ISSN: 2502-8928 (Online)
95
Received June 1
st
,2012; Revised June 25
th
, 2012; Accepted July 10
th
, 2012
IMPLEMENTASI
DATA MINING
UNTUK
MENENTUKAN DAERAH RAWAN KECELAKAAN
MENGGUNAKAN ALGORITMA C4.5
Rezki Oktavia*
1
, Sutardi
2
, Jumadil Nangi
3
*1,2,3
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Halu Oleo, Kendari
e-mail :
*
1
rezkioktavia19@gmail.com
,
2
sutardi_hapal@yahoo.com,
3
jumadilnangi87@gmail.com
Abstrak
Kecelakaan lalu lintas merupakan salah satu permasalahan global yang membutuhkan
penanganan yang serius. Kecelakaan terjadi di berbagai tempat dengan waktu kejadian yang berbeda,
hal ini menyebabkan sulitnya menentukan daerah mana yang memiliki tingkat kerawanan kecelakaan
lalu lintas. Tujuan penelitian Daerah Rawan Kecelakaan di wilayah Kota Kendari ini yaitu untuk
meningkatkan aspek keselamatan masyarakat dan dapat dijadikan bahan pertimbangan untuk
pengawasan maupun tindakan antisipasi khususnya bagi kepolisian pada lokasi studi.
Pemodelan daerah rawan kecelakaan berbasis Web Sistem Informasi Geografis dilakukan
dengan
software GIS. Metode yang digunakan adalah
Decesion Tree
menggunakan Algoritma
C4.5,dimana membuat pohon keputusan untuk menentukan kerawanan suatu daerah. Hasil dari
penelitian ini adalah aplikasi yang menentukan tentang daerah-daerah mana yang termaksud rawan
kecelakaan di Kota Kendari beserta analisis data serta pemetaan daerah rawan kecelakaan.
Rekomendasi studi penelitian ini yaitu Pemerintah harus memperhatikan faktor keselamatan
pengguna jalan denganmemasang rambu-rambu lalu lintas dan fasilitas keamanan lainnya di Lokasi
studi yang rawan kecelakaan.
Kata kunci
—Algoritma C4.5, Kecelakaan Lalu Lintas, SIG
Abstract
Traffic accident are one of the global issues that require serious handling. Accidents occur in
different place with different time events, this make it difficult to determine which areas that have the
level of vulnerabilityon traffic accident. The purpose of the study of accident-prone are as in Kendari
city was to improve the public safety aspect and it can be used as consideration for supervision and
anticipatory action especially for the police in the study area.
The modeling of accident prone Web-based Geographic Information System were done by
GIS software. The method used was Decesion Tree using C4.5 algorithm, which makes decesion tree
to determine the vulnerability of a region. The result of this study were the applications that determine
which areas are prone to accidents in Kendari city along with data analysis and mapping of accident
prone areas.
Recommendations this research study namely, the government should pay attention to the safety
of road users by installing traffic signs and all the other security in the study locations are
avvident-prone.
Keywords
—
C4.5 Algorithm, Traffic Accident, GIS
1. PENDAHULUAN
ecelakaan lalu lintas menurut UU RI
No. 22 tahun 2009 adalah suatu
peristiwa di jalan raya tidak diduga dan
tidak disengaja melibatkan kendaraan dengan
atautanpa
pengguna
jalan
lain
yang
mengakibatkan korban manusia dan kerugian
harta benda.Kecelakaan lalu lintas berada pada
posisi 3 besar penyebab kematian. Secara
statistik, angka kecelakaan lalu lintas dominan
meningkat dari tahun ke tahun. Dibandingkan
tahun sebelumnya [1].
