PEMETAAN KECELAKAAN LALU LINTAS BERBASIS

KLASIFIKASI NAIVE BAYES DENGAN PARAMETER

INFRASTRUKTUR JALAN
Wawan Yunanto1,2) Mochamad Hariadi 1) Mauridhi Hery Purnomo 1)
1) Jurusan Teknik Elektro ITS, Surabaya 60111, email: mochar@ee.its.ac.id, hery@ee.its.ac.id
2) Jurusan Komputer, Politeknik Caltex Riau, email: wa w a n @ p c r . a c . i d

Abstrak Keadaan infrastruktur jalan sangat

mempengaruhi tingkat kecelakaan lalu lintas, namun
sulit untuk dicari seberapa besar pengaruh tersebut
secara manual karena ribuan data kecelakaan
muncul setiap tahunnya. Metode komputasi
memberikan kemudahan dalam mengestrak informasi
dari sekumpulan data yang besar sehingga
informasi-informasi tersembunyi yang terkandung di
dalamnya bisa didapatkan. Metode Naive Bayes
digunakan untuk klasifikasi data-data kecelakaan
lalu lintas secara cerdas dan hasilnya digunakan
untuk melakukan prediksi tingkat kecelakaan pada
berbagai macam infrastruktur jalan. Akurasi dari
prediksi yang dilakukan paling rendah adalah
28.37%, yaitu pada infrastruktur jalan berupa
simpang dan yang paling tinggi adalah 78.04% pada
infrastruktur jalan berupa arus lalu lintas. Hasil
prediksi ini kemudian dibandingkan dengan metode
klasifikasi lain yang umum digunakan, yaitu Decision
Tree dan SVM.
Kata Kunci: kecelakaan lalu lintas, klasifikasi, naive
bayes, infrastruktur jalan
1. PENDAHULUAN
Badan Pusat Statistik [1] mencatat bahwa angka
kecelakaan lalu lintas yang terjadi di Indonesia masih
cukup tinggi seiring dengan pertumbuhan jumlah
kendaraan bermotor yang sangat pesat. Kecelakaan
melibatkan berbagai jenis kendaraan bermotor,
terjadi di berbagai jenis jalan, dan melibatkan
pelaku/korban dari berbagai usia. Angka kecelakaan
yang terus meningkat membuat semua pihak merasa
perlu untuk dilakukan langkah-langkah pencegahan.
Supaya kebijakan yang dihasilkan relevan dengan
permasalahan yang dihadapi dalam upaya
menurunkan angka kecelakaan, maka kebijakan
tersebut harus didukung dengan informasi-informasi
yang berasal dari data-data kecelakaan yang selama
ini sudah terjadi.
Kepolisian Republik Indonesia memiliki data-data
kecelakaan lalu lintas hasil dari pencatatan setiap
peristiwa kecelakaan yang terjadi. Data-data tersebut
perlu dikelola dalam suatu basis data untuk
memudahkan proses penggalian informasi-informasi
yang ada didalamnya. Agar lebih mudah dipahami
maka
informasi
yang
didapatkan
dikelola

menggunakan suatu metode komputasi data mining

yang membuat data-data kecelakaan menjadi sumber
untuk suatu model yang bisa digunakan untuk
memprediksi suatu kejadian.
Proses penggalian informasi bisa dilakukan dengan
berbagai cara, salah satunya adalah dengan
melakukan
klasifikasi
data-data
kecelakaan
berdasarkan
parameter
tertentu.
Dengan
mengklasifikasikan data maka proses pencarian data
menjadi lebih mudah dan cepat karena data sudah
terkelompokan ke dalam kelas-kelas tertentu.
Klasifikasi bisa dilakukan secara manual dengan
menentukan parameter-parameter beserta nilainya
masing-masing atau dilakukan secara otomatis
dengan menggunakan metode-metode data mining.
Berdasarkan kebutuhan akan pencarian informasi
tentang kecelakaan yang melibatkan beberapa
kriteria yang tidak bisa ditentukan sebelumnya, maka
penggunakan metode data mining merupakan solusi
yang layak untuk diajukan.
Penelitian ini mengusulkan penggunaan Naive Bayes
untuk klasifikasi data-data kecelakaan lalu lintas di
Indonesia yang sepanjang penelusuran penulis belum
pernah dilakukan sebelumnya. Klasifikasi dilakukan
berdasarkan keadaan infrastruktur jalan dan hasilnya
diharapkan bisa digunakan untuk memprediksi
tingkat kecelakaan lalu lintas.
2. METODE NAIVE BAYES
Bayesian merupakan sebuah metode dalam bidang
probabilitas dan statistik, yang dinamai sesuai dengan
penemunya, yaitu Thomas Bayes. Metode ini berawal
dari teori probabilitas dan ditambah dengan
kemampuan untuk menangani suatu ketidakpastian
yang memang sering terjadi di kehidupan [2].
Teorema Bayes dinotasikan seperti pada Persamaan
(1).

P( A | B)

P ( B | A) P ( A)
P( B)

(1)

Teorema Bayes merupakan suatu metode untuk

memperbaharui tingkat kepercayaan kita terhadap
kemungkinan terjadinya peristiwa A yang
dipengaruhi oleh peritiwa yang lain, misal B. Dalam
hal ini, P(A) biasanya disebut dengan prior

probability dari A, P(A|B) disebut posterior

probability dari A yang dipengaruhi B, sementara
P(B|A) disebut likelihood dari A yang dipengaruhi
B.
Menurut [3], probabilitas bersyarat memberikan
gambaran bahwa suatu kejadian itu bisa dipengaruhi
oleh kejadian yang lain, dan kejadian yang
mempengaruhi tersebut bisa juga dipengaruhi oleh
kejadian yang lain lagi. Jika hal itu berlaku terus
menerus, maka akan didapatkan rangkaian peristiwa
yang saling terkait dan memiliki hubungan sebabakibat. Peristiwa A menyebabkan terjadinya
peristiwa B, peristiwa B menyebakan terjadinya
peristiwa
C,
begitu
seterusnya.
Hal
ini
menggambarkan kenyataan yang terjadi di dunia
nyata, banyak sekali peristiwa yang merupakan
kejadian sebab-akibat (causality). Masalah seperti di
atas menggambarkan suatu kumpulan peristiwa
beserta statusnya masing-masing dimana peristiwa
satu menyebabkan terjadinya peristiwa yang lain,
begitu terus-menerus secara berantai membentuk
suatu rangkaian peristiwa, dan disebut sebagai jaring
sebab-akibat (causal network).
Dalam suatu graf, jika A parent dari B maka bobot
link antara A dan B diambil dari nilai P(B|A).
Sekarang jika ada C yang ternyata juga parent dari B
maka P(B|C) juga menjadi bobot dari link antara C
dan B. Jadi ada 2 kejadian (A dan C) yang
mempengaruhi B, tetapi kita tidak mengetahui
bagaimana pengaruh A ke B berinteraksi dengan
pengaruh C ke B. Bisa saja 2 pengaruh tersebut
saling menguatkan, tetapi bisa juga saling
berlawanan.
Oleh
karena
itu
diperlukan
penghitungan P(A|A,C), tetapi hal ini hanya bisa
dilakukan apabila dalam graf-nya tidak terdapat
siklus. Sebuah jaring sebab-akibat yang dihadirkan
dalam bentuk graf berarah tanpa siklus disebut
dengan Bayesian Network (BN), yang memodelkan
probabilitas hubungan antar variabel, bisa dipadukan
dengan teknik-teknik statistik dan sangat berguna
untuk analisa data [4].
Naive Bayes merupakan model yang sangat
sederhana sehingga memberikan keuntungan yang
sangat signifikan dibandingkan dengan model sebabakibat atau BN. Kesederhanaan tersebut bisa
dinotasikan dengan Persamaan (2).

spam berbasis metaheuristic. Referensi [6]

melakukan perbaikan klasifikasi teks menggunakan
Naive Bayes. Masalah transportasi yang pernah
diteliti menggunakan metode Bayesian antara lain
tentang pemodelan informasi lalu lintas [7].

P( A1,..., An | C ) P( Ai | C )

Gambar 1: Desain Sistem Prediksi Kecelakaan Lalu Lintas

(2)

Hal ini menunjukan bahwa parameter yang

dibutuhkan jauh lebih sedikit daripada BN, yang
berarti data yang dievaluasi menjadi lebih sedikit
sehingga Naive Bayes bisa mempelajari data dengan
lebih cepat dibandingkan model lain.
Naive Bayes banyak digunakan dalam penelitian
yang behubungan dengan proses klasifikasi,
prediksi, dan deteksi. Referensi [5] menggunakan
Naive Bayes untuk anti-spam filtering dan hal ini
merupakan awal dari perkembangan teknologi anti-

