BAB I

PENDAHULUAN

1.1. Latar Belakang

Kecelakaan lalu lintas merupakan masalah kesehatan yang potensial di

Indonesia seiring makin giatnya pembangunan akhir-akhir ini (Singh, 2015). Menurut
data Global Status Report on Road Safety tahun 2013 menempatkan Indonesia
sebagai negara urutan kelima tertinggi angka kecelakaan lalu lintas di dunia
(Gresnews, 2014). Sedangkan menurut World Health Organization (WHO), angka
kecelakaan untuk setiap tahunnya sebanyak 1,3 juta jiwa melayang akibat kecelakaan
lalu lintas dengan tiap detik satu nyawa menjadi korban dari kecelakaan lalu lintas di
dunia. Kecelakaan lalu lintas berada pada posisi 3 besar penyebab kematian (Ernita,
2013).
Sulawesi Tenggara merupakan salah satu provinsi di Indonesia dengan jumlah
kasus kecelakaan yang terbilang besar tiap tahunnya. Menurut badan statistika
Provinsi Sulawesi Tenggara, angka kecelakaan di Sulawesi Tenggara pernah
mencapai angka 6.307 kasus pada tahun 2017. Kecelakaan lalu lintas dipengaruhi
beberapa faktor yang diakibatkan karena kondisi pengendara, karakteristik jalan,
lingkungan dan cuaca (Akin & Akbas 2010). Sampai saat ini, daerah rawan
kecelakaan makin meningkat yang mengakibatkan banyak korban.
Dalam dunia ilmu komputer, dikenal luas data mining sebagai teknik untuk
meringkas data dengan cara yang berbeda dengan yang biasa diterapkan, menemukan
hubungan yang tidak diduga, menemukan pola yang dapat dipahami dan bermanfaat
bagi pemilik data (Larose, 2014). Berbagai macam teknik data mining (Tan, 2006)
seperti teknik klasifikasi (Yunanto & Purnomo, 2012), klastering (Iswari & Ayu,

1
 2

2016) dan asosiasi (Ransi & Winarko, 2014) banyak digunakan dalam menganalisis
daerah rawan kecelakaan lalu lintas.
Untuk dapat mengetahui hubungan keterkaitan antara faktor-faktor penyebab
kecelakaan yang dapat dijadikan informasi dan pedoman bagi pemilik datadan
masyarakat luas, maka diperlukan suatu metode khusus yang mampu menemukan
hubungan dari random kejadian kecelakaan dan menemukan pola tertentu
didalamnya sehingga diharapkan mampu memprediksi kemungkinan kejadian yang
sifatnya bernilai negative sehingga mampu diminimalisisr. Metode asosiasi
digunakan untuk mengetahui hubungan-hubungan tersebut. Metode asosiasi sendiri
merupakan teknik data mining untuk menemukan aturan asosiatif antara kombinasi
suatu item. Contoh aturan asosiatif dari analisis pembelian di suatu pasar swalayan
adalah seperti berapa besar kemungkinan seorang pelanggan mem-beli roti bersamaan
dengan susu.
Dalam penelitian ini peneliti menggunakan dua metode asosiasi yakni Metode
Apriori dan Metode FP-Growth yang kemudian dilakukan perbandingan secara
ilmiah untuk melihat tingkat kelebihan dan kekurangan dari kedua metode tersebut
dalam menentukan factor factor penyebab kecelakaan du suatu daerah Oleh karena
itu, dengan melakukan perbandingan dari dua buah metode asosiasi, yakni metode
Apriori dan Metode FP-Growth, maka metode terbaik dalam menentukan factor
factor penyebab kecelakaan di suatu daerah dapat ditentukan yang diharapkan mampu
dijadikan sebagai tolak ukur delam meminimalisisr tingkat kecelakaan disuatu daerah
Berdasarkan latar belakang yang telah diuraikan di atas, maka dapat diambil
topik penelitian dengan judul “Analisis Perbandingan Metode Apriori dan FP-
Growth untuk Menentukan Faktor-Faktor Penyebab Kecelakaan” sebagai media
yang mampu mengurangi tingkat kecelakaan kendaraan.

1.2. Rumusan Masalah

Sesuai dengan yang telah diuraikan pada latar belakang, maka dapat dirumuskan
masalah dalam penelitian ini yaitu bagaimana menganalisis perbandingan metode
 3

asosiasi Apriori dan FP-Growth dalam menentukan faktor-faktor penyebab

kecelakaan lalu lintas.

