90

Penerapan Algoritma Fp-Growth dalam

Menentukan Pola Kecelakaan Lalu Lintas
Irwanto1, Fitra Kurnia2, Siti Monalisa3 , dan Ichsan Fahmi4
1,2
Program Studi Teknik Informatika, Fakultas Sains Dan Teknologi
3
Program Studi Sistem Insformasi, Fakultas Sains Dan Teknologi
Universitas Islam Negeri Sultan Syarif Kasim Riau
Jln. HR. Soebrantas, No. 155, Pekanbaru
4
Program Studi Pendidikan Teknik Elektro Fakultas Keguruan dan Ilmu Pendidikan
Universitas Nusa Cendana, Jalan Adi Sucipto Penfui Kupang, NTT
e-mail: fitra.k@uin-suska.ac.id

Abstrak—Kecelakaan lalu lintas merupakan suatu peristiwa dijalan yang tidak dapat diduga dan tidak disengaja yang
melibatkan kendaraan atau dengan tanpa pengguna jalan lain yang mengakibatkan korban manusia dan kerugian harta benda.
Selama tahun 2013 sampai 2017 telah terjadi kecelakaan lalu lintas (Lakalantas) sebanyak 1726 kasus di Kota Pekanbaru dan
terus bertambah setiap tahunnya. Dimana data-data kecelakaan lalu lintas tersebut hanya digunakan sebagai bahan
rekapitulasi dan publikasi bagi pihak Polresta atau bagi pihak terkait. Berdasarkan permasalahan yang terjadi maka
digunakan suatu teknik datamining yang dapat mencari pola kecelakaan lalu lintas. Asosiasi merupakan suatu prosedur untuk
mencari hubungan tiap item dalam suatu dataset yang digunakan dan algoritma yang digunakan adalah FP-Growth yang
merupakan salah satu algoritma dalam penentuan himpunan data yang paling sering muncul pada sekumpulan data. Hasil dari
penggunaan algoritma FP-Growth dengan minimum support 1% dan confidence 10% menghasilkan 5557 pola dari seluruh data
kecelakaan dan 168 pola yang mencapai tujuan penelitian yaitu pola 5 itemset.

Kata Kunci: asosiasi, confidence, datamining, frequent itemset, FP-Growth, kecelakaan lalu lintas, support

Abstract—Traffic accidents are an unpredictable and unintentional road event involving a vehicle or with no other road user
resulting in human casualties and property losses. During the years 2013 to 2017 there have been traffic accidents (Lakalantas) as
many as 1726 cases in Pekanbaru and continue to grow every year. Where traffic accident data is only used as a recapitulation
material and publication for the party of Polresta or for related parties. Based on the problems that occur then used a datamining
technique that can find the pattern of traffic accidents. The Association is a procedure to search for the relationship of ea ch item in
a dataset used and the algorithm used is FP-Growth which is one of the algorithms in determining the dataset that most commonly
appears in a set of data . Results of the use of FP-Growth algorithms with a minimum of 1% support and confidence 10% resulted in
5557 patterns of the entire data accident and 168 patterns that reached the research goal of pattern 5 itemset.

Keywords: associations, confidence, datamining, frequent itemset , FP-Growth, traffic accidents, support

