling mungkin terjadi dalam satu jam ke depan.
- Hal ini juga dapat mengetahui sumber daya apa yang diperlukan untuk mengatasi kejahatan tersebut.
Departemen kepolisian dan cabang kejahatan menghadapi banyak tekanan dan kendala pada sumber daya mereka – sebuah fakta yang mendorong pertumbuhan alat kepolisian yang cerdas untuk membantu petugas mengambil keputusan yang lebih baik mengenai di mana mereka harus melakukan upaya mereka.
Urutan Gempa Susulan Tipe Epidemi (ETAS) adalah salah satu model populer yang diterapkan pada data kejahatan untuk meramalkan TKP di masa depan. Sejauh ini, teknik berbasis peta grid ini telah berhasil memprediksi kejahatan dua kali lebih banyak dibandingkan dengan satu penyelidik manusia.
Model ETAS didasarkan pada filosofi bahwa kejahatan terjadi secara stokastik, namun tingkat kejadian kejahatan bergantung pada sejarah, artinya kejahatan yang terjadi di suatu wilayah akan meningkatkan tingkat timbulnya kejahatan di masa depan di lokasi yang sama atau berdekatan setidaknya selama jangka waktu tertentu.
Namun, hal ini tidak memperhitungkan sifat probabilistik dari proses kejahatan yang mendasarinya. Selain itu, ia tidak dapat melacak ketidakpastian secara real-time, yang dapat timbul karena data yang terbatas dan bermasalah atau kesalahan pemilihan model.
Ensembel Filter Poisson Kalman
Dengan menggunakan model ETAS, tim peneliti internasional telah mengembangkan algoritma baru yang dapat dengan cepat memproses data kejahatan perkotaan secara real-time dan memperkirakan kapan aktivitas ilegal dapat terulang kembali. Metodologi yang diberi nama Ensemble Poisson Kalman Filter (EnPKF) ini sangat mirip dengan yang digunakan dalam misi Apollo dan prakiraan cuaca.
Meskipun ‘prediktabilitas’ dapat dijelaskan dalam beberapa cara, dalam penelitian ini, peneliti berfokus pada jenis kejadian tertentu dan sistem perkiraan. Mereka mempertimbangkan model yang memicu 'sinyal' untuk memperingatkan peristiwa menarik yang akan datang. Misalnya, ini mungkin menunjukkan area di mana kejahatan paling mungkin terjadi dalam satu jam ke depan.
Dalam penerapan rangkaian waktu saat ini, model ini disederhanakan untuk memperkirakan apakah aktivitas ilegal berikutnya akan terjadi dalam beberapa jam (tetap) ke depan. Secara keseluruhan, algoritme ini dapat memberikan saran kepada departemen kejahatan mengenai di mana titik rawan kejahatan ringan dapat muncul, dan sumber daya apa yang diperlukan untuk menangani aktivitas ilegal tersebut.
Referensi:ScienceDirect | doi:10.1016/j.csda.2018.06.014 | Universitas Surrey
Pengujian dan Aplikasi Lainnya
Model baru ini diuji terhadap kumpulan data yang berisi lebih dari 1.000 kejahatan geng yang terjadi antara tahun 1999 dan 2002 di Los Angeles. Mereka membandingkan hasilnya dengan filter partikel berukuran sampel besar, dan menunjukkan efektivitasnya dalam praktik.
Kekuatan utama EnPKF dibandingkan filter partikel adalah peningkatan akurasi dan lebih sedikit fluktuasi Monte-Carlo dalam konteks ukuran sampel yang lebih kecil. Namun, sistem ini masih jauh dari sempurna:sistem ini cenderung menghasilkan ansambel dengan penyebaran kurang/lebih untuk beberapa estimasi parameter.
Baca:Algoritma Kendaraan Self-Driving Baru Bisa Pindah Jalur Secara Agresif
Tim saat ini sedang mengembangkan perluasan EnPKF berdimensi tinggi dan menganalisis efektivitasnya dengan data perampokan. Para peneliti percaya bahwa sistem ini memiliki beragam aplikasi; EnPKF dapat digunakan untuk melacak gempa susulan, keterlambatan kereta api, dan klaim asuransi.
