View
222
Download
0
Category
Preview:
Citation preview
ARTIKEL
KLASTERISASI ANALISIS KARAKTERISTIK
KECELAKAAN LALU LINTAS
Oleh:
DWI BAGUS KURNIAWAN
14.1.03.03.0019
Dibimbing oleh :
1. Erna Daniati, M.Kom.
2. Rina Firliana, M.Kom.
PROGRAM STUDI SISTEM INFORMASI
FAKULTAS TEKNIK
UNIVERSITAS NUSANTARA PGRI KEDIRI
TAHUN 2018
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Dwi Bagus Kurniawan | 14.1.03.03.0019 Fak. Teknik – Prodi Sistem Informasi
simki.unpkediri.ac.id || 1||
SURAT PERNYATAAN
ARTIKEL SKRIPSI TAHUN 2018
Yang bertanda tangan di bawah ini:
Nama Lengkap : Dwi Bagus Kurniawan
NPM : 14.1.03.03.0019
Telepon/HP : 085810016932
Alamat Surel (Email) : dwibaguskurniawan4@gmail.com
Judul Artikel : Klasterisasi Analisis Karakteristik Kecelakaan Lalu
Lintas
Fakultas – Program Studi : Fakultas Teknik – Sistem Informasi
Nama Perguruan Tinggi : Universitas Nusantara PGRI Kediri
Alamat Perguruan Tinggi : Jl. K.H. Achmad Dahlan no. 76 Kediri
Dengan ini menyatakan bahwa :
a. artikel yang saya tulis merupakan karya saya pribadi (bersama tim penulis) dan
bebas plagiarisme;
b. artikel telah diteliti dan disetujui untuk diterbitkan oleh Dosen Pembimbing I dan II.
Demikian surat pernyataan ini saya buat dengan sesungguhnya. Apabila di kemudian hari
ditemukan ketidaksesuaian data dengan pernyataan ini dan atau ada tuntutan dari pihak lain,
saya bersedia bertanggungjawab dan diproses sesuai dengan ketentuan yang berlaku.
Mengetahui Kediri, 23 Juli 2018
Pembimbing I
Erna Daniati, M.Kom.
NIDN. 0723058501
Pembimbing II
Rina Firliana, M.Kom.
NIDN. 0731087703
Penulis,
Dwi Bagus Kurniawan
NPM. 14.1.03.03.0019
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Dwi Bagus Kurniawan | 14.1.03.03.0019 Fak. Teknik – Prodi Sistem Informasi
simki.unpkediri.ac.id || 2||
KLASTERISASI ANALISIS KARAKTERISTIK
KECELAKAAN LALU LINTAS
Dwi Bagus Kurniawan
NPM. 14.1.03.03.0019
Fak. Teknik – Prodi Sistem Informasi
Email: dwibaguskurniawan4@gmail.com
Erna Daniati, M.Kom. dan Rina Firliana, M.Kom.
UNIVERSITAS NUSANTARA PGRI KEDIRI
ABSTRAK
Satlantas Polres Kediri Kota tahun 2017 mencatat 584 insiden kecelakaan lalu lintas.
Informasi yang direkam pada suatu kecelakaan lalu lintas adalah dimana, kapan, dan bagaimana
kecelakaan terjadi. Hampir seluruh Satlantas memiliki sistem atau mekanisme untuk pengarsipan
kejadian kecelakaan lalu lintas dari waktu ke waktu.
Permasalahan pada penelitian ini adalah bagaimana menentukan tingkat kecelakaan lalu lintas
berdasarkan cluster dan bagaimana analisis karakteristik kecelakaan lalu lintas pada setiap cluster.
Penelitian ini menerapkan data mining dengan menggunakan algoritma K-Means untuk
mengelompokkan data kecelakaan lalu lintas Kabupaten dan Kota Kediri tahun 2017, dengan
memperhatikan jumlah korban, kerugian material, kendaraaan dan pejalan kaki yang terlibat.
Penelitian diterapkan dalam sebuah website dengan framework CodeIgniter.