I. PENDAHULUAN kecelakaan lalu lintas tersebut, 73 orang diantaranya

meninggal dunia, sedangkan yang mengalami luka berat
Kecelakaan lalu lintas merupakan “suatu peristiwa
ada sebanyak 91 orang, dan luka ringan sebanyak 152
dijalan yang tidak dapat diduga dan tidak disengaja yang
orang yang menjadi korban” [14].
melibatkan kendaraan atau dengan tanpa pengguna jalan
Berdasarkan data-data tersebut kecelakaan lalu lintas
lain yang mengakibatkan korban manusia dan kerugian
di Kota Pekanbaru merupakan kasus yang sering terjadi.
harta benda” (Undang-Undang Republik Indonesia Nomor
Dimana data-data kecelakaan lalu lintas tersebut hanya
22, 2009). Kecelakaan lalu lintas yang terjadi
digunakan sebagai bahan rekapitulasi dan publikasi bagi
mengakibatkan korban meninggal dunia, luka berat dan
pihak Polresta atau bagi pihak terkait. Padahal dengan
luka ringan, serta kerugian materil yang dialami korban.
kemajuan teknologi informasi dan metode yang ada sangat
Secara umum kecelakaan lalu lintas terjadi disebabkan
memungkinkan untuk menggunakan data-data tersebut
oleh beberapa faktor mulai dari kelalaian manusia, kondisi
sebagai basis atau sumber untuk menemukan dan menggali
jalan dan kodisi cuaca, kelayakan kendaraan dan juga
informasi baru yang dapat bermanfaat, salah satunya
belum optimalnya penegakan hukum lalu lintas.
adalah untuk menentukan pola kecelakaan lalu lintas di
Kota Pekanbaru merupakan kota terbesar di Provinsi
Kota Pekanbaru.
Riau dimana sering terjadi kecelakaan lalu lintas yang
Untuk mendapatkan pola kecelakaan lalu lintas,
mengakibatkan kemacetan dan korban mengalami luka
diperlukan suatu teknik data mining yaitu teknik
ringan sampai luka berat hingga meninggal dunia. “Selama
association rule untuk menemukan pola antar item.
tahun 2017 telah terjadi kecelakaan lalu lintas (Lakalantas)
Algoritma yang digunakan dari teknik association rule ini
sebanyak 179 kasus di Kota Pekanbaru. Dari jumlah
adalah algoritma FP-growth. Fp-growth merupakan
Irwanto dkk.: Penerapan Algoritma Fp-Growth dalam Menentukan Pola Kecelakaan Lalu 91
Lintas

