Penelitian ini bertujuan untuk membandingkan tingkat efektivitas dua metode peramalan deret waktu, yaitu AutoRegressive Integrated Moving Average (ARIMA) dan Single Moving Average (SMA), dalam memprediksi jumlah kasus kejahatan. Data yang digunakan merupakan data historis yang mencerminkan jumlah kejahatan di wilayah Jakarta Utara dari tahun-tahun sebelumnya. Pemilihan kedua metode ini didasarkan pada kemampuannya dalam mengidentifikasi pola tren dan fluktuasi yang terjadi pada data deret waktu. Tahapan penelitian meliputi proses pra-pemrosesan data untuk memastikan kualitas dan konsistensi data, uji stasioneritas menggunakan Augmented Dickey-Fuller (ADF) Test, penentuan parameter optimal model ARIMA berdasarkan analisis Autocorrelation Function (ACF) dan Partial Autocorrelation Function (PACF), penerapan metode SMA dengan berbagai panjang periode, serta evaluasi tingkat akurasi hasil peramalan. Evaluasi dilakukan dengan menggunakan metrik Mean Absolute Percentage Error (MAPE) dan Root Mean Square Error (RMSE). Berdasarkan hasil pengujian dengan skenario pembagian data sebesar 80% data latih dan 20% data uji, diperoleh bahwa metode ARIMA menghasilkan prediksi yang lebih akurat dibandingkan SMA, dengan nilai rata-rata MAPE sebesar 33,19% dan RMSE sebesar 7,52.

This study aims to compare the effectiveness of two time series forecasting methods, namely Autoregressive Integrated Moving Average (ARIMA) and Single Moving Average (SMA), in predicting the number of crime cases. The data used is historical data that reflects the number of crime in the North Jakarta area from previous years. The selection of these two methods is based on its ability to identify trends and fluctuations that occur in time series data. The stages of the research include the pre-processing data process to ensure the quality and consistency of data, stationary tests using the Augmented Dickey Fuller (ADF) test, determining the optimal parameter of the ARIMA model based on the analysis of the autocorrelation function (ACF) and the Partial Autocorrelation Function (PACF), the application of the high school methods with various periods of the forecasting results. Evaluation is carried out using the metric mean absolute percentage error (mape) and root mean square error (RMSE). Based on the results of testing with a scenario of data distribution of 80% of training data and 20% test data, it was found that the ARIMA method produced more accurate predictions than high school, with an average mape value of 33.19% and RMSE of 7.52.