Pengelompokkan data kecelakaan menjadi 3 cluster berdasarkan tingkat keparahan kecelakaan
yakni: berat, sedang, dan ringan. Pengelompokkan tersebut terdapat 84 insiden kecelakaan tingkat
berat, 409 insiden kecelakaan tingkat sedang, 90 insiden kecelakaan tingkat ringan. Ketiga cluster
tersebut dilakukan analisa berdasarkan karakteristiknya dengan hasil prosentase tertinggi yakni hari:
rabu, sabtu, dan minggu, waktu:06.00 dan 07.00 WIB, bentuk geometri jalan: lurus, kondisi cahaya:
terang atau jelas, serta kondisi cuaca: cerah.
Hasil analisis digunakan sebagai pendukung keputusan dalam upaya pencegahan kecelakaan
lalu lintas, perbaikan infrastruktur lalu lintas, dan antisipasi pada daerah rawan kecelakaan.
KATA KUNCI : kecelakaan lalu lintas, data mining, clustering, algoritma k-means
I. LATAR BELAKANG
Kecelakaan lalu lintas merupakan suatu
peristiwa di jalan raya yang tidak dapat
diduga dan tidak disengaja, melibatkan
kendaraan dengan atau tanpa pengguna jalan
lain yang mengakibatkan korban maupun
kerugian harta benda. Kecelakaan lalu lintas
umumnya terjadi karena berbagai faktor
pelanggaran seperti pelanggaran atau
tindakan tidak hati-hati dari pengguna jalan,
kondisi jalan, kondisi kendaraan, cuaca dan
pandangan terhalang pun bisa menjadi
faktor penyebab kecelakaan.
Angka kecelakaan lalu lintas yang
terjadi di Indonesia disebabkan oleh faktor
manusia sebesar 61 persen dari total
kecelakaan yang terlapor. Selanjutnya
sebesar 9 persen disebabkan karena faktor
kendaraan dan 30 persen disebabkan oleh
faktor prasarana dan lingkungan. Prosentase
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Dwi Bagus Kurniawan | 14.1.03.03.0019 Fak. Teknik – Prodi Sistem Informasi
simki.unpkediri.ac.id || 3||
data kecelakaan yang dilansir dari
Kementrian Perhubungan dan Sekretariatan
Negara. (Liputan6, 2017)
Walaupun faktor manusia merupakan
faktor penyebab utama pada mayoritas
kejadian kecelakaan, namun mengingat
karakteristik dan perilaku manusia yang
bervariasi secara alamiah maka tidaklah
mudah untuk menganalisis pengaruh faktor
manusia pada kejadian kecelakaan serta
tidak ada tindakan penanggulangan yang
dapat secara efektif diterapkan kepada
pengguna jalan. Oleh sebab itu, yang akan
dianalisis adalah karakteristik dari kejadian
kecelakaan yang meliputi waktu kecelakaan,
bentuk geometri jalan raya, kondisi
permukaan jalan, kondisi pencahayaan, dan
kondisi cuaca.
Satuan Lalu Lintas Polisi Resort Kediri
Kota (Satlantas Polres Kediri Kota) pada
tahun 2017 mencatat 584 insiden kecelakaan
lalu lintas. Informasi yang direkam pada
suatu kecelakaan lalu lintas adalah dimana,
kapan, dan bagaimana kecelakaan terjadi.
Hampir seluruh Satlantas memiliki sistem
atau mekanisme untuk pengarsipan kejadian
kecelakaan lalu lintas dari waktu ke waktu.
Penelitian ini mengangkat tema
pengelompokkan data kecelakaan lalu lintas.
Pengelommpokkan tersebut ditujukan untuk
menenentukan tingkat keparahan kecelakaan
dan selanjutnya menganalisis karakteristik
kecelakaan.
II. METODE
Metode analisis data dalam penelitian
menggunakan metode Clustering dengan
algoritma K-Means untuk proses data
mining. Metode tersebut digunakan untuk
mengelompokkan data kecelakaan lalu lintas
berdasarkan jumlah korban, kerugian
material, kendaraan dan pejalan kaki yang
terlibat. Sedangkan Metode pengembangan
sistem menggunakan model prototyping.