1.3. Batasan Masalah

1. Lokasi studi adalah kecamatan-kecamatan di wilayah Kota Kendari yang tercatat

di Dinas Kesehatan Kota Kendari.
2. Data yang digunakan dalam penelitian yaitu data kecelakaan tahun 2010-2016
yang diperoleh dari Polres Kota Kendari.
3. Fitur-fitur yang diuji adalah hari, waktu, lokasi, karakteristik jalan, cuaca,
keadaan jalan, keadaan lalu lintas, lingkungan sekitar, jenis kecelakaan dan
kondisi pengendara saat terjadinya kecelakaan.
4. Menggunakan Algoritma Apriori dan FP-Growth untuk mengetahui hubungan
antara faktor-faktor penyebab kecelakaan di kota Kendari.

1.4. Tujuan Penelitian

Berdasarkan rumusan masalah di atas, tujuan dari penelitian ini adalah untuk
mengetahui perbandingan dari algoritma apriori dan FP-Growth dalam menentukan
faktor-faktor penyebab kecelakaan di Kota Kendari.

1.5. Manfaat Penelitian

1. Dapat menjadi acuan dan pembelajaran dalam penelitian berikutnya, khususnya

memberikan informasi mengenai daerah rawan penyakit di wilayah Kota
Kendari.
2. Dapat membantu Dinas Kesehatan Kota Kendari dalam memberikan informasi
mengenai daerah rawan penyakit di wilayah Kota Kendari.
 4

1.6. Sistematika Penulisan

Sistematika penulisan proposal Tugas Akhir ini adalah sebagai berikut :

BAB I PENDAHULUAN

Bab ini menjelaskan mengenai latar belakang, rumusan masalah, batasan

masalah, tujuan penelitian, manfaat penelitian, sistematika penulisan dan tinjauan
pustaka.

BAB II LANDASAN TEORI

Bab ini memuat pengertian-pengertian dan teori-teori yang menjadi acuan

dalam pembangunan sistem dan berhubungan dengan masalah yang diambil meliputi
Algoritma Apriori, Algoritma FP-Growth, Unified Modeling Language (UML),
Bahasa pemrograman PHP, Cascading Style Sheet (CSS), dan MySQL.

BAB III METODOLOGI PENELITIAN

Bab ini berisi metode penelitian yang digunakan. Metode pengembangan

perangkat lunak yang digunakan adalah metode Apriori dan FP-Growth, sedangkan
penyusunan laporan menggunakan studi literatur.

BAB IV ANALISIS DAN PERANCANGAN

Bab ini berisi penjelasan tentang analisis sistem, penjelasan perancangan

aplikasi, serta perancangan UML.

BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM

 5

Bab ini membahas mengenai pembuatan program dan hasil uji coba program
yang telah dirancang dan diimplementasikan dengan Algoritma Complete Linkage.

BAB VI PENUTUP

Bab ini berisi kesimpulan dari penjelasan Bab I sampai Bab V serta saran dari
penulis.

1.7. Tinjauan Pustaka

Pada tahun 2013, Purnama, Cucu Suhery dan Dedi Triyanto, melakukan
penelitian tentang Implementasi Logika Fuzzy dalam Pengolahan Peta Tematik
Daerah Rawan Penyakit Demam Berdarah (Studi kasus : Kota Pontianak). Dalam
penelitian ini sistem Logika Fuzzy digunakan dalam pengambilan keputusan untuk
menentukan suatu daerah rawan Demam Berdarah Dengue (DBD) di Kota
Pontianak yang digambarkan dalam bentuk peta tematik. Faktor-faktor penentu
kerawanan yang digunakan adalah suhu udara, curah hujan, kelembaban udara,
kepadatan penduduk, jumlah sarana kesehatan dan frekuensi DBD. Metode yang
digunakan dalam sistem ini adalah metode Sugeno. Data yang digunakan pada
penelitian ini sebanyak 72 data. Hasil penelitian ini berupa peta tematik penyebaran
Demam Berdarah Dengue (DBD) di Kota Pontianak menggunakan Sistem Informasi
Geografis (SIG). Secara umum pada peta dapat dilihat bahwa Kota Pontianak
dikategorikan daerah tidak rawan DBD dengan nilai kerawanan rata-rata sebesar
0,1357. Namun pada bulan Oktober terdapat daerah yang dikategorikan sangat rawan
Demam Berdarah Dengue (DBD) yaitu Kecamatan Pontianak Kota dengan nilai
kerawanan sebesar 0,9037 sedangkan Kecamatan yang dikategorikan daerah rawan
DBD adalah Kecamatan Pontianak Utara yaitu pada bulan Oktober dan November
dengan nilai kerawanan sebesar 0,5610.
 6