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

Naive Bayes Classifier

Data Exploration
Data Transformation
Data Classification

Prediksi Kecelakaan
Lalu Lintas
Berdasarkan
Infrastruktur Jalan

Detail dari proses-proses yang dilakukan mulai dari

ekstraksi sumber data sampai bisa diperoleh hasil
prediksi kecelakaan lalu lintas dihadirkan dalam
bentuk diagram alir pada Gambar 2.
3.1. Eksplorasi dan Transformasi Data Sumber
Sumber data kecelakaan lalu lintas yang digunakan
berbentuk dump file sehingga harus diekstrak
terlebih dahulu sebelum diolah. Ekstraksi dilakukan
dengan fasilitas import yang dimiliki Oracle
Database. Oracle Database mengharuskan setiap
data berada dalam skema salah satu usernya

sehingga dump file yang sudah diekstrak akan

menjadi milik salah satu user di Oracle. Setelah
proses ekstraksi, data siap untuk diolah, baik secara
manual menggunakan bahasa pemrograman SQL
[8] atau menggunakan aplikasi-aplikasi client tools
yang dihubungkan dengan Oracle Database. Dalam
penelitian ini digunakan client tool Oracle
Developer 3.0 untuk melakukan eksplorasi dan
transformasi data sumber yang sudah diekstrak
sebelumnya.

START

Ekstraksi Data Sumber

Query Join untuk membuat tabel baru

sebagai penampung hasil ekstraksi

Transformasi data sumber

Tabel baru dengan data

bebas noise

Klasifikasi data dengan

metode Nave Bayes

Data hasil klasifikasi

untuk prediksi

STOP

Gambar 2: Diagram Alir Sistem Prediksi Kecelakaan

Data hasil ekstraksi berupa kumpulan tabel berjumlah

284 yang mencakup data-data kecelakaan lengkap
dengan informasi yang berhubungan dengan
infrastruktur jalan, pengemudi, keadaan cuaca, dan
lain-lain. Dalam penelitian ini, prediksi dilakukan
dengan melihat korelasi antara kecelakaan yang terjadi
dengan kondisi infrastruktur jalan dimana kecelakaan
itu terjadi.
Informasi kecelakaan tercatat dalam tabel T_LP yang
berisi laporan dari masyarakat, polisi, ataupun pihak
lain. Tabel ini tidak menampung semua informasi
kecelakaan tetapi membagi informasi tersebut ke
dalam beberapa tabel lain sesuai dengan kaidah
normalisasi untuk keperluan pembuatan aplikasi.
Sedangkan untuk keperluan prediksi kecelakaan
menggunakan Naive Bayes diperlukan sebuah sumber
data yang menyatu dalam format tertentu, misalnya
tabel, untuk kemudian diklasifikasi berdasarkan target
tertentu.
Transformasi data diperlukan untuk menyatukan

sumber-sumber data dari banyak tabel menjadi 1 tabel

saja. Transformasi dilakukan menggunakan query join
dan hasilnya langsung di-insert ke dalam tabel baru
yang diberi nama LAKA seperti yang terlihat pada
Gambar 3. Tidak semua informasi dilibatkan, hanya
data-data yang berhubungan dengan infrastruktur jalan
saja.
create table LAKA as
select
lp.id, lp.bln, lp.thnlp,
lp.waktu_kejadian,
lp.waktu_dilaporkan,
lp.waktu_diterima, t_polres.nama
polres, t_polda.nama polda, jl1
jalan, kel, kec, berita, jasmani,
t_jenislaka.nama jenis,
t_gollaka.nama gol,
t_statusjalan.nama statusjalan,
t_kelasjalan.nama kelasjalan,
t_tabraklari.nama tabraklari,
t_keadaan.nama keadaan, t_waktu.nama
waktu, t_penyebab.nama penyebab,
t_kendaraan.nama kendaraan,
t_jalan.nama jenisjalan,
.
.
.
t_lingkungan.nama lingkungan
from
t_lp lp, t_polda, t_polres, t_jenislaka,
t_gollaka, t_statusjalan, t_kelasjalan,
t_tabraklari, t_keadaan, t_waktu,
t_penyebab, t_kendaraan, t_jalan,
t_alam, t_it, t_alinyemen,
t_jumlahlajur, t_pagarpengaman,
t_penerangan, t_konstruksi, t_kualitas,
t_permukaan, t_situasi, t_perbaikan,
t_simpang, t_pengaturan, t_aruslantas,
t_bataskec, t_cuaca, t_lokasi,
t_lingkungan
where
lp.id_polda = t_polda.id and
lp.id_polres = t_polres.id and
lp.jenislaka = t_jenislaka.id and
lp.gollaka = t_gollaka.id and
lp.statusjalan = t_statusjalan.id and
lp.kelasjalan = t_kelasjalan.id
.
.
.
and lp.lokasi = t_lokasi.id and
lp.lingkungan = t_lingkungan.id;