IJCCS
Vol. x, No. x, July 201x : first_page – end_page
Walaupun faktor manusia merupakan
faktor penyebab utama pada mayoritas
kejadian
kecelakaan,
namun
mengingat
karakteristik dan perilaku manusia yang
bervariasi secara alamiah maka tidaklah
mudah mempelajari pengaruh faktor manusia
pada kejadian kecelakaan serta tidak ada
tindakan penanggulangan yang dapat secara
efektif diterapkan pada pengguna jalan. Oleh
sebab itu, strategi penanggulangan kecelakaan
umumnya diarahkan pada penerapan tindakan
perbaikan teknis pada infrastruktur jalan guna
mengurangi kemungkinan pengguna jalan
(pengemudi)
membuat
kesalahan
dan
membuat lingkungan jalan lebih
dapat
mentolelir kesalahan yang dibuat pengguna
jalan (pengemudi).Kecelakaan akan cendrung
meningkat apabila arus jalan yang digunakan
juga meningkat pada saat pengendara sedang
aktifberaktifitas. Dari banyak faktor penyebab
kecelakaan lalu lintas, faktor kesalahan
pengendara masih merupakan faktor utama
[2].
Kota Kendari merupakan salah satu kota
di Provinsi Sulawesi Tenggara yang tiap
tahunnya jumlah penduduknya bertambah,
menyebabkan kebutuhan akan transportasi
juga
semakin
meningkat.Secara
tidak
langsung,
akan
memperbesar
resiko
tumbuhnya permasalahan lalu lintas, seperti
kemacetan
dan
kecelakaan,
yang akan
berdampak pada turunnya kinerja pelayanan
jalan, serta berakibat timbulnya rawan
kecelakaan.
Muhammad Syaeful Fajar dan Feddy
Setyo Pribadi meneliti tentang Analisis
Kecelakaan Lalu Lintas Jalan Raya di Kota
Semarang
menggunakanMetode
K-Means
Clustering. Hasil yang diperoleh daripenelitian
ini adalah Dari hasil analisis pemetaan
penyebab kecelakaan diperoleh umur pelaku
dalam kategori berbahaya, yaitu rentang umur
18-24 tahun. Faktor pengemudi dengan
persentase rata-rata 96,57% dan terjadi pada
hari kerja dengan persentase rata-rata 67,33%
pada semua cluster.Dari data tersebut disusun
dalam database berbasis Sistem Informasi
Analisis Data Kecelakaan yang menggunakan
perangkat
lunak
berbasis
web
untuk
pembentukan
kmeans clustering, pemetaan
data, editing variabel dan melakukan fungsi
analisis kmean clustering.
Eriza Siti Mulyani, Muhammad Arsah
dan Novel Simatupang meneliti tentang
Pemodelan
Spasial
Tingkat
Kerawanan
Kecelakaan Lalu Lintas di Kota Depok. Hasil
yang diperoleh dari penelitian ini adalah Salah
satu permasalahan dalam transportasi adalah
kecelakaan lalu lintas, hal ini pada umumnya
terjadi ketika sarana transportasi, baik dari segi
jalan, kendaraan, dan sarana pendukung
lainnya
belum
mampu
mengimbangi
perkembangan yang ada di masyarakat.
Berdasarkan
uraian
tersebut,
akan
dilakukanpenelitiantentang
“Implementas
Data
Mining
untuk Menentukan Daerah Rawan
Kecelakaan menggunakan Algoritma C4.5”
2. METODE PENELITIAN
2.1 Sistem Informasi Geografis (GIS)
Pengertian geografis dapat disimpulkan
sebagai suatu ilmu yang mempelajari tentang
lokasi di mana suatu objek terletak di
permukaan bumi beserta keterangan objek
tersebut. SIG dapat berfungsi sebagai bank
data terpadu, yaitu dapat memandu data
spasial dan non spasial dalam suatu basis data
terpadu [3].
2.2
Data Mining
Data Mining (DM) adalah salah satu
bidang
yang berkembang pesat
karena
besarnya kebutuhan akan nilai tambah dari
database
dengan skala besar. DM adalah
serangkaian proses untuk menggali nilai
tambah berupa pengetahuan yang selama ini
tidak diketahui secara manual dari suatu
kumpulan data. DM memiliki hubungan dari
bidang ilmu seperti
artificial intelligent,
machine learning, statistik dan database [4].
2.3 Metode
Decesion
Tree
(Pohon
Keputusan)
Pohon keputusan merupakan metode
klasifikasi dan prediksi yang sangat kuat dan
terkenal. Metode pohon keputusan mengubah
fakta yang sangat besar menjadi pohon
keputusan yang merepresentasikan aturan.