Pada tahun 2015, Tri Febriana Laraswati, meneliti tentang pemilihan

metode terbaik diantara metode complete-linkage, average-linkage, dan K-means
dengan penerapan di bidang kesehatan antaran lain dengan mengelompokkan
kecamatan untuk mengetahui tingkat kesehatan menurut jumlah kasus beberapa
penyakit yang di derita oleh masyarakat wilayah provinsi D.I.Yogyakarta yaitu
penyakit DBD, Diare, TB paru, Pneumonia pada balita serta masalah kesehatan gizi
buruk pada balita. Hasilnya adalah menunjukkan bahwa pada metode complete
linkage dan average linkage membentuk 3 cluster yaitu cluster pertama 61
kecamatan, cluster kedua 14 kecamatan, cluster ketiga 3 kecamatan. Pada metode k-
means terbentuk cluster pertama 3 kecamatan, cluster kedua 59 kecamatan, cluster
ketiga 16 kecamatan. Untuk metode complete linkage dan average linkage
diperoleh kelompok kecamatan cluster 1 dengan tingkat kesehatan baik, cluster 2
dengan tingkat kesehatan kurang baik, cluster 3 dengan tingkat kesehatan
buruk/rawan, sedangkan untuk metode k-means diperoleh kelompok kecamatan
cluster 3 dengan tingkat kesehatan baik, cluster 2 dengan tingkat kesehatan kurang
baik, cluster 1 dengan tingkat kesehatan buruk/rawan. Pada perbandingan
nilai simpangan baku (s), nilai terkecil dimiliki oleh metode complete linkage
dan average linkage, yang berarti metode complete linkage dan average linkage lebih
baik bila dibandingkan dengan metode k-means.
Pada tahun 2017, Arif Roziqin dan Fitri Hasdiyanti, melakukan penelitian
tentang Pemetaan Daerah Rawan Penyakit Demam Berdarah Dengue (DBD) di pulau
Batam. Penelitian ini bertujuan untuk memetakan sebaran daerah demam berdarah di
Pulau Batam. Penelitian ini menggunakan data sekunder dengan memberikan atribut
dan penilaian berdasarkan parameter fisik yang dianggap menyebabkan penyakit
demam berdarah. Parameter DBD adalah curah hujan, kelembaban udara dan
kepadatan penduduk yang berpengaruh langsung terhadap habitat perkembangan
nyamuk Aedes Aegypti. Data yang digunakan adalah data sekunder yang diperoleh
dari Badan Pusat Statistik (BPS) Kota Batam tahun 2015. Melalui tahapan penilaian
dan analisis data menghasilkan zona tingkat kerawanan. Hasil penelitian
 7

menunjukkan bahwa Pulau Batam termasuk daerah dengan tingkat kerawanan

rendah. Informasi geospasial yang merupakan sebaran tingkat kerawanan penyakit
demam berdarah di Pulau Batam disajikan dalam bentuk peta.
Berdasarkan ketiga penelitian tersebut, maka pada penelitian yang akan
dilakukan ini yaitu membangun sebuah sistem untuk mengklasifikasikan Daerah
Rawan Penyakit di Kota Kendari dengan menerapkan Algoritma Complete Linkage
Clustering. Perbedaan dengan penelitian-penelitian sebelumnya yaitu penelitian ini
menggunakan metode Hierarchical Clustering dengan Algoritma Complete Linkage
dimana metode dan algoritma ini memiliki hasil pengelompokkan yang lebih baik.
Dimana prinsip dari Clustering ini adalah memaksimalkan kesamaan antar anggota
satu cluster dan meminimumkan kesamaan antar anggota cluster yang berbeda.
Pengambilan data pada penelitian ini adalah data penyakit dari keseluruhan
kecamatan di Kota Kendari dengan data riwayat penyakit dari tahun 2013 hingga
tahun 2017 yang diperoleh dari Dinas Kesehatan Kota Kendari. Data penyakit yang di
gunakan adalah penyakit DBD (Demam Berdarah Dengue), Diare dan TBC (Tuber
Culosis).