sebuah metode dalam data mining untuk mencari frequent 1. Luka ringan adalah korban yang mengalami luka-
itemset tanpa menggunakan candidate generation. FP- luka yang tidak harus dirawat lama seperti luka
growth ini merupakan pengembangan dari algoritma goresan.
apriori. Kekurangan dari algoritma apriori diperbaiki 2. Luka berat adalah korban yang kerena luka-lukanya
dengan menghilangkan candidate generation, karena FP- menderita cacat tetap atau harus dirawat dalam
growth menggunakan konsep pembangunan tree dalam jangka waktu lebih dari 30 hari sejak terjadinya
pencarian frequent itemset. Hal tersebut membuat kecelakaan.
algoritma FP-growth lebih cepat dibandingkan algoritma 3. Meninggal adalah korban yang dipastikan mati
apriori. sebagai akibat kecelakaan lalu lintas dalam waktu
Penelitian yang dilakukan [9] “implementasi paling lama 30 hari setelah kejadian tersebut.
algoritma FP-Growth pada aplikasi prediksi persediaan
sepeda motor”. FP-Growth merupakan salah satu
algoritma yang dapat digunakan untuk menentukan B. Pengertian Umur
himpunan data yang paling sering muncul (frequent Umur adalah lamanya waktu hidup yaitu terhitung
itemset) dalam sekumpulan data. Berdasarkan penelitian sejak lahir sampai dengan sekarang. Penentuan umur
[2] “penerapan data mining menggunakan algoritma FP- dilakukan dengan menggunakan hitungan tahun. usia
Tree dan FP-Growth pada data transaksi penjualan obat” adalah “umur individu yang terhitung mulai saat dilahirkan
algoritma FP-growth dapat diimplementasi dengan sampai berulang tahun”[3].
menggunakan database penjualan obat karena dapat Pembagian umur berdasarkan psikologi
menemukan pola kombinasi itemsets. Sehingga informaasi perkembangan [11] terbagi atas tingkatan umur manusia
tersebut dapat membantu mengembangkan strategi pada Tabel 1.
.
penjualan terhadap konsumen. Tabel 1. Pembagian Umur
Pada penelitian ini, peneliti telah menganalisi No Masa Umur
variabel-variabel yang akan digunakan dalam penelitian 1 Bayi Dari lahir hingga 18 atau 24 bulan
ini. Variabel atau atribut yang akan digunakan adalah jenis 2 Anak awal 24 bulan - 5 atau 6 tahun
kelamin, umur, tempat kejadian (kecamatan), kendaraan, 3 Anak tengah 6 - 11 tahun
4 Remaja awal 12 - 15 tahun
jenis luka. Penelitian ini menggunakan teknik association 5 Remaja akhir 15 - 19 tahun
rule dengan menggunakan algoritma FP-growth untuk 6 Dewasa awal 20 – 30 tahun
mengetahui pola yang terbentuk dari faktor-faktor yang 7 Dewasa tengah 31 – 59 tahun
mempengaruhi terjadinya kecelakaan lalu lintas. Penelitian 8 Dewasa akhir 60 - kematian
ini diharapkan dapat membantu sistem yang ada untuk
menghasilkan pengetahuan baru yang lebih bermanfaat C. Association Rule
bagi pihak Satuan Lalu Lintas Polresta Pekanbaru.
Association Rule merupakan suatu prosedur untuk
mencari hubungan tiap item dalam suatu dataset yang
II. LANDASAN TEORI
digunakan. Pada assotiation rule memberikan informasi
dalam bentuk “ if - then” atau “jika - maka”. Istilah jika
diwakili dengan antecedent sedangkan maka diwakili
A. Kecelakan Lalu Lintas dengan istilah consequent.
“Kecelakaan lalu lintas merupakan suatu kejadian atau Pada association rule terdapat istilah support.
peristiwa dimana beberapa kendaraan saling Support merupakan suatu ukuran yang menunjukkan
bersinggungan sehingga menyebabkan kerugian baik seberapa besar tingkat dominasi suatu itemset dari
dalam bentuk materi maupun kesehatan. Terdapat lima kesuluruhan transaksi. Untuk mencari nilai support 1-
jenis dan bentuk kecelakaan lalu lintas, yaitu: berdasarkan itemset menggunakan persamaan (1) sedangkan untuk
korban kecelakaan, berdasarkan lokasi kejadian, mencari nilai 2-itemset menggunakan persamaan (2) di
berdasarkan waktu terjadinya, berdasarkan posisi bawah ini.
kecelakaan, dan berdasarkan jumlah kendaraan yang ( )
terlibat” [1].
............(1)
Kecelakaan lalu lintas merupakan suatu masalah yang
perlu mendapatkan perhatian yang lebih dari pihak ( )
pemerintah maupun masyarakat. Ada beberapa faktor yang ........(2)
menyebabkan terjadinya kecelakaan lalu lintas diantara
sebagai berikut: Untuk mencari hubungan antara dua atau lebih item
secara conditional disebut dengan istilah confidence.
1. Faktor manusia Misalnya “jika A maka B” bentuk demikian disebut sebagi
2. Faktor kendaraan pola hubungan. Jika pola hubungan nilai confidence
3. Faktor jalan dan lainnya
dibawah threshold maka bisa diabaikan. Persamaan rumus
4. Faktor cuaca
confidence dijelaskan pada persamaan 2.3 di bawah ini:
PP RI No. 43 tahun 1993 tentang prasarana dan lalu ( )
lintas mendefinisikan kriteria korban kecelakaan lalu lintas
.......(3)
sebagai berikut:
92
Salah satu algoritma yang merupakan teknik asosiasi pada
