Analisis Tingkat Kecelakaan Lalu Lintas dengan Metode Association Rule

Menggunakan Algoritma Apriori

Wardiman Alimuddin1), Eddy Tungadi2, Zawiyah Saharuna3)

email: Bz.diman@gmail.com1) e_tungadi@yahoo.com2) wia.saharuna@gmail.com 3)
1,2,3
Jurusan Teknik Elektro Politeknik Negeri Ujung Pandang

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

Keywords: data mining, association rule, apriori, kecelakaan lalu lintas

I. PENDAHULUAN lintas ini karena besarnya tingkat

Berdasarkan informasi dari World
Health Organization (WHO), angka
kecelakaan untuk setiap tahunnya sebanyak
1.300.000 jiwa melayang, hal ini sebabkan
oleh kecelakaan lalu lintas dengan tiap
detik satu nyawa menjadi korban dari
kecelakaan lalu lintas yang ada di dunia.
Kecelakaan lalu lintas berada pada posisi 3
besar penyebab kematian (Ernita, 2013).
Data statistik menunjukkan angka
kecelakaan lalu lintas di Indonesia dari
tahun ke tahun cenderung meningkat.
Peningkatan jumlah kecelakaan secara
drastis terjadi pada periode 2004-2005 dan
periode 2010-2012. Pada periode 2004-
2005 meningkat tajam dari 17.732 kasus
pada 2004 menjadi 91.623 kasus pada 2005
atau meningkat 5 kali lipat, sedangkan
periode 2010-2012 meningkat tajam dari
66.488 kasus pada 2010 menjadi 109.776
kasus pada 2011 dan 117.949 kasus pada
2012. Namun pada tahun 2013, tingkat
kecelakaan mengalami penurunan menjadi
93.578 kasus atau menurun sekitar 21%
dibanding tahun sebelumnya.
Beberapa Kabupaten/Kota di
Sulawesi perlu menjadi sorotan pihak
kepolisian terkait masalah kecelakaan lalu
kecelakaan lalu lintas yang terjadi,
terkhusus Kabupaten Pinrang yang tercatat
terjadi sekitar ±1000 kecelakaan lalu lintas
selama periode 2013-2016.
Ketika sebuah instansi khususnya
kepolisian memiliki banyak data namun
miskin akan informasi, sebuah teknologi
data mining berkembang dalam menjawab
tantangan itu. Untuk menentukan pola dan
menemukan aturan asosiatif antara suatu
kombinasi item dari sekian banyaknya data
yang dimiliki oleh kepolisian dapat
digunakan metode Assosiation rule yang
pada dasarnya menggunakan dua parameter
yaitu support (nilai penunjang) yaitu
persentase kombinasi item tersebut dalam
database dan confidence (nilai kepastian)
yaitu kuatnya hubungan antar item dalam
aturan assosiatif.
Kepolisian berkaitan dengan
fungsinya sebagai pengayom masyarakat
diharapkan mampu mengambil tindakan
dalam menyikapi fenomena kecelakaan lalu
lintas yang dapat dilakukan dengan
menggunakan teknologi data mining
menggunakan metode Assosiation rule
dengan menentukan kecenderungan pola
yang sering terbentuk dari faktor-faktor
yang menjadi penyebab terjadinya
kecelakaan di jalan raya khususnya di
Kabupaten Pinrang.
Dengan menggunakan metode
Association rule tumpukan data kecelakaan
lalu lintas yang dimiliki oleh pihak
kepolisian akan dicari keterkaitan antara
variabel yang akan digunakan pada
penelitian ini sehingga dapat dikelola
menjadi informasi yang bermanfaat,
algoritma Association rule seperti Eclat dan
apriori sangat cocok digunakan untuk
mencari frequent itemset atau frekuensi
kemunculan suatu faktor kecelakaan lalu
lintas.
II. LANDASAN TEORI
A. DATA MINING
Data Mining atau sering disebut sebagai
