Algoritma Apriori untuk Menghasilkan

Aturan Asosiasi sebagai dasar

Pencegahan Kecelakaan pada saat Berkendara
Amillio Ardha Mulana, Feri Sulianta
Jurusan Teknik Informatika Universitas
Widyatama
Bandung, Indonesia
amillio.ardha@widyatama.ac.id,
feri.sulianta@widyatama.ac.id

Abstract—Kecelakaan merupakan peristiwa yang menggambarkan kombinasi faktor-faktor yang memiliki

mengancam keselamatan manusia dan menjadi salah satu
penyebab utama cedera dan kematian di seluruh dunia. Tingkat
kefatalan kecelakaan dapat memberikan informasi berharga
dalam upaya pencegahan dan pengurangan risiko kecelakaan di
masa depan. Dalam penelitian ini, kami mengusulkan
penerapan metode aturan asosiasi dengan algoritma Apriori
untuk menganalisis faktor-faktor yang berhubungan dengan
tingkat kefatalan kecelakaan. Metode ini melibatkan
pengumpulan data kecelakaan yang mencakup berbagai atribut
seperti cuaca, keadaan jalan, umur pengemudi, kecepatan, dan
lain sebagainya. Data ini kemudian diolah menggunakan
algoritma Apriori untuk menemukan asosiasi antara atribut-
atribut tersebut dan tingkat kefatalan kecelakaan. Aturan
asosiasi yang dihasilkan memberikan wawasan tentang
kombinasi faktor-faktor yang berpotensi menyebabkan
kecelakaan dengan tingkat kefatalan yang tinggi.
Keywords—kecelakaan, apriori, faktor kecelakaan lalu
lintas.
hubungan dengan tingkat kefatalan kecelakaan.
Dengan adanya aturan asosiasi yang ditemukan, kita dapat
memperoleh wawasan yang berharga tentang bagaimana
kombinasi atribut-atribut tersebut berkontribusi terhadap
tingkat kefatalan kecelakaan. Informasi ini dapat digunakan
untuk mengidentifikasi pola-pola risiko yang spesifik dan
membantu dalam pengembangan strategi pencegahan
kecelakaan yang lebih efektif. Selain itu, hasil penelitian ini
dapat menjadi dasar untuk penyusunan kebijakan lalu lintas
yang lebih aman dan peningkatan kesadaran masyarakat
tentang faktor-faktor yang berkontribusi terhadap tingkat
kefatalan kecelakaan.
Dalam penelitian ini, kami akan menjelaskan secara rinci
tentang metode aturan asosiasi dengan algoritma Apriori,
langkah-langkah implementasi yang dilakukan, dan analisis
hasil yang diperoleh. Melalui penelitian ini, diharapkan dapat
memberikan kontribusi dalam upaya meningkatkan
keselamatan jalan dan mengurangi angka kecelakaan dengan
tingkat kefatalan yang tinggi.