data mining adalah algoritma Frequent Pattern Growth
(FP-growth).
1. Algoritma Frequent Pattern-Growth (FP-Growth)
Frequent Pattern-Growth (FP-Growth) merupakan
salah satu alternative algoritma yang bisa digunakan dalam
penentuan himpunan data yang paling sering muncul
(frequent itemset) pada sebuah kumpulan data [9].
Untuk mencari frequent itemset dengan menggunakan
FP-growth adalah dengan cara menggunakan FP-tree yang
merupakan perluasan dari pohon prefix. Langkah pertama
yang dilakukan yaitu pembentukan FP-tree. Setelah
pembentukan FP-tree dapat diterapkan algoritma FP-
growth untuk langsung mengekstrak frequent itemset dari
FP-tree yang telah ada dengan menggunakan prinsip
devide and conquer.
2. Pembentukan Frequent Pattern Tree (FP-Tree)
Untuk mencari frequent itemset dengan algoritma
FP-Growth dapat menggunakan struktur data perluasan
dari penggunaan sebuah pohon prefix atau disebut FP-
Tree. Setelah menggunakan FP-Tree maka algoritma FP-
Growth bisa mengekstrak frequen titemset dari FP-Tree
yang telah dibentuk dengan menggunakan prinsip devide
and conquer [9].
FP-Tree dibangun dengan cara memetakan setiap
data transaksi ke dalam lintasan tertentu. Jika terdapat
transaksi yang memiliki item yang sama maka lintasan
yang terbentuk akan tejadinya saling menimpa. Proses
pemampatan dengan struktur FP-Tree akan efektif jika
banyak terdapat data transaksi yang memiliki item yang
sama [9].
Pembangunan FP-Tree dimulai dari pembentukan
sebuah akar yang diberi label null, selanjutnya terdiri dari
sekumpulan pohon yang beranggotakan item-item tertentu.
Pada setiap simpul FP-Tree memiliki beberapa informasi,
yaitu Label item menjelaskan jenis item yang
direpresentasikan oleh simpul tersebut, Support count
merepresentasikan total lintasan transaksi yang melalui
simpul tersebut dan Pointer merupakan penghubung yang
menghubungkan simpul-simpul dengan label item sama
pada tiap lintasan yang ditandai dengan garis panah putus-
putus.
3. Penerapan Frequent Pattern Growth (FP-growth)
Setelah tahap pembangunan FP-tree dari sekumpulan
data selesai maka langkah selanjutnya yaitu penerapan
algoritma FP-growth yang bertujuan untuk mencari
frequent itemset. Algoritma FP-Growth terdiri dari 3
langkah utama [9], yaitu :
1. Pembangkitan Conditional Pattern Base
Pada tahapan ini dilakukan pembangkitan conditional
pattern base. Conditional Pattern Base adalah
subdata yang memiliki lintasan prefix (prefix path )
dan pola akhiran (suffix pattern). Pembangkitan ini
diperoleh dari hasil pembangunan FP-Tree.
2. Pembangkitan Conditional FP-Tree
Pada tahapan ini dilakukan penjumlahan terhadap
support count dari setiap item pada setiap
conditional pattern base. Setiap itemyang jumlah
support count lebih besar atau sam dengan minimum
Seminar Nasional dan Expo Teknik Elektro 2019
support count akan dibangkitkan dengan conditional
FP-Tree.
3. Pencarian Frequent item set
Pada tahapan ini penentuan conditional FP-Tree. Jika
conditional FP-Tree yang terbentuk adalah lintasan
tunggal (single path) maka dapat melakukan
kombinasi item untuk setiap conditional FP-
Treedengan tujuan untuk memperoleh frequent item
set.
4. Lift Rasio
Untuk mengevaluasi kuat tidaknya sebuah aturan
asosiasi maka bisa menggunakan lift rasio. Lift rasio
merupakan perbandingan antara confidence sebuah aturan
dengan dengan nilai benchmark confidence. Sedangkan
Benchmark Confidence merupakan perbandingan antara
jumlah semua item yang menjadi consequent terhadap
jumlah total transksi.
Rumus untuk mencari adalah
..............(4)
Keterangan :
Nc = Jumlah transaksi dengan item yang menjadi
consequent.
N = Jumlah transaksi basis data
Sedangkan rumus untuk mencari lift rasio yaitu :
( )
..............(5)
( )
Jika nilai lift rasio lebih besar dari 1 maka
menunjukkan rule atau aturan tersebut ada manfaat dan
bisa digunakan. Lebih tinggi nilai lift rasio maka lebih
besar kekuatan asosiasinya.
III. METODOLOGI PENELITIAN
Dalam melakukan sebuah penelitian perlu adanya
suatu prosedur yang dapat menjadi alur peneliti, sehingga
terbentuk suatu hasil yang diharapkan. Maka dibuatlah
metodologi penelitian yang akan dijelaskan dalam Gambar
1.
A. Analisa Kebutuhan Data
Pada tahapan ini dilakukan pengumpulan data yang
akan digunakan pada penelitian. Dimana penjelasan
terhadap sumber data, periode data dan jumlah data yang
akan digunakan seperti berikut ini:
1. Sumber data penelitian diperoleh dari Polresta
Pekanbaru
2. Data yang digunakan dari tahun 2013 sampai 2017.
3. Jumlah data terdiri 1726 record dengan 11 atribut.
4. Adapun atribut dari data tersebut dapat dillihat pada
Tabel 2.
Irwanto dkk.: Penerapan Algoritma Fp-Growth dalam Menentukan Pola Kecelakaan Lalu 93
Lintas