Pohon
keputusan
merupakan
metode
klasifikasi dan prediksi yang sangat kuat dan
terkenal. Metode pohon keputusan mengubah
fakta yang sangat besar menjadi pohon
keputusan yang merepresentasikan aturan [5].
2.4 Algoritma C4.5
Title of manuscript is short and clear, implies research results (First Author)
algoritma C4.5 untuk membangun pohon
keputusan adalah sebagai berikut :pilih atribut
sebagai akar, buat cabang untuk tiap-tiap nilai,
bagi kasus dalam cabang, dan ulangi proses
untuk setiap cabang sampai semua kasus pada
cabang memiliki kelas yang sama.
a. Konsep Entropy
Konsep entropy yaitu :
1. Entropy (S) merupakan jumlah bit yang
diperkirakan dibutuhkan untuk dapat
mengekstrak suatu kelas (+ atau -) dari
sejumlah data acak pada ruang sampel S.
2. Entropy
dapat
dikatakan
sebagai
kebutuhan bit untuk menyatakan suatu
kelas.
3. Entropy
digunakan
untuk
mengukur
ketidakaslian S.
Persamaan (1) menunjukkan perhitungan
nilai Entropy.
( ) =
∑ −
∗
log
(1)
Keterangan :
log
2
bisa diartikan sebagai berikut =
log
2
( )
= ln
( )
/ ln( 2)
= Himpunan Kasus
= Fitur
= Jumlah Partisi
= Proporsi dari
terhadap
b. Konsep Gain
Konsep Gain yaitu :
1. Gain
(S,A)
merupakan
perolehan
informasi dari atribut A relative terhadap
output data S.
2. Perolehan informasi didapat dari output
data atau variable dependent S yang
dikelompokkan berdasarkan atribut A,
dinotasikan dengan gain (S,A).
Untuk memilih atribut sebagai akar,
didasarkan pada nilai gain tertinggi dari
atribut-atribut yang ada. Persamaan (2)
menunjukkan perhitungan nilai Gain.
( , ) =
( )
− ∑
| || |
∗
(
)
(2)
Keterangan :
= Himpunan Kasus
= Atribut
= Jumlah Partisi Atribut
| |
= Jumlah Kasus pada Partisi ke-i
| |
= Jumlah Kasus dalam
2.5
Google Maps
Google Maps adalah peta online atau
membuka peta secara online, dapat dilakukan
secara mudah melalui layanan gratis dari
Google. TampilanGoogle Mapspun dapat
dipilih, berdasarkan foto asli atau peta gambar
rute saja.
Google Maps adalah layanan gratis
yang diberikan oleh Google dan sangatpopular
[6].
2.6
Rational Unified Process (RUP)
Rational
Unified
Process
(RUP)
merupakan suatu metode rekayasa perangkat
lunak
yang
dikembangkan
dengan
mengumpulkan berbagai
best practises yang
terdapat
dalam
industri
pengembangan
perangkat lunak. Ciri utama metode ini adalah
menggunakan use case driven dan pendekatan
iteratif untuk siklus pengembangan perangkat
lunak [7].
Fase RUP yaitu :
1. Inception/Insepsi
a.
Menentukan ruang lingkup proyek.
b.
Membuat Business Case.
c.
Menjawab pertanyaan “apakah yang
dikerjakan dapat menciptakan
good
business sense” sehingga proyek dapat
dilanjutkan.
2. Elaboration/Elaborasi
a.
Menganalisa berbagai persyaratan dan
resiko.
b.
Menetapkan base line.
c.
Merencanakan fase berikutnya yaitu
construction.
3. Construction/Konstruksi
a.
Melakukan sederetan iterasi.
b.
Pada setiap iterasi akan melibatkan
proses
berikut:
analisa
desain,
implementasi, dan testing.
4. Transition/Transisi
a.
Membuat apa yang sudah dimodelkan
menjadi suatu produk jadi.
b.
Dalam fase ini dilakukan:
1.
Beta dan performance testing.
