Pemetaan Kecelakaan Lalu Lintas
Pemetaan Kecelakaan Lalu Lintas
P( A | B)
P ( B | A) P ( A)
P( B)
(1)
P( A1,..., An | C ) P( Ai | C )
(2)
3. DESAIN SISTEM
Desain sistem bisa dilihat pada Gambar 1, terdiri
dari 3 bagian yaitu bagian penyimpanan data, bagian
klasifikasi data dan bagian prediksi kecelakaan lalu
lintas. Data kecelakaan lalu lintas disimpan dalam
aplikasi basis data Oracle Database. Proses
klasifikasi data dilakukan menggunakan Oracle Data
Miner yang dihubungkan dengan Oracle Database.
Klasifikasi dilakukan untuk mengelompokan datadata kecelakaan sesuai dengan kelasnya masingmasing berdasarkan parameter tertentu, yaitu
infrastruktur jalan.
Oracle
Database
Data Exploration
Data Transformation
Data Classification
Prediksi Kecelakaan
Lalu Lintas
Berdasarkan
Infrastruktur Jalan
START
STOP
Total Case
Count
Correct Prediction
(%)
6,192
60.11
Lurus Naik/Turun
339
37.46
Tikungan Datar
528
22.34
Tikungan Naik/Turun
228
57.02
digunakan untuk kasus-kasus semacam ini. Metodemetode tersebut diimplementasikan dengan tools yang
sama dan data yang sama dengan sebelumnya sehingga
menjaga tingkat kepercayaan akan hasil yang
diperoleh.
Metode-metode yang digunakan sebagai pembanding
Naive Bayes pada penelitian ini merupakan 2 metode
supervised learning, yaitu: Support Vector Machine
(SVM) dan Decision Tree (DT) [9]. Sama seperti
Naive Bayes, SVM dan DT diukur tingkat akurasinya
kemudian hasil dari ketiga metode tersebut dihadirkan
dalam Tabel 3.
Tabel 3 . Tingkat akurasi NB, SVM, dan DT
No
.
1
Classification Target
Average Correct
Prediction (%)
Status Jalan
49.64
Kelas Jalan
58.67
Keadaan Jalan
50.00
Jenis Jalan
46.75
Profil Jalan
44.23
Jumlah Lajur
46.51
Pagar Pengaman
73.38
Penerangan
53.60
Konstruksi Jalan
56.73
10
Kualitas Jalan
54.92
11
Permukaan Jalan
35.89
12
Situasi Jalan
13
Classification
Target
Status Jalan
NB
(%)
49.64
SVM
(%)
36.52
DT
(%)
53.82
Kelas Jalan
58.67
50.66
63.13
Keadaan Jalan
50.00
67.18
61.96
Jenis Jalan
46.75
31.73
42.01
Profil Jalan
44.23
34.27
41.59
Jumlah Lajur
46.51
40.23
51.10
Pagar Pengaman
73.38
75.45
73.59
Penerangan
53.60
48.41
54.62
Konstruksi Jalan
56.73
46.92
49.23
10
Kualitas Jalan
54.92
51.20
53.27
11
Permukaan Jalan
35.89
30.19
24.84
12
Situasi Jalan
43.85
37.66
29.92
13
Perbaikan Jalan
60.39
60.62
61.92
14
Simpang
29.37
23.00
27.98
15
Pengaturan Jalan
41.47
31.60
36.31
16
Arus Lantas
78.04
79.47
78.66
17
Batas Kecepatan
38.98
21.56
37.42
43.85
18
Lokasi
75.82
81.03
78.70
Perbaikan Jalan
60.39
19
Lingkungan
31.45
19.50
31.76
14
Simpang
29.37
15
Pengaturan Jalan
41.47
16
Arus Lantas
78.04
17
Batas Kecepatan
38.98
18
Lokasi
75.82
19
Lingkungan
31.45
http://www.bps.go.id, 2010
[2] D. Heckerman, A Toturial on Learning with
Bayesian
Networks,
Book
Chapter
Innovations in Bayesian Networks, Springer
Berlin, 2008, p.33-82
[3] K.B. Korb, A.E. Nicholson, Bayesian
Artificial Intelligence, CRC Press, 2011
[4] F.D. Jensen, T.D. Nielsen, Bayesian
Networks and Decision Graphs, Springer,
2007
[5] I. Androutsopoulos, J. Kautsias, K.V.
Chandrinos, G. Paliouras, C. Spyropoulos,
An Evaluation of Nave Bayes Anti-Spam
Filtering, 11th European Conference on
Machine Learning, 2000
[6] G. Qiang, An Effective Algorithm for
Improving the Performance of Nave Bayes
for
Text
Classification,
Second
International Conference on Computer
Research and Development, IEEE Computer
Society, 2010
[7] P. Haak, Modelling Traffic Information using
Bayesian Networks, Delft University og
Technology, 2010
[8] C. Ordones, S.K. Pitchaimalai, Bayesian
Classifier Programmed in SQL, IEEE
Transactions on Knowledge and Data
Engineering, Vol. 22, No. 1, 2010
[9] D. Widiastuti, Analisa Perbandingan
Algoritma SVM, Naive Bayes, dan Decision
Tree dalam Mengklasifikasikan Serangan
(Attacks) pada Sistem Pendeteksi Intrusi,
Universitas Gunadarma, 2008