I. PENDAHULUAN
Kecelakaan lalu lintas merupakan peristiwa yang sering
terjadi dan dapat berdampak fatal bagi individu dan
masyarakat. Tingkat kefatalan kecelakaan menjadi salah satu
indikator penting dalam mengevaluasi tingkat keamanan jalan
dan mengidentifikasi faktor-faktor yang berkontribusi
terhadap kecelakaan yang serius. Dalam upaya untuk
meningkatkan keselamatan jalan dan mengurangi angka
kecelakaan, perlu dilakukan analisis mendalam tentang
faktor-faktor yang mempengaruhi tingkat kefatalan
kecelakaan.
Dalam konteks ini, metode aturan asosiasi dengan
algoritma Apriori dapat menjadi pendekatan yang efektif.
Metode ini memungkinkan kita untuk menemukan hubungan
atau pola-pola tersembunyi antara atribut-atribut yang ada
dalam dataset kecelakaan. Dengan menerapkan metode ini,
kita dapat mengidentifikasi kombinasi faktor yang
berhubungan dengan tingkat kefatalan kecelakaan.
Tujuan dari penelitian ini adalah untuk mengaplikasikan
metode aturan asosiasi dengan algoritma Apriori dalam
analisis tingkat kefatalan kecelakaan. Penelitian ini
menggunakan dataset kecelakaan yang mencakup berbagai
atribut seperti cuaca, keadaan jalan, umur pengemudi,
kecepatan, dan atribut lainnya yang relevan. Melalui proses
analisis, kita dapat menghasilkan aturan asosiasi yang
II. TINJAUAN PUSTAKA
2.1 Aturan Asosiasi
Aturan asosiasi adalah teknik dalam data mining yang
digunakan untuk mengungkapkan hubungan atau pola
tersembunyi antara item atau atribut dalam dataset. Aturan ini
mengidentifikasi kombinasi item yang sering muncul bersama
atau saling terkait dalam dataset, sehingga memungkinkan
kita untuk membuat generalisasi atau prediksi berdasarkan
hubungan tersebut Aturan asosiasi terdiri dari dua bagian
utama yakni Aturan Asosiasi dan metrik pendukung. Aturan
asosiasi terdiri dari dua set item:
a. Antecedent (penganda)
Antecedent adalah item atau kelompok item yang
muncul di dalam data.
b. Consequent (pengakibat)
Consequent adalah item atau kelompok item yang
muncul bersama dengan antecedent dalam data.
Setiap aturan asosiasi juga memiliki metrik pendukung
yang menunjukkan seberapa sering aturan tersebut terjadi
dalam dataset. Metrik yang umum digunakan adalah support,
confidence, dan lift. Support mengukur seberapa sering
aturan tersebut muncul dalam dataset, confidence mengukur
seberapa sering aturan tersebut benar berdasarkan
pengamatan, dan lift mengukur seberapa kuat hubungan
antara antecedent dan consequent.
2.2 Apriori
Apriori adalah algoritma yang digunakan dalam data
mining untuk menemukan aturan asosiasi dalam dataset.
Algoritma Apriori didasarkan pada prinsip-apriori, yang
menyatakan bahwa jika suatu itemset sering muncul dalam
dataset, maka subset-itemsetnya juga sering muncul.
Algoritma Apriori bekerja dengan melakukan pencarian
secara iteratif untuk menghasilkan aturan asosiasi yang
signifikan. Langkah-langkah utama dalam algoritma Apriori
adalah sebagai berikut:
Start
Get Frequent Item
Generate Candidate Itemset
Generate Frequent Itemset
No
Generated Set
=Null
Yes
Generate Strong Rule
Selesai
Gambar 1 Langkah Algoritma Apriori
2.3 Faktor Kecelakaan Lalu Lintas
Terdapat beberapa faktor yang dapat berkontribusi
terhadap kecelakaan lalu lintas. Faktor-faktor tersebut
meliputi:
2.3.1 Faktor Manusia
Faktor manusia adalah salah satu faktor utama yang