III. HASIL DAN PEMBAHASAN
3.1. Data Collection
Data diperoleh dari Polres Kediri Kota,
yakni berupa data kecelakaan lalu lintas
tahun 2017 yang mencakup wilayah Kota
Kediri dan Kabupaten Kediri. Data
berisikan: id_laka, Lokasi Kejadian,
Hari/Tanggal Kejadian, Waktu Kejadian,
Korban Meninggal Dunia, Korban Luka
Berat, Korban Luka Ringan, Kerugian
Materi, Bentuk Geometri Jalan, Kondisi
Permukaan Jalan, Kemiringan Jalan,
Kondisi Pencahayaan, Cuaca, Jumlah
Kendaraan yang Terlibat, dan Pejalan Kaki.
3.2. Proses Data Mining
Sebelum melakukan proses data mining,
dilakukan preprocessing data yakni dengan
penanganan missing value.
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Dwi Bagus Kurniawan | 14.1.03.03.0019 Fak. Teknik – Prodi Sistem Informasi
simki.unpkediri.ac.id || 4||
Selanjutnya dilakukan tranformasi data
dengan melakukan normalisasi data dengan
Min-Max Normalization
Keterangan :
nilai normalisasi
nilai data
Max(X) = nilai maksimum dari field
Min(X) = nilai minimum dari field
Tabel 3. 1. Hasil Normalisasi No Md Lb Lr
Kerugian
Material
Jumlah
Kenda-
raan
Pejalan
Kaki
1 0 0 0.2 0.02 0 1
2 0 0 0.2 0.01 0.33333 0
3 0 0 0.4 0.0275 0.33333 0
… … … … … … …
582 0 0 0.6 0.0075 0 0
583 0 0 0.2 0.005 0.33333 0
Proses clustering menggunakan
algoritma K-Means dengan menentukan 3
cluster berdasarkan tingkat keparahan yakni
berat, sedang, dan ringan. Euclidean
distance sebagai penentuan jarak cluster.
√∑
D (x,y) = Jarak data ke x ke pusat cluster y
= Data ke i pada atribut data ke x
= Titik pusat ke i pada atribut ke y
Tabel 3. 2. Hasil Cluster Data
ke C1 C2 C3
Jarak
Terpendek
1 1.158382 1.058983 0.080609 C3
2 0.525534 0.116055 1.054795 C2
3 0.593826 0.087679 1.066652 C1
… …. …. …. ….
582 0.759446 0.437758 1.065932 C2
583 0.525831 0.117270 1.054813 C2
3.3. Desain Sistem
Pada Use Case Diagram terdapat dua
actor yakni actor Administrator dan actor
User. Actor Administrator melakukan
proses-proses yakni terdapat tiga proses,
proses manajemen user, manajemen data
kecelakaan dan login. Sedangkan actor user
melakukan tiga proses yakni proses login,
view data kecelakaan dan view hasil cluster
kecelakaan.
Gambar 3. 1. Use Case Diagram
3.4. Implementasi
Gambar 3. 2. Implementasi Sistem
Penerapan sistem Klasterisasi Analisis
Karakteristik Kecelakaan Lalu Lintas
menggunakan bahasa pemrograman PHP
dengan framework CodeIgnier serta
menggunakan basis data PostgreSQL.
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Dwi Bagus Kurniawan | 14.1.03.03.0019 Fak. Teknik – Prodi Sistem Informasi
simki.unpkediri.ac.id || 5||
3.5. Analisis Karakteristik Kecelakaan
1. Hari
Gambar 3. 3. Chart Hari Kejadian
Pada chart tersebut menunjukan bahwa
kejadian kecelakaan tertinggi pada cluster 1
pada hari jum’at, rabu, sabtu dan minggu.
Pada cluster 2 menunjukkan bahwa kejadian
kecelakaan tertinggi pada hari rabu, kamis,
jum’at dan sabtu. Sedangkan pada cluster 3
menunjukkan bahwa kejadian kecelakaan
tertinggi pada rabu, minggu, senin dan
sabtu. Dari ketiga cluster tersebut dapat
disimpulkan bahwa kecelakaan sering terjadi
pada hari rabu, sabtu dan minggu.