2.
Membuat dokumentasi tambahan
seperti: training,
user guides, dan
sales kit.
IJCCS
Vol. x, No. x, July 201x : first_page – end_page
3. HASIL DAN PEMBAHASAN
3.1
AnalisaSistem
Analisis
sistem
merupakan
suatu
tahapan yang bertujuan untuk mengetahui dan
mengamati apa saja yang terlibat dalam suatu
sistem. Pembahasan yang ada pada analisis
sistem ini yaitu analisis masalah, analisis
kebutuhan fungsional dan analisis kebutuhan
nonfungsional.
3.2 Analisa Masalah
Berdasarkan studi literatur dan hasil
observasi
yang
dilakukan,
dari
hasil
pengamatan diperoleh permasalahan yaitu
kurang inisiatifnya pihak Polres Kendari untuk
membuat informasi tentang daerah-daerah
yang rawan kecelakaan lalu lintas di wilayah
kota Kendari.
3.3
Use Case Diagram
Gambaran
Use
Case
Diagram
ditunjukan pada Gambar 1.
Gambar 1. Use Case Diagram
3.4 Perancangan Sistem
Tujuan utama dari perancangan sistem
adalah memberikan gambaran perancangan
sistem
yang
akan
dibangun
atau
dikembangkan serta untuk memahami alur
informasi dan proses dalam sistem.
Gambaran
flowchart
sistem ditunjukan pada
Gambar 2.
3.5 Implementasi dan Pengujian Sistem
Dalam bab ini dibahas mengenai
pembuatan program dan hasil uji coba
program
yang
telah
dirancang
dan
diimplementasikan dengan menggunakan
web
browser dan xampp . Uji coba dilakukan untuk
mengetahui apakah program dapat berjalan
sebagaimana mestinya dengan lingkungan uji
coba yang telah ditentukan serta dilakukan
sesuai dengan skenario uji coba.
1. Uji Coba dalam Menetukan Daerah
Rawan Kecelakaan
Pengklasifikasian yang dilakukan dengan
menggunakan 6 atribut sebagai kriteria dalam
menentukan daerah rawan kecelakaan di
wilayah Kota Kendari. Atribut yang digunakan
dalam penelitian ini adalah nama lokasi, waktu
kecelakaan, korban, posisi kecelakaan, kondisi
permukaan jalan, dan atribut yang terakhir
kendaraan yang terlibat.
Gambar 2. Flowchart Sistem
Tabel 1 menunjukkan tabel daftar data
blackspot tahun 2015.
Tabel 1 Daftar Data Blackspot Tahun 2015
No Kec. Nama Jalan
Wak tu Keja dian
Ke ndara an yang Te rlibat
Kondisi
Permu kaan Jalan
Posisi Kecela kaan
Korb an (Bob
ot) Hasil
1 Kadia Jalan Sao-sao depan Kantor
BPK
Siang Roda empat Baik
Tabrak manusi a
1 (LR)
Kecela kaan sedang
2 Kadia Jalan Sao-sao depan perumaha n Kejaksaa
n
Siang Roda dua Baik Tabrak lari
1 (LR)
Kecela kaan sedang
3 Kadia Jalan
Sao-sao Pertigaan
STM Pagi
Roda dua vs Roda empat
Rusak Depan sampin g
1 (LR)
Kecela kaan sedang
4 Kadia Jalan
Sao-Sao- dekat Kantor
Pajak Pagi
Roda dua vs Roda empat
Rusak Depan sampin g
1 (LR)
Kecela kaan sedang
5 Kadia Jl. MT Haryono - Jl. Laode Hadi ( Lampu Merah Pasar Baru)
Siang Roda dua
vs Roda dua
Rusak Depan belakan g
2 (LB)
Kecela kaan berat
6 Kadia Jl. MT Haryono - Jl. Laode Hadi ( Lampu Merah Pasar Baru)
Siang Roda dua
vs Roda empat
Rusak Depan sampin g
1 (LR)
Kecela kaan sedang