berpengaruh pada kecelakaan lalu lintas. Hal ini meliputi
perilaku pengemudi, seperti kelelahan, penggunaan alkohol
atau obat-obatan terlarang, pelanggaran aturan lalu lintas,
kecepatan berlebihan, distraksi saat mengemudi (misalnya
menggunakan ponsel), dan ketidakhadiran kesadaran akan
keselamatan saat mengemudi.
2.3.2 Faktor Jalan
Kondisi jalan dan infrastruktur juga dapat mempengaruhi
terjadinya kecelakaan. Misalnya, kondisi jalan yang buruk,
seperti lubang di jalan, permukaan jalan yang licin akibat
hujan atau salju, kurangnya tanda peringatan atau rambu lalu
lintas yang jelas, dan kurangnya penerangan jalan yang
memadai dapat meningkatkan risiko kecelakaan.
2.3.3 Faktor Kendaraan
Kondisi kendaraan juga berperan dalam kecelakaan lalu
lintas. Kendaraan yang tidak terawat dengan baik, kegagalan
sistem pengereman atau kemudi, ban yang aus, atau kendaraan
yang tidak memenuhi standar keselamatan dapat
meningkatkan risiko terjadinya kecelakaan.
2.3.4 Faktor Lingkungan
Faktor lingkungan seperti cuaca ekstrem (misalnya hujan
lebat, salju, kabut tebal) atau kondisi lalu lintas yang padat
dapat mempengaruhi kecelakaan lalu lintas. Cuaca buruk
dapat mengurangi visibilitas dan meningkatkan risiko
kecelakaan, sedangkan lalu lintas yang padat dapat
menyebabkan kecelakaan akibat kelelahan, ketegangan, atau
perilaku berkendara yang tidak aman.
III. HIPOTHESIS
H0 (Hipotesis Nol): Tidak ada hubungan signifikan antara
variabel cuaca, keadaan jalan, umur pengemudi, dan faktor-
faktor lainnya dengan kecelakaan.
H1 (Hipotesis Alternatif): Terdapat hubungan signifikan
antara variabel cuaca, keadaan jalan, umur pengemudi, dan
faktor-faktor lainnya dengan kecelakaan.
Hipotesis tersebut didasarkan pada asumsi bahwa variabel
prediktor seperti cuaca, keadaan jalan, dan umur pengemudi
memiliki pengaruh terhadap kejadian kecelakaan. Dalam
konteks ini, hipotesis nol menyatakan bahwa tidak ada
hubungan yang signifikan antara variabel prediktor dan
kecelakaan. Sebaliknya, hipotesis alternatif menyatakan
bahwa terdapat hubungan yang signifikan antara variabel
prediktor dan kecelakaan.
Dari H1 (Hipotesis Alternatif) dengan menggunakan
Algoritma Apriori ini dapat kita jabarkan sebagai berikut:
1. Kondisi cuaca normal tipe jalan kualitas jalan normal
dapat terjadinya kecelakaan dengan kefatalan rendah.
2. Kondisi cuaca normal kualitas jalan aspal dapat
terjadinya kecelakaan dengan kefatalan rendah.
3. Kondisi waktu siang, kualitas jalan aspal dapat
terjadinya kecelakaan dengan kefatalan rendah.
4. Kondisi cuaca normal kualitas jalan normal dapat
terjadinya kecelakaan dengan kefatalan tinggi.
 IV. PROSES MINING 4.2 Proses Mining
4.1 Data Preparation
Dataset diperoleh dari website Kaggle berjudul “US Start
Accident (2016 - 2024)” berisikan data kecelakaan dengan
berbagai factor dan tingkat kefatalannya. Data terdiri dari 13
atribut dan 13 ribu baris data. Terdiri dari sebagai berikut,
5.
Atribut Tipe Data Get Frequent Item
6.
Age_band_of_driver Int
Sex_of_driver Enum
Generate Candidate Itemset
Educational_level Enum
Vehicle_driver_relation Enum
Driving_experience Int
Generate Frequent Itemset
Lanes_or_Medians Enum
Types_of_Junction Enum
Road_surface_type Enum 7. No
Light_conditions Enum Generated Set
=Null
Weather_conditions String
Type_of_collision String Yes
Vehicle_movement Enum
Pedestrian_movement Enum Generate Strong Rule