Gambar 3: Query Join

Tabel-tabel dieksplorasi untuk mencari informasi yang

selektif, sesuai dengan kebutuhan. Banyak dari tabel
tersebut yang merupakan hasil rekapitulasi dari tabel
lain sehingga bisa dikesampingkan. Informasiinformasi lain yang tidak berhubungan dengan
infrastruktur jalan dan tidak berkaitan langsung dengan
kecelakaan lalu lintas (misal: user, polres, polsek) juga
dikesampingkan. Dari proses eksplorasi juga diketahui
bahwa beberapa tabel ternyata belum terisi data sama
sekali, kemungkinan karena belum ada kecelakaan
yang berkaitan dengan data ini atau operator aplikasi

memang belum menginputkannya. Tabel yang seperti

ini juga dikesampingkan. Setelah diseleksi, terdapat 31
tabel yang harus dijoinkan sehingga menjadi 1 tabel
untuk proses klasifikasi.
Sebelum dilakukan proses klasifikasi, tabel LAKA
harus dibersihkan terlebih dahulu dulu dari data-data
yang redundant, data-data yang kemungkinan memiliki
nilai sama tetapi dituliskan dalam bentuk yang
berbeda. Beberapa data masih belum ada standarisasi
format, misal: laporan kecelakaan yang berasal dari
masyarakata kadang ditulis laporan masyarakat atau
laporan masy atau lap masyarakat, ketiga data
tersebut memiliki nilai sama sehingga harus
ditransformasikan ke bentuk yang konsisten, misal
dengan mengganti semuanya menjadi laporan
masyarakat. Data-data redundant bisa diamati dengan
melihat histogram dari data-data seperti pada Gambar
4. Langkah yang sama dilakukan untuk kolom-kolom
di tabel LAKA sampai semua data dalam keadaan
bersih dari redundancy.

Gambar 4: Histogram Data Jenis Jalan

3.2. Klasifikasi Data

Klasifikasi dilakukan pada data yang sudah bersih dari
redundancy sehingga menghasilkan prediksi yang
akurat. Aplikasi Oracle Data Miner yang integrasikan
ke dalam Oracle SQL Developer digunakan untuk
mengklasifikasikan data kecelakaan berdasarkan
infrastruktur jalan. Workflow digunakan untuk
menggambarkan aliran data mulai dari data sumber
sampai dengan hasil prediksi, seperti pada Gambar 5.
Setiap node dalam proses flow mempunyai fungsi
masing-masing. Node LAKA digunakan menunjuk
sumber data dari proses yang akan dilakukan, yaitu
tabel LAKA yang sudah bersih. Untuk memastikan
kebersihan sumber data, bisa dilakukan evaluasi
kembali menggunakan node Explore Data. Metode
klasifikasi Naive Bayes dilakukan pada node Class
Build, dengan menggunakan sumber data dari node
LAKA, setelah itu data hasil klasifikasi ditampung
untuk keperluan pembuatan aplikasi dalam node
LAKA_APPLY.
Data diambil dari laporan kecelakaan lalu lintas di
bulan Juli 2009 sampai bulan Desember 2010, dengan
jumlah 18.374 baris data. Klasifikasi Naive Bayes
dilakukan dengan membagi data menjadi 60% untuk
data latih dan 40% sisanya sebagai data uji. Target
yang menjadi acuan dalam melalukan klasifikasi
adalah hal-hal yang berhubungan dengan infrastruktur
jalan berdasarkan sumber data, meliputi: status jalan,

kelas jalan, keadaan jalan, jenis jalan, profil jalan,

jumlah lajur, pagar pengaman, penerangan,
konstruksi, kualitas, permukaan, situasi, perbaikan,
simpang, pengaturan, arus lantas, batas kecepatan,
lokasi, dan lingkungan di sekitar jalan.