Perumusan Masalah Pada tahap ini data ditransformasikan (diubah)

kedalam bentuk yang relevan pada data mining. Data yang
Studi Pustaka
awalnya berbentuk kalimat ditransformasikan dengan
melakukan inisialisasi atribut dan pengubahan tipe data
Analisa yang akan digunakan numerik menjadi binominal agar data
A. Analisa Kebutuhan Data
B. Analisa Tahapan Data Mining lebih mudah untuk digunakan dan dimengerti pada proses
1. Data Selection
2. Data preprocessing
asosiasi.
3. Data Tranformation
4. Algoritma FP-Growth 4. Proses mining dengan Algoritma FP-growth
C. Analisa Fungsional Sistem
Pada tahap ini merupakan tahapan data mining untuk
1. Database
Perancangan Sistem mengolah data dengan algoritma FP-growth. Pada tahapan
2. Struktur Menu ini dilakukan pencarian frequent itemset untuk mencari
3. Interface
pola kecelakaan dengan menggunakan algoritma FP-
growth. Algoritma ini memiliki dua tahapan, yaitu
Implementasi
pembangunan FP-tree dan penerapan FP-growth untuk
Pengujian mengekstrak hasil dari FP-tree. Setelah diperoleh nilai
1. Blackbox
2. White Box yang paling sering muncul maka bisa dihitung nilai
3.
4.
SPMF
User Acceptence Test (UAT)
support dan mencari nilai kombinasi terbesar atau
confidenc. serta dilakukan perhitungan kekuatan rule (lift
Kesimpulan Dan Saran rasio).