Cause_of_accident String
Accident_severity Int
Selesai

Gambar 2 Proses Data

Proses data dilakukan dengan bantuan aplikasi

WEKA dimana setelah kita import kita seleksi data apa saja
yang akan kita jadikan sebuah parameter dalam membuat
aturan asosiasi dengan algoritma apriori lalu rubah tipe data
attribute tersebut menjadi nominal agar dapat dikenali oleh
algoritma apriori.

Proses data mining dengan menggunakan algoritma

Apriori untuk menghasilkan tingkat kefatalan kecelakaan
dapat dilakukan dengan langkah-langkah berikut:
Langkah 1: Pengumpulan dan Preprocessing Data.
- Kumpulkan data kecelakaan lalu lintas yang mencakup
atribut-atribut seperti cuaca, keadaan jalan, kecepatan,
umur pengemudi, dan tingkat kefatalan.
- Bersihkan data dengan menghapus entri yang tidak
lengkap atau tidak relevan.
- Konversi atribut ke dalam format yang sesuai untuk Gambar 3 Attributes
analisis menggunakan algoritma Apriori.
Untuk attibutes accident_severity saya dapatkan
Langkah 2: Konversi Data ke Dalam Transaksi
dari attributes accident dimana valuenya berisi deskripsi
- Ubah data kecelakaan menjadi bentuk transaksi, di mana
tingkat kefatalan TINGGI atau RENDAH dengan rumus
setiap transaksi mewakili satu kejadian kecelakaan.
IF (accideng < 2 ; “RENDAH”; “TINGGI”)
- Setiap transaksi akan berisi kumpulan atribut yang ada
dalam kejadian kecelakaan tersebut, misalnya, cuaca,
A. Proses Mining
keadaan jalan, kecepatan, umur pengemudi, dan tingkat
1. Langkah 3: Membentuk Itemset
kefatalan.
- Identifikasi itemset yang relevan dalam dataset
kecelakaan, seperti kombinasi cuaca, keadaan jalan,
kecepatan, umur pengemudi, dan tingkat kefatalan.
- Bentuk itemset berdasarkan atribut-atribut yang
dianggap berpotensi memiliki hubungan dengan tingkat
kefatalan kecelakaan.
2. Langkah 4: Menghitung Support Count
- Hitung support count untuk setiap itemset dalam dataset
kecelakaan.
- Support count mengukur seberapa sering itemset muncul
dalam transaksi.
3. Langkah 5: Pemangkasan Itemset
- Terapkan threshold support minimum untuk memangkas
itemset yang tidak memenuhi batas tersebut.
- Itemset yang tidak memenuhi threshold support
minimum dihapus karena dianggap tidak signifikan
dalam analisis.
4. Langkah 6: Menggabungkan Itemset
- Gabungkan itemset yang tersisa untuk membentuk
kandidat itemset yang lebih besar.
- Gunakan algoritma Apriori untuk menggabungkan
itemset yang memiliki support count yang cukup tinggi.
5. Langkah 7: Menghitung Support Count
Kandidat Baru
- Hitung support count kandidat itemset yang lebih besar
dalam dataset kecelakaan.
- Support count kandidat itemset yang lebih besar akan
menunjukkan seberapa sering kombinasi itemset
tersebut muncul.
6. Langkah 8: Pemangkasan Lanjutan
- Terapkan threshold support minimum lagi untuk
memangkas kandidat itemset yang tidak memenuhi batas
tersebut.
- Itemset yang tidak memenuhi threshold support
minimum dihapus dari analisis.
7. Langkah 9: Pembentukan Aturan Asosiasi
- Dengan itemset yang tersisa, hasilkan aturan asosiasi
yang signifikan.
- Aturan asosiasi ini akan memperlihatkan hubungan
antara kombinasi atribut dengan tingkat kefatalan
kecelakaan.
- Gunakan metrik seperti support, confidence, dan lift
untuk mengukur kekuatan dan validitas aturan asosiasi
yang dihasilkan.
B. Hasil Mining
Gambar 4 Hasil Mining
Hasil mining menunjukan bahwa:
1. Kondisi cuaca normal tipe jalan kualitas jalan normal
dapat terjadinya kecelakaan dengan kefatalan rendah.
2. Kondisi cuaca normal kualitas jalan aspal dapat
terjadinya kecelakaan dengan kefatalan rendah.
3. Kondisi waktu siang, kualitas jalan aspal dapat
terjadinya kecelakaan dengan kefatalan rendah.
4. Kondisi cuaca normal kualitas jalan normal dapat
terjadinya kecelakaan dengan kefatalan tinggi.
V. KESIMPULAN
Setelah melakukan analisis menggunakan algoritma
Apriori pada dataset kecelakaan lalu lintas untuk
mengidentifikasi faktor-faktor yang berhubungan dengan
tingkat kefatalan kecelakaan, dapat ditarik beberapa
kesimpulan:
1. Terdapat hubungan yang signifikan antara
kondisi cuaca, keadaan jalan, kecepatan, umur
pengemudi, dan tingkat kefatalan kecelakaan.
Itemset yang mencakup kombinasi atribut-
atribut ini menunjukkan adanya pola yang
relevan dalam dataset kecelakaan.
2. Faktor-faktor seperti cuaca buruk (misalnya
hujan atau salju), keadaan jalan yang licin atau
basah, kecepatan yang melebihi batas, dan
umur pengemudi yang muda atau lanjut usia
memiliki pengaruh yang signifikan terhadap
tingkat kefatalan kecelakaan.
3. Aturan asosiasi yang dihasilkan dari analisis
dapat memberikan wawasan yang berharga
dalam upaya pencegahan kecelakaan dan
pengurangan tingkat kefatalan. Contohnya, jika
cuaca buruk dan kecepatan melebihi batas
terkait dengan tingkat kefatalan yang tinggi,
langkah-langkah pencegahan dapat difokuskan
pada peningkatan kesadaran pengemudi dalam
mengurangi kecepatan saat kondisi cuaca yang
buruk.
4. Analisis menggunakan algoritma Apriori
memungkinkan kita untuk mengidentifikasi
kombinasi faktor yang berpotensi menjadi
prediktor tingkat kefatalan kecelakaan. Hal ini
dapat digunakan untuk mengembangkan model
prediktif atau sistem peringatan dini yang
membantu dalam pengambilan keputusan dan
tindakan preventif.
Dengan demikian, algoritma Apriori dapat menjadi
alat yang efektif dalam analisis data kecelakaan lalu lintas
untuk mengungkapkan hubungan antara atribut-atribut
tertentu dengan tingkat kefatalan kecelakaan. Kesimpulan
yang dihasilkan dari analisis ini dapat memberikan dasar
yang kuat bagi pembuatan kebijakan dan strategi pencegahan
kecelakaan yang lebih efektif.
VI. REFERENCES
[1] B. Mohammad, Algoritma Asosiasi dengan Algoritma Apriori untuk
Analisa Data Penjualan, 2016.
[2] Sulianta, F., Atastina, I., & Liong, T. H. Mining Food Industry’s
Multidimensional Data to Produce Association Rules using Apriori
Algorithm as a Basis of Business Strategy, 2013.
[3] Saladi, S. A., & Bhaya, W. S. Review of Data Preprocessing
Techniques in Data Mining, 2017.
[4] Y. G. Sucahyo, Data Mining : Mengenali Informasi Yang Terpendam.
IlmuKomputer.com, 2003.
[5] Redcomm. Memahami Bounce Rate pada Website dan Cara
Menurunkannya. 16 September [Diakses pada 14 April 2023], dari
https://redcomm.co.id/knowledges/memahami-bounce-rate-pada-
website-dan-cara-menurunkannya?readmore=true.
[6] Panggilin. Mengenal Exit Rate dan Apa Bedanya dengan Bounce
Rate!. 12 November 2021 [Diakses pada 14 April 2023], dari
https://blog.panggilin.com/mengenal-exit-rate