knowledge discovery in database (KDD) adalah
kegiatan yang meliputi pengumpulan,
pemakaian dan historis untuk menemukan
keteraturan, pola atau hubungan dalam data
berukuran besar. Keluaran Data Mining ini bisa
dipakai untuk pengambilan keputusan di masa
depan. Pengembangan KDD ini menyebabkan
penggunaan pattern recognition semakin
berkurang karena telah menjadi bagian dari
Data Mining (Mujisah, 2011).
Metode ini merupakan gabungan 4
(empat) disiplin ilmu yakni statistic, visualisasi,
database, dan machine learning. Adapun
machine learning adalah suatu area dalam
artificial intelligence atau kecerdasan buatan
yang berhubungan dengan pengembangan
teknik-teknik pemrograman berdasarkan
pembelajaran masa lalu dan bersinggungan
dengan ilmu statistika dan juga optimasi.
B. ASSOCIATION RULE
Analisis asosiasi (association rule)
adalah teknik data mining untuk menemukan
aturan assosiatif antara suatu kombinasi item.
Analisis asosiasi dikenal juga sebagai salah satu
teknik data mining yang menjadi dasar dari
berbagai teknik data mining lainnya.
Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frekuensi
tinggi (frequent pattern mining) menarik
perhatian banyak peneliti untuk
menghasilkan algoritma yang efisien.
Penting tidaknya suatu aturan assosiatif
dapat diketahui dengan dua parameter, support
(nilai penunjang) yaitu persentase kombinasi
item tersebut dalam database dan confidence
(nilai kepastian) yaitu kuatnya hubungan
antar item dalam aturan assosiatif.
Berikut merupakan perhitungan nilai
support dan nilai confidence
(1)
(2)
C. APRIORI
Algoritma ini digunakan untuk
mencari frequent itemset yang memenuhi
minsup kemudian mendapatkan rule yang
memenuhi konfigurasi minimum dari
frequent itemset tadi. Algoritma ini
mengontrol berkembangnya kandidat
itemset dari hasil frequent itemset dengan
support-based pruning untuk
menghilangkan itemset yang tidak menarik
dengan menetapkan minsup. Prinsip dari
apriori iniadalah bila itemset digolongkan
sebagai frequentitemset yang memiliki
support lebih dari yang ditetapkan
sebelumnya, maka semua subsetnya juga
termasuk golongan frequent itemset, dan
sebaliknya.
III. METODE PENELITIAN
A. DATA PENELITIAN
Data yang digunakan oleh peneliti adalah
data kecelakaan lalu lintas di kabupaten pinrang
tahun 2013-2016 dengan total kecelakaan
sebanyak 903 kejadian, data diperoleh dari
korlantas.info bekerjasama pihak kepolisian
kabupaten pinrang
B. RANCANGAN PENELITIAN
Pada penelitian ini akan dilakukan
beberapa langkah untuk mencapai tujuan
penelitian seperti pada gambar 1 .Proses
analisis yang dilakukan pada penelitian ini
dimulai dari preprosesing data yang
meliputi pengumpulan data, penentuan
variabel, dan pengelompokan variabel,
setelah itu dilakukan pemrosesan data yang c. Waktu Kejadian
meliputi analisis frequent itemset, Pada penelitian ini tidak digunakan format
pembentukan aturan asosiasi menggunakan waktu 24:00 /24 jam tetapi waktu terjadinya
tools R. Tahap berikutnya yaitu proses kecelakaan lalu lintas dibagi menjadi lima
mining, pada tahapan ini akan dilakukan bagian yaitu :
 Dini Hari (22.01 – 06.29)
proses frequent item/itemset dan candidate
 Pagi Hari (6.30 – 10.00)