2. Waktu
Gambar 3. 4. Waktu Kejadian
Chart tersebut terdapat 3 cluster,
pada cluster 1 menunjukkan kecelakaan
tertinggi terjadi pada pukul 06.00 – 12.00
WIB dan 13.00 – 17.00 WIB. Pada cluster 2
menunjukkan bahwa pukul 06.00 – 12.00
dan 13.00 – 17.00 yang merupakan waktu
yang sering terjadi kecelakaan. Sedangkan
pada cluster 3 menunjukkan kecelakaan
tertinggi pada pukul 06.00 – 12.00 dan 13.00
– 17.00. Dari ketiga cluster menunjukkan
kecelakaan tertingga pada pukul 06.00 –
12.00 dan 13.00 – 17.00.
Gambar 3. 5. Waktu Kejadian per jam
Grafik jumlah kejadian kecelakaan pada
setiap waktu. Pada grafik tersebut dapat
diketahui bahwa kecelakaan paling sering
terjadi pada pukul 07.00 dan 06.00 WIB,
dimana pada waktu tersebut merupakan
rentang waktu berangkat kerja atau sekolah.
3. Bentuk Geometri Jalan
Gambar 3. 6. Bentuk Geometri Jalan
0
5
10
15
20
CLUSTER 1 CLUSTER 2 CLUSTER 3
Hari Kejadian (%)
Minggu
Senin
Selasa
Rabu
Kamis
Jumat
Sabtu
0
10
20
30
40
50
CLUSTER 1 CLUSTER 2 CLUSTER 3
Waktu Kejadian (%)
00.00 - 05.00
06.00 - 12.00
13.00 - 17.00
18.00 - 20.00
21.00 - 23.00
44 45
30
41
18
36 32
26 26
35
26 25
0
10
20
30
40
50
6:0
0
7:0
0
8:0
0
9:0
0
10
:00
11
:00
12
:00
13
:00
14
:00
15
:00
16
:00
17
:00
0
20
40
60
80
100
CLUSTER 1 CLUSTER 2 CLUSTER 3
LURUS
MULTI
TIKUNGAN
SIMPANG +
SIMPANG T
T TDK SEJAJAR
SIMPANG
BUNDARAN
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Dwi Bagus Kurniawan | 14.1.03.03.0019 Fak. Teknik – Prodi Sistem Informasi
simki.unpkediri.ac.id || 6||
Pada grafik tersebut menunjukkan data
cluster dengan bentuk geometri jalan,
dimana pada jalan lurus mendominasi dari
setiap cluster. Dalam hal ini maka jalan
dengan bentuk geometri lurus ini
memerlukan perhatian yang lebih. Karena
kejadian-kejadian kecelakaan lalu lintas
banyak terjadi di jalan lurus maka
disarankan memberikan tanda atau
peringatan-peringatan di sekitar area rawan
kecelakaan.
4. Kondisi Pencahayaan Jalan
Gambar 3. 7. Kondisi Pencahayaan Jalan
Kondisi pencahayaan jalan pada malam
hari yang menjadi salah satu karakteristik
kecelakaan lalu lintas menampilkan bahwa
kondisi pencahayaan yang teras/jelas
menjadi faktor yang mendominasi dari
ketiga cluster. Akan tetapi juga perlu
memperhatikan kondisi jalan yang redup
atau samar karena memiliki prosentase yang
cukup tinggi, maka disarankan untuk
menambahkan penerangan jalan pada jalan-
jalan yang memiliki kondisi pencahayaan
redup atau samar.
5. Kondisi Cuaca
Gambar 3. 8. Kondisi Cuaca
Kondisi cuaca pada saat kejadian-
kejadian kecelakaan lalu lintas yang tercetat
dalam data kecelakaan lalu lintas Kabupaten
dan Kota Kediri tahun 2017 ini di dominasi
oleh kondisi cuaca cerah dengan prosentase
diatas 90% pada setiap cluster.
IV. PENUTUP
4.1. Kesimpulan
Pengelompokkan data kecelakaan lalu
lintas Kabupaten dan Kota Kediri menjadi 3
cluster berdasarkan tingkat keparahan
kecelakaan yakni: berat, sedang, dan ringan.