Gambar 1. Metodologi Penelitian C. Analisa Fungsional Sistem

Analisa fungsional pada sistem kecelakaan lalu lintas
yang akan dibangun meliputi :
Tabel 2. Atribut Data Kecelakaan Lalu Lintas
1. Flowchart Merupakan gambaran alur sistem yang
No Atribut Keterangan
1 Nama Korban Nama korban kecelakaan akan dibangun.
2 Jenis Kelamin Jenis kelamin 2. Contex Diagram/ DFD level 0 Menggambarkan
3 Umur Umur korban aliran fungsional dalam sebuah proses dalam sistem.
4 Pekerjaan Pekerjaan korban 3. Data Flow Diagram (DFD) level 1 Untuk
5 Nama Jalan Nama jalan terjadinya kecelakaan
mengetahui alur jalannya data didalam sistem.
6 Kecamatan Kecamatan terjadinya kecelakaan
7 Hari Hari terjadinya kecelakaan 4. Entity Relationship Diagram (ERD) Menunjukkan
8 Tanggal Tanggal terjadinya kecelakaan atribut-atribut pada sistem dan hubungan antara suatu
9 Jam Jam terjadinya kecelakaan data dengan data yang lainnya.
10 Kendaraan Kendaraan yang mengalami
kecelakaan
11 Jenis Luka Jenis luka korban D. Pengujian
Setelah dilakukan implementasi maka tahap
selanjutnya adalah pengujian terhadap sistem yang telah
B. Analisa Tahapan Data Mining
dibuat. Tahap pengujian dilakukan sebagai ukuran bahwa
Pada tahapan data mining ini menjelaskan mengenai
sistem dapat dijalankan sesuai dengan tujuan yang
langkah-langkah untuk mencari pola kecelakaan lalu lintas
diharapkan. Pada tahap pengujian ini dilakukan dengan
dengan menggunakan metode Association Rules. Adapun
beberapa cara yaitu:
penjelasan dari tahapan ini adalah sebagai berikut:
1. Pengujian BlackBox yaitu menguji apakah perangkat
1. Data Selection
lunak yang dibangun sesuai dengan rancangan dan
Pada tahap ini merupakan tahapan pemilihan data dari
keluaran yang diharapkan oleh (user).
sekumpulan data kecelakan lalu lintas yang akan dilakukan
2. Pengujian white box dilakukan dengan cara
sebelum tahap penggalian informasi dalam KDD. Adapun
mengidentifikasi semua alur logika yang ada dan
atribut/ variabel awal seperti nama, jenis kelamin, umur,
memperlihatkan source code yang dibuat sukses serta
pekerjaan, nama jalan, kecamatan, hari, tanggal, jam,
berjalan dengan benar atau tidak.
kendaraan, jenis luka. Dari atribut yang ada hanya jenis
3. Penggujian dengan tools, bertujuan untuk
kelamin, umur, kecamatan, jam, kendaraan, jenis luka yang
membandingkan hasil dari sistem dengan hasil tools,
digunakan dalam penelitian ini.
adapun tools yang digunakan adalah SPMF version
2. Data preprocessing
2.35.
Pada tahap ini merupakan tahapan dari data mining,
4. Pengujian sistem melalui UAT yang diberikan
dimana data yang digunakan pada penelitian ini dilakukan
langsung kepada pihak Polresta Pekanbaru.
pembersihan (cleaning). Pembersihan data kecelakaan lalu
IV. HASIL DAN PEMBAHASAN
lintas yang dilakukan adalah menghilangkan noise seperti
data yang tidak relevan, atribut kosong dan menghapus A. Flowchart
duplikasi dan menggantikan data yang memiliki nilai data Flowchart merupakan gambaran dan alur sistem
yang tidak lengkap (missing value). kecelakaan lalu lintas (SKLL) yang akan dibangun, mulai
dari login, input data, penyimpanan kedalam database dan
3. Data Transformation
94 Seminar Nasional dan Expo Teknik Elektro 2019

diakhiri dengan selesai. Selengkapnya dapat dilihat dalam

Input_user
Gambar 2. Info_user
1
Login
User
Info_user
user

SISTEM KECELAKAAN LALU LINTAS

Info_Kecamatan kecamatan kecamatan
info_Kendaraan Info_kecamatan
Administrator Sistem Operator Info_Umur
Input_Kecamatan kendaraan kendaraan
Info_Jam Info_kendaraan
Mulai Mulai Info_Jenis_luka Input_Kendaraan 2
Info_Jenis_kelamin Input_Umur Pengolahan umur umur
Input_Jam Data master
Info_umur
Input_Jenis_luka jam jam
Login Validasi Login Login Input_Jenis_kelamin Info_jam
Jenis_lka Jenis_luka
Tidak Tidak Info_jenis_luka
Ya Ya Administrator Jenis_kelamin Jenis_kelamin
(Afdal ) Info_jenis_kelamin
Jenis_kelamin kecamatan
Jenis_luka
Data Master Data_User jam
umur
Data_jenis_kelamin Info_data_latih kendaraan
3
Data_Kecamatan Input_data_latih Pengolahan Data_latih
Pengelolaan Data
Data_Umur Data latih
Master
Data_Jam Info_data_latih

Data_Kedaraan Input_data_latih

Data_Jenis_luka
Operator
Hasil_FP-Growth
(Unit Laka)