7 Kadia Jl. MT Haryono - Jl. Laode Hadi ( Lampu Merah Pasar Baru)
Siang Roda dua
vs Roda empat
Rusak Depan sampin g
2 (LB)
Title of manuscript is short and clear, implies research results (First Author)
8 Mand onga
Jalan ZA. Sugianto dekat sedang
9 Mandonga Jalan ZA. Sugianto depan sedang
10 Mand onga
Jl. ZA. Sugianto
dekat Brigjend
Z.A sedang
12 Mand onga
Jalan Z.A Sugianto Kota sedang
13 Mand onga
Perempat an jalan Abdulah Silondae -
Tebau Nunggu
Dini sedang
14 Mand onga
Perempat an jalan abdullah silondae – abunawas
Mala sedang
15 Mandonga Perempat an Jalan Abdullah Silondae - Made Sabara
Siang sedang
16 Mand sedang
17 Mand onga
Perempat an Jalan Abdullah Silondae Made Sabara
Pagi sedang
18 Mand onga
Perempat an Jalan Abdullah Silondae - Made Sabara
Siang Abdullah Silondae – Made Sabara
Pagi sedang
22 Puwat u
Jl. M. Yamin dekat Terminal Puuwatu
Siang sedang
24 Puwat u
Jalan Prof M.Yamin Pagi sedang
25 Puwat terminal
Pagi Roda dua Baik Tabrak manusi sedang
26 Puwat u
Jalan M. Yamin depan Kantor Camat Sultan Hasanudd
in dekat Hotel Sultra
Siang Roda dua Baik Tabrak sedang
28 Kend
ari Barat
Jalan Sultan Hasanudd
in
Siang Roda dua Baik Tabrak manusi Sultan Hasanudd sedang
30 Kend
ari Barat
Jalan Sultan Hasanudd
in
Pagi Roda empat Baik
Tabrak manusi sedang
31 Tabrak manusi sedang
2.
Data
Mining
dengan
Menggunakan
Algoritma C4.5
Tahapan selanjutnya adalah melakukan
proses
pengolahan
Data
Miningdengan
menggunakan algoritma C4.5. Pengolahan
Data Mining dengan menggunakan algoritma
C4.5 dilakukan dengan perhitungan
Entrophy
dan
Gain
untuk menentukan akar (root) dari
pohon keputusan.
Langkah-langkah
pengolahan
Data
Miningdengan menggunakan algoritma C4.5
adalah sebagai berikut :
a.
Pilih atribut sebagai akar
Data dikelompokkan terlebih dahulu
dengan menghitung jumlah kasus, jumlah
kasus untuk data yang berpotensi tinggi,
sedang dan rendah. Selanjutnya dihitung nilai
Entrophy
dan Gain
dari semua atribut. Untuk
menentukan akar ditentukan dari nilai
Gain
tertinggi.
b.
Buat cabang untuk tiap-tiap nilai
c.
Bagi kasus dalam cabang
d.
Ulangi proses untuk setiap cabang sampai
semua kasus pada cabang memiliki kelas
yang sama.
Kemudian melakukan perhitungan node
untuk mendapatkan nilai entropy dan nilai
gain dari masing-masing atribut. Perhitungan
Entropy untuk data tahun 2015, yaitu sebagai
= 0,918295834
Tabel
2
menunjukkan
tabel
hasil
perhitungan node 1 untuk tahun 2015.
Tabel 2 Hasil Perhitungan Node 1 Tahun 2015
Node Jumlah
Kasus Potensi
Lokasi Entropy Gain KS KB
1 Nama Jalan Total 4 4 0 0
Jalan Sao-sao Waktu
Kejadian 0
Dini hari 0 0 0 0
Pagi 2 2 0 0
Siang 2 2 0 0
Malam 0 0 0 0
Ke ndaraan
yang Terlibat 0
Roda dua 1 1 0 0
IJCCS
Vol. x, No. x, July 201x : first_page – end_page
Roda dua vsRoda dua 0 0 0 0
Roda empat vs
Roda empat 0 0 0 0 Roda empat vs
Roda Dua 2 2 0 0
Kondisi Pe rmukaan
Jalan
0
Baik 2 2 0 0
Rusak 2 2 0 