generation itemset secara bertahap untuk
 Siang Hari (10.01 – 14.59)
menghasilkan nilai support dan nilai
 Sore Hari (15.00 – 18.00)
confidence menggunakan algoritma apriori.
 Malam Hari (18.01 – 22.00)
d. Bentuk Geometri
Variabel Bentuk Geometri menjabarkan
bentuk/model jalan dimana terjadi kecelakaan
lalu lintas, variable ini terbagi menjadi 6 yaitu
 Jembatan
 Lurus
 T (SIMPANG)
 Tikungan
Gambar 1 bagan praproses dan proses penelitian  X atau + (Simpang)
 Y (Simpang)
e. Status Jalan
C. VARIABEL PENELITIAN Variabel Status Jalan terbagi menjadi 4
Penelitian ini menggunakan 5 variabel bagian yaitu :
condition dan 1 variabel decision. Variabel  Jalan Desa
penelitian adalah suatu yang menjadi objek  Jalan Kota/Kabupaten
penelitian atau juga diartiakan sebagai faktor-  Jalan Nasional
faktor yang berperan dalam peristiwa atau  Jalan Provinsi
gejala yang akan diteliti. Variabel dalam f. Tingkat Kecelakaan (Variabel
penelitian ini dirangkum dari beberapa faktor Condition)
penyebab kecelakaan lalu lintas dan dari Variabel Tingkat Kecelakaan merupakan
penelitian terdahulu yang dilakukan. Berikut variable yang digunakan sebagai variable
adalah variabel penelitian yang akan diteliti. condition, variabel ini akan menghasilkan
seberapa besar tingkat kecelakaan yang dialami
a. Variabel Tipe Kecelakaan korban/pelaku saat terjadi kecelakaan lalu
Variabel tipe kecelakaan merupakan lintas, variabel ini terbagi menjadi 4 tingkatan
model kecelakaan yang terjadi di lokasi dengan yaitu:
pembagian sebagai berikut :  Berat
 Di ruas jalan, Pejalan kaki tertabrak  Sedang
kendaraan
 Ringan
 Di ruas jalan, tabrakan kendaraan dengan
 Rugi Materi Saja
kendaraan
 Di simpang, tabrakan Kendaraan dengan IV. HASIL DAN PEMBAHASAN
kendaraan
 Tabrakan depan – belakang Pada penelitian ini tingkat kecelakaan
 Tabrakan depan – depan digunakan sebagai variabel decision atau
 Tabrakan kendaraan dengan benda variabel yang menjadi parameter dari
b. Kondisi Cahaya kombinasi itemset yang menghasilkan
Variabel kondisi cahaya menjelaskan tingkat kecelakaan dengan tingkatan yang
bagaimana tingkat pencahayaan, jarak pandang “Ringan”, “Sedang”, “Berat”, ataukah
dan juga intensitas cahaya dilokasi kejadian, “Rugi Material”. Nilai support minimum
variabel adalah sebagai berikut: (min_supp) disesuaikan dengan frekuensi
 Gelap / Tidak terlihat minimum dari class variabel tingkat
 Redup / Samar kecelakaan dengan tingkatan “Rugi Materi
 Terang / Jelas
Saja” = 2%, makan nilai min_supp yang tingkat kecelakaan “Ringan” dengan nilai
digunakan yaitu 1 % dengan tingkat support 0.40=40% dengan confidence
kepercayaan (confidence) 50%. Pada table 0.78=78% dari seluruh total kecelakaan
1 ditunjukkan bahwa dari 903 total yang terjadi
kecelakaan lalu lintas terjadi diketahui
bahwa 638 atau 68% dari total kecelakaan
dengan tingkat ringan, 123 atau 13% dari
total kecelakaan dengan tingkat sedang,
156 atau 17% dari total kecelakaan dengan
tingkat berat dan 16 atau 2% dari total
kecelakaan yang terjadi
Tabel 1. Tingkat Kecelakaan
Tingkat
Frekuensi Persentase/supp
Kecelakaan
Ringan 638 68%
Sedang 123 13%
Berat 156 17%
Rugi Materi Saja 16 2%

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