4
Data Master FP-Growth Pengolahan FP-growth
Data Latih
Data Latih FP-growth
Data Latih
Hasil_FP-Growth

FP-Growth
Hasil FP-Growth Pengujian FP-Growth Hasil FP-Growth

Gambar 4. Data Flow Diagram (DFD) Level 1 SKLL

Selesai Selesai

D. Implementasi Sistem
Pada hasil implementasi dari analisa dan perancangan
Gambar 2. Flowchart SKLL yang telah dijelaskan pada bab sebelumnya. Implementasi
akan menampilkan interface dari penerapan algoritma fp-
growth dalam menentukan pola kecelakaan lalu lintas
B. Context Diagram/ Data Flowdiagram ( DFD Level 0)
diperlihatkan pada Gambar 5.
Context diagram adalah gambaran umum dari proses
sistem kecelakaan lalu lintas (SKLL) yang terjadi. Bentuk
context diagram pada analisa perancangan dapat dilihat
pada Gambar 3.
Login
User
Jenis_kelamin Login
Umur User
Kecamatan Data_latih
jam
Kendaraan
Jenis luka
Data_latih
Administrator FP-Growth Operator
(Afdal) SISTEM (unit laka)
SKLL
Info_user
Data_kecamatan
Data_kendaraan
Data_umur Data_latih
Data_jam FP-Growth
Jenis luka
Data latih
FP-Growth Gambar 5. Interface Halaman Login

Gambar 3. Contex Diagram SKLL

C. Data Flow Diagram (DFD) Level 1 Halaman dahsboard merupakan halaman awal sistem
Pada Data Flow Diagram Level 1 menampilkan kecelakaan lalu lintas yang terdiri dari data master, data
Entitas, Proses, Data store dan aliran data yang akan latih dan FP-Growth. Adapun implementasi dari halaman
menunjukan alur jalannya data didalam system. Dapat dashboard administrator dapat dilihat dalam Gambar 6.
dlihat pada Gambar 4.
Irwanto dkk.: Penerapan Algoritma Fp-Growth dalam Menentukan Pola Kecelakaan Lalu
Lintas
Gambar 6. Interface Halaman Dashboard Administrator
Halaman data master merupakan halaman tempat
penyimpanan data awal yang menjadi dasar dalam
penginputan data yaitu data kecamatan, umur, jam,
kendaraan dan jenis luka. Halaman berikut merupakan
halaman data kecamatan yang dapat dilihat dalam Gambar
7.
Gambar 7. Data Master
Halaman data latih merupakan halaman tempat
penyimpanan data yang akan diolah kedalam proses
mining yaitu. Halaman berikut merupakan halaman data
latih yang dapat dilihat pada Gambar 8.
Gambar 8. Halaman Data Latih
Halaman FP-growth merupakan halaman tempat
pengolahan data mining. Halaman berikut merupakan
halaman yang dapat dilihat pada Gambar 9.
95
Gambar 9. Halaman FP-Growth
Halaman selanjutnya adalah halaman hasil dari
algoritma FP-growth dan dapat dilihat pada Gambar 10.
Gambar 10. Halaman Hasil FP-Growth
E. Kesimpulan Pengujian
Berdasarkan pengujian yang telah dilakukan
sebelumnya didapatlah kesimpulan sebagai berikut:
1. Setelah dilakukan pengujian dengan
menggunakan blackbox dan white box dapat
disimpulkan bahwa sistem kecelakaan lalu lintas
yang dibuat sudah berjalan dan berfungsi sesuai
yang diharapkan.
2. Setelah dilakukan pengujian menggunakan tools
SPMF menggunakan algoritma fp-growth dengan
nilai minumum support 1% dan confidence 10%,
maka dapat disimpulkan bahwa sistem yang
dibangun sesuai dengan tools.
3. Dari hasil pengujian sistem dengan menerapkan
algoritma FP-Growth dengan minimum support
1% dan confidence 10% menghasilkan 168 pola
dengan 5 itemset. Hasil keluaran rule (selanjutnya
dapat dilihat pada lampiran C):
a. Jika laki-laki berumur 31–59 tahun naik
sepeda motor di Tenayan Raya maka
berpotensi mengalami kecelakaan luka
ringan.
b. Jika perempuan berumur 31-59 tahun naik
sepeda motor pada jam 15.01-18.00 WIB
maka berpotensi mengalami kecelakaan luka
ringan.
c. Jika laki-laki berumur 2-6 tahun di Payung
Sekaki pada jam 06.01-09.00 WIB maka
96 Seminar Nasional dan Expo Teknik Elektro 2019

berpotensi mengalami kecelakaan luka [7] Mutiara, A B, R Awaludin, A Muslim, dan T

