Text

Aplikasi Klasterisasi Daerah Rawan Kecelakaan Lalu Lintas Menggunakan Algoritma K-Means (Studi Kasus: Satlantas Polrestabes Semarang)

---

ABSTRAK

Pertumbuhan penduduk di Kota Semarang yang bertambah tiap tahunnya, membuat
kebutuhan transportasi juga semakin meningkat. Semakin banyaknya kendaraan transportasi
akan memperbesar resiko kecelakaan lalu lintas. Kecelakaan lalu lintas adalah peristiwa di
jalan raya yang tidak diduga dan tidak disengaja melibatkan kendaraan dengan atau tanpa
pengguna jalan lain yang mengakibatkan korban manusia atau kerugian harta benda.
Kecelakaan lalu lintas di kota Semarang perlu mendapatkan perhatian dan penanganan
efektif dari Satlantas Polrestabes Semarang. Untuk mengidentifikasi dan mengelompokkan
jalan mana saja yang rawan terjadi kecelakaan lalu lintas maka dibangun sebuah aplikasi
klasterisasi daerah rawan kecelakaan lalu lintas menggunakan Algoritma K-Means.
Algoritma K-Means bertujuan untuk mengelompokkan dalam bentuk satu atau lebih
kelompok klaster. Sampel dataset yang digunakan dalam penelitian ini berjumlah 863 data
kejadian kecelakaan berdasarkan 15 jalan dengan 8 atribut untuk proses klasterisasi. Data
diolah tiap bulan dengan klasterisasi 2 klaster hingga 10 klaster. Proses Klasterisasi
menggunakan Algoritma K-Means dan penentuan pusat klaster menggunakan Metode
Analogy Based Estimation penerapan peringkat. Setelah proses klasterisasi dilakukan proses
selanjutnya adalah menentukan klaster optimal dari 2 klaster hingga 10 klaster menggunakan
Metode Elbow. Berdasarkan perhitungan dan pengujian data sampel 15 jalan dari tahun 2016
sampai 2017 yang dilakukan tiap bulan aplikasi ini menghasilkan klaster optimal yaitu 3
klaster. Aplikasi ini menampilkan tingkat kerawanan kecelakaan lalu lintas dari jalan yang
tidak rawan terjadi kecelakaan hingga jalan yang sangat rawan terjadi kecelakaan lalu lintas
dalam bentuk peta dengan warna jalan dari warna hijau, kuning, hingga merah.
Kata Kunci : Kecelakaan Lalu Lintas, Algoritma K-means, Metode Elbow, Aplikasi.

ABSTRACT

Population growth in Semarang City which increases every year, makes the need for
transportation also increasing. The increasing number of transport vehicles will increase the
risk of traffic accidents.Traffic accidents are unexpected and unintentional highway events
involving vehicles with or without other road users resulting in human casualties or property
losses. Traffic accidents in Semarang city need to get the attention and effective handling by
Satlantas Polrestabes Semarang. To identify and classify any roads that are prone to traffic
accidents then built a clustering application of traffic accident prone areas using K-Means
Algorithm. The K-Means algorithm aims to group in the form of one or more cluster groups.
The dataset sample used in this study amounted to 863 accident incident data based on 15
roads with 8 attributes for the clustering process. The data were processed monthly with
clustering of 2 clusters up to 10 clusters. Clustering process using K-Means Algorithm and
cluster center determination using Analogy Based Estimation Method of applying the rank.
After the clustering process is done the next process is to determine optimal cluster from 2
clusters to 10 clusters using Elbow Method. Based on the calculation and testing of 15 road
sample data from 2016 to 2017 which is carried out every month this application produces
an optimal cluster of 3 clusters. This application displays the level of vulnerability of traffic
accidents from roads that are not prone to accidents to roads that are very prone to traffic
accidents in the form of maps with street colors from green, yellow, to red.
Keywords : Traffic Accident, K-Means Algoritm, Elbow Method, Application.

---

Ketersediaan

650F18IV

650 F 18

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

650 F 18

Penerbit

: ., 2018

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

2387

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Jasmine Rahmasari

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar