Wardiman - Alimudin - Analisis Tingkat Kecelakaan Lalu Lintas
Wardiman - Alimudin - Analisis Tingkat Kecelakaan Lalu Lintas
Abstract
Kecelakaan lalu lintas merupakan salah satu penyebab kematian yang cukup besar. Banyak faktor yang
menyebabkan terjadinya kecelakaan lalu lintas. Namun tidak banyak analisis yang dilakukan terhadap faktor
penyebab kecelakaan tersebut. Metode Association rules dengan algoritma apriori dapat digunakan untuk
meneliti faktor-faktor penyebab kecelakaan tersebut. Association rules sangat sesuai untuk mencari
keterhubungan antara faktor-faktor penyebab kecelakaan dengan kategori kecelakaan rugi material, ringan,
sedang, dan berat. Pada penelitian ini, digunakan nilai support minimum (min_supp) 0.1 dan nilai
confidence minimum (min_conf) 50% untuk menghasilkan pola keterhubungan yang kuat antar faktor-
faktor kecelakaan lalu lintas. Dengan pola kombinasi 4 iterasi/pengulangan (K 4-itemset) diketahui
bahwa tingkat keterhubungan kecelakaan terbesar yaitu pada kecelakaan dengan skala ringan yaitu
sebesar 638 kali kejadian atau 68% dari total kecelakaan lalu lintas yang terjadi di Kabupaten Pinrang
Association rues digunakan untuk Gambar 2. Output Asosiasi faktor-faktor kecelakaan lalu
menentukan pola terjadinya kecelakaan lalu lintas
lintas yang terjadi di kabupaten Pinrang, Berdasarkan gambar 3, diperoleh
dengan menggunakan algoritma apriori akan informasi bahwa Tingkat kecelakaan “Ringan”
dilakukan proses pencarian asosiasi hingga 4 sangat sering terjadi di jalan dengan bentuk
iterasi/ kombinasi (4-k itemset) yang geometri yang lurus (ditandai dengan ukuran
merupakan kombinasi terbanyak yang muncul lingkaran kuning yang lebih besar
setelah dilakukan analisis, batasan min_supp dibandingankan dengan lingkaran kuning yang
yang digunakan oleh peneliti adalah 1% lain). Sementara itu, Tingkat kecelakaan
(disesuaikan dengan presentase/supp “Rugi “Berat” sangat jarang terjadi di “Jalan
Materi Saja yaitu 2%) dan min_conff sebesar
Nasional”, pada saat “malam hari” (ditandai
50% untuk menghasilkan kombinasi yang kuat
dengan ukuran lingkaran kuning yang lebih
antara faktor-faktor kecelakaan yang terjadi.
kecil dibandingankan dengan lingkaran kuning
Analisis dilakukan dengan menggunakan
yang lain), seperti tampak pada gambar 4.
software R 3.3.0 dengan mengaktifkan library
arules, gdate, arulViz. Hasil analisis
selengkapnya dapat dilihat pada gambar 2.
Berdasarkan batasan yang telah ditentukan,
diketahui bahwa ada 322 aturan asosiasi yang
terbentuk hingga 4 kali (k-4 itemset). Informasi
yang diperolah adalah:
1. Setiap faktor kecelakaan dengan bentuk
geometri yang “lurus” akan menghasilkan
tingkat kecelakaan “Ringan” dengan nilai
support 0.59=59% dengan confidence
0.67=67% dari seluruh total kecelakaan
yang terjadi
2. Setiap faktor kecelakaan dengan kondisi
cahaya yang “terang/jelas” akan Gambar 3. Faktor-faktor Penyebab Kecelakaan Ringan
menghasilkan tingkat kecelakaan “Ringan”
dengan nilai support 0.52=52% dengan
confidence 0.77=77% dari seluruh total
kecelakaan yang terjadi
3. Setiap faktor kecelakaan dengan bentuk
geometri yang “lurus” dan kondisi cahaya
yang “terang/jelas” akan menghasilkan
[3]Faza, Sharfina. 2015. Pencarian
Association Rules Pada Data Lulusan
Mahasiswa Perguruan Tinggi
Menggunakan Algoritma FP-
Growth. Skripsi.Universitas
Sumatera Utara
[4] Harris Kurniawan, Fujiati, Alfa Saleh.
2014. Analisa Pola Data Penyakit
Rumah Sakit Dengan Menerapkan
Metode Association Rule
Gambar 4. Faktor-faktor Penyebab Kecelakaan berat
Menggunakan Algoritma Apriori.
V. KESIMPULAN Seminar Nasional Informatika 2014,
Berdasarkan percobaan yang telah pp. 1-7
dilakukan, maka dapat disimpulkan sebagai [5] Huda, N.M. 2010. Aplikasi data mining
berikut: untuk menampilkan informasi tingkat
1. Implementasi Association rule kelulusan mahasiswa. Skripsi.
menggunakan algoritma apriori dan Eclat Universitas Diponegoro.
untuk mengetahui tingkat kecelakaan lalu [6] Hakim, Lukman & Fauzy, Akhmad.
lintas menghasilkan aturan asosiasi atau 2015. Penentuan Pola Hubungan
Association rule dengan nilai support dan Kecelakaan Lalu Lintas
confidence yang telah ditentukan Menggunakan Metode Association
2. Dengan pola kombinasi 4 Rule dengan Algoritma Apriori.
iterasi/pengulangan (K 4-itemset) diketahui University Research Colloquium
bahwa tingkat kecelakaan terbesar yaitu
2015, pp. 1-9
kecelakaan dengan tingkatan “Ringan”
yaitu sebesar 638 kali kejadian atau 68% [7] Manurung, Eva Cristy Yuliana. 2014.
dari total kecelakaan lalu lintas yang terjadi Analisis Perbandingan Algoritma
di Kabupaten Pinrang Apriori dan Algoritma FP-Growth
untuk Korelasi Pembelian Produk
UCAPAN TERIMA KASIH (Studi Kasus : Sumber Swalayan
Ucapan terima kasih yang sebesar-besarnya Medan). Skripsi.Universitas
saya berikan kepada pihak kepolisian Indonesia
Kabupaten Pinrang dan juga bapak/ibu dosen [8] Ma’ruf, F.A. 2013. Aplikasi data
Program studi Teknik Komputer dan Jaringan mining untuk mengetahui hubungan
Politeknik Negeri Ujung Pandang yang telah proses masuk dengan tingkat
membantu penelitian ini. kelulusan mahasiswa (studi kasus:
STMIK AMIKOM yogyakarta).
REFERENSI Naskah Publikasi. Sekolah Tinggi
[1] Aritonang, Pathrecia. 2012. Manajemen Informatika dan
Implementasi Data Mining Dengan Komputer AMIKOM.
Association Rule Dalam [9] Sholichan, Alfiyatus. 2009. Data
Pengambilan Keputusan Untuk Mining Untuk Pembiayaan
Korelasi Pembelian Produk Murabahah Menggunakan
Menggunakan Algoritma Apriori. Association Rule. Skripsi.Universitas
Skripsi.Universitas Gadjah Mada Islam Negeri Maulana Malik Ibrahim
[2] Dwina Kuswardani, M.Rahmat Malang
Widyanto, Indang Trihandini. 2011. [10] Wikipedia.id. Kecelakaan lalu-lintas.
Metode Association Rule Untuk https://id.wikipedia.org/wiki/Kecelak
Analisis Citra CT Organ Pasien aan_lalu-lintas (diakses 4 Juli 2015)
Kanker Ovarium. Jurnal Ilmiah
Kursor, pp. 1-10