ringan.
V. KESIMPULAN DAN SARAN
A. Kesimpulan
Berdasarkan tahapan-tahapan metodologi penelitian
yang telah dilakukan, maka dapat ditarik beberapa
kesimpulan sebagai berikut:
1. Berhasil membangun sistem pencarian pola
kecelakaan lalu lintas kota Pekanbaru
menggunakan algoritma FP-Growth.
2. Dari hasil pengujian sistem dengan menerapkan
algoritma FP-Growth dengan minimum support
1% dan confidence 10% menghasilkan 5557 pola
kecelakaan dan 168 pola yang mencapai tujuan
penelitian yaitu pola 5 itemset.
3. Berdasarkan pengujian user acceptence test,
sistem yang telah dibangun memberikan
administrator dan operator informasi mengenai
pola kecelakaan lalu lintas yang terjadi, dimana
hasil yang didapat menggunakan metode likert,
rata-rata indeks sebesar 85%.
B. Saran
Saran untuk pengembangan penelitian selanjutnya
dapat dilihat sebagai berikut:
1. Pada penelitian selanjutnya dapat menambahkan
peta agar mudah diketahui wilayah yang sering
terjadi kecelakan lalu lintas.
2. Menambah cakupan data dan variabel lainnya
seperti kondisi jalan.
Oswari. “Testing Implementasi Website Rekam
Medis Elektronik Opeltgunasys Dengan Metode
Acceptance Testing.” ISSN : 2302-3740, 2014.
[8] Peraturan Pemerintah Republik Indonesia Nomor.
43 Tahun 1993 Tentang Prasarana dan Lalu
Lintas Jalan.
[9] Ririanti. 2014. “Implementasi Algoritma FP-
Growth Pada Aplikasi Prediksi Persediaan Sepeda
Motor (Studi Kasus: PT. Pillar Deli Labumas)”.
VI.1.139-144.Pelita Informatika Budi Dharma.
[10] Ridwan, E, M. 2017. “Prediksi Pola Kecelakaan
Lalu Lintas Menggunakan Metode Analisa
Asosiatif”. Jurnal Sibernetika Vo.3.No.1 April
2017.
[11] Santrock, J. W. 2008. Psikologi Pendidikan.
Jakarta: Prenada Media Group.
[12] Undang-Undang Republik Indonesia Nomor 22
Tahun 2009 tentang Lalu Lintas dan Angkutan
Jalan
[13] Wardiman, A, dkk. 2016. “Analisa Tinggkat
Kecelakaan Lalu Lintas Dengan Metode
Association Rule Menggunakan Algoritma
Apriori.” Jurnal SNTEI, ISBN : 978-602-18168-
0-6.
[14] (Internet :
http://pekanbaru.tribunnews.com/kasus-
kecelakaan-lalu-lintas-terjadi-sepanjang-2017-di-
pekanbaru. Diakses pada 10 Oktober 2018)

REFERENSI
[1] Depkimpraswil. 2004. “Penanganan Lokasi
Kecelakaan Lalu Lintas.” Jakarta: Departemen
Pemukiman Dan Prasaran Wilayah.
[2] Dwi Lestari, Yuyun. 2015. “Penerapan Data
Mining Menggunakan Algoritma FP-Tree dan
FP-Growth Pada Data Transaksi Penjualan Obat”.
Jurnal SNASTIKOM. ISBN 976-602-19837-9-9.
[3] Elizabeth, B. H. 2005. Pengembangan Anak.
Erlangga: Jakarta.
[4] Fayyad, dkk. 1996. “From Data Mining to
Knowledge Discovery in Databases.” American
Association for Artificial Intelligence.
[5] Han, J and Kamber, M. 2006. “Data Mining:
Concepts and Techniques,” 2nd Edition. Morgan
Kauffman Publishers : San Fransisco.Han, J.,
Kamber, M., & Pei, J. Data Mining Concepts and
Techniques (Third Edit), Elsevier Inc. 2012
[6] Kusrini, Dkk. 2009. “Algoritma Data Mining.”
Andi Offset: Yogyakarta.