Gambar 5: Proses Flow

Klasifikasi dilakukan satu persatu sampai semua target

yang berhubungan dengan infrastruktur jalan selesai
diproses. Pemilihan target dilakukan di node Class
Build, sekaligus pembagian porsi data untuk data latih
dan data uji. Hasil dari setiap target dicatat prosentase
akurasinya.
3.3. Prediksi kecelakaan Lalu Lintas
Data
hasil
klasifikasi
membentuk
suatu
pengelompokan data berdasarkan target masingmasing. Setelah model terbentuk, selanjutnya adalah
melakukan pengujian terhadap model tersebut
menggunakan 40% data uji yang sudah disiapkan.
Hasilnya dicatat untuk setiap target berupa
infrastruktur jalan, kemudian hasilnya dianalisa untuk
melihat tingkat akurasi prediksi kecelakaan
berdasarkan infrastruktur jalan.
Tabel 1 menunjukkan hasil prediksi berdasarkan profil
jalan, meliputi jumlah kasus untuk setiap nilai profil
jalan beserta prediksi benarnya. Hal ini dilakukan
untuk setiap target klasifikasi yang termasuk dalam
kategori infrastruktur jalan. Hasil prediksi juga
dihadirkan dalam bentuk grafik, untuk profil jalan bisa
dilihat pada Gambar 6.
Tabel 1. Hasil prediksi kecelakaan berdasarkan profil jalan
Profil Jalan
Lurus Datar

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

Seluruh hasil prediksi benar dirata-rata berdasarkan

target masing-masing dan dihadirkan dalam bentuk
grafik. Hal ini untuk memudahkan dalam
membandingkan antara target satu dengan lainnya,
tetapi untuk mengevaluasi setiap nilai dari target
tertentu akan lebih baik jika menggunakan hasil detail
seperti sebelumnya. Rata-rata hasil prediksi benar bisa

dilihat pada Tabel 2, sedangkan grafiknya bisa dilihat

pada gambar 7.

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

Gambar 6: Prediksi berdasarkan profil jalan

Tabel 2 . Hasil prediksi rata-rata berdasarkan infrastruktur
jalan
No.

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

4. HASIL DAN PEMBAHASAN

Prediksi yang dilakukan dengan menggunakan metode
Naive Bayes ini mempunyai tingkat akurasi yang
diambilkan dari tingkat prediksi benar untuk setiap
nilai dari target. Hasil ini akan dibandingkan dengan
metode-metode klasifikasi lain yang juga sering

Hasil pengujian menunjukan bahwa Naive Bayes tidak

selalu memberikan hasil terbaik, begitu juga dengan
SVM maupun Decision Tree. Masing-masing metode
mempunyai keunggulan dan kekurangan dalam
melakukan prediksi. Untuk melihat pola dari targettarget mana saja yang memberikan keuntungan pada
suatu metode tertentu, dilakukan perbandingan pada
ketiga metode tersebut.
Gambar 7 menunjukan hasil perbandingan ketiga
metode, dengan Naive Bayes unggul di 9 target
infrastruktur jalan, yaitu: jenis jalan, profil jalan,
konstruksi jalan, kualitas jalan, permukaan jalan,
situasi jalan, simpang, pengaturan jalan, dan batas
kecepatan.

Gambar 7: Perbandingan tingkat akurasi NB, SVM, dan DT

SVM unggul di 4 target, yaitu: keadaan jalan, pagar

pengaman, arus lalu lintas, dan lokasi. Sementara itu,
DT unggul di 6 target, yaitu: status jalan, kelas jalan,
jumlah lajur, penerangan, perbaikan jalan, dan
lingkungan. Hasil perbandingan menunjukan bahwa
Naive Bayes mempunyai performa yang relatif baik
untuk melakukan prediksi kecelakaan lalu lintas
berdasarkan infrastruktur jalan, walaupun ada beberapa
target dimana Naive Bayes tidak menunjukan hasil
yang maksimal.
5. KESIMPULAN
Hasil prediksi dengan Naive Bayes menunjukan
bahwa tingkat akurasi rata-rata berkisar antara
29.3653% sampai dengan 78.0415%, ini
menunjukan bahwa tidak semua infrastruktur jalan
bisa digunakan sebagai parameter sebuah
kecelakaan terjadi karena masih ada hasil prediksi
yang berada di bawah 50%. Namun ini bukan
merupakan
hasil
final
yang
langsung
diimplementasikan. Prediksi kecelakaan lalu lintas
ini masih merupakan penelitian yang sedang
berjalan dan belum sepenuhnya selesai. Selain
infrastruktur jalan, masih ada hal lain yang menjadi
target, antara lain dari sisi kendaraan yang
mengalami
kecelakaan,
manusia
yang
mengemudikan kendaraan tersebut, dan cuaca
dimana kecelakaan itu terjadi. Penelitian lebih lanjut
sangat diperlukan untuk melihat seberapa besar
korelasi antara target-target tersebut dengan
kecelakaan lalu lintas.
DAFTAR REFERENSI
[1] Badan Pusat Statistik, Jumlah Kecelakaan,
Koban Mati, Luka Berat, Luka Ringan, dan
Kerugian Materi yang Diderita Tahun 19922009, Diakses pada 14 Desember 2011 dari

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