Pengelompokkan tersebut terdapat 84
insiden kecelakaan tingkat berat, 409 insiden
kecelakaan tingkat sedang, 90 insiden
kecelakaan tingkat ringan. Ketiga cluster
tersebut dilakukan analisa berdasarkan
karakteristiknya dengan hasil prosentase
tertinggi yakni hari: rabu, sabtu, dan
minggu, waktu:06.00 dan 07.00 WIB,
bentuk geometri jalan: lurus, kondisi cahaya:
terang atau jelas, serta kondisi cuaca: cerah.
0
20
40
60
80
CLUSTER 1 CLUSTER 2 CLUSTER 3
TERANG/JELAS
GELAP
REDUP/SAMAR
0
20
40
60
80
100
120
CLUSTER 1 CLUSTER 2 CLUSTER 3
CERAH
HUJAN/GERIMIS
BERAWAN
BERKABUT
TIDAK DIKETAHUI
Artikel Skripsi
Universitas Nusantara PGRI Kediri
Dwi Bagus Kurniawan | 14.1.03.03.0019 Fak. Teknik – Prodi Sistem Informasi
simki.unpkediri.ac.id || 7||
4.2. Saran
Pengembangan sistem selanjutnya
untuk menyempurnakan maupun
mengembangkan sistem ini, dapat diberikan
saran-saran sebagai berikut :
1. Semakin beragamnya karakteristik
kecelakaan akan semakin baik dan
menghasilkan analisa yang lebih baik
untuk mendukung keputusan.
2. Perlu mengembangkan sistem ini
dengan menambahkan metode prediksi
agar dapat memperkirakan jumlah
kecelakaan yang akan terjadi dimasa
mendatang dengan memanfaatkan data
kecelakaan yang tercatat setiap
periodenya.
3. Pengembangan sistem selanjutnya dapat
diintegrasikan dengan Sistem Informasi
Geografis (SIG).
4. Sistem ini dapat dikembangkan dalam
aplikasi mobile berbasis Android.
V. DAFTAR PUSTAKA
Daniati, E., & Nugroho, A. (2016). K-Means
Clustering with Decision Support
System using SAW : Determining
Thesis Topic. IEEE.
Iswari, L., & Ayu, E. G. (2015, Maret 1).
Pemanfaatan Algoritma K-Means
untuk Pemetaan Hasil Klasterisasi
Data Kecelakaan Lalu Lintas.
Teknoin, 21, 01-11.
Larose, D. T. (2005). Discovering
Knowledge In Data : An Introducing
to Data Mining. Hoboken, New
Jersey: John Wiley & Sons, Inc.
Liputan6. (2017, Agustus 21). Kemenhub: 3
Orang Meninggal Per Jam Akibat
Kecelakaan. Retrieved November
10, 2017, from Liputan6 News:
http://news.liputan6.com/read/30648
10/kemenhub-3-orang-meninggal-
per-jam-akibat-kecelakaan
Ong, J. O. (2013). Implementasi Algoritma
K-Means Clustering Untuk
Menentukan Strategi Marketing
President University. Jurnal Ilmiah
Teknik Industri, 10-20.
Rahmat, B., Gafar, A. A., Fajriani, N.,
Ramdani, U., Uyun, F. R., P., Y. P.,
et al. (2017, April 8). Implentasi K-
Means Clustering pada Rapidminer
untuk Analisis Daerah Rawan
Kecelakaan. Seminar Nasional Riset
Kuantitatif Terapan 2017, 58-63.
Ridlo, M. R., Defiyanti, S., & Primajaya, A.
(2017, Juli 27). Implementasi
Algoritme K-Means Untuk Pemetaan
Produktivitas Panen Padi Di
Kabupaten Karawang. CITEE 2017,
426-433.
Wicaksono, E. A., Kusrini, & Lutfi, E. T.
(2017, Februari 4). Analisis Data
Kerawanan Kecelakaan Lalu Lintas
menggunakan Metode K-Means
(Studi kasus Polres Bantul). Seminar
Nasional Teknologi Informasi dan
Multimedia 2017, 109 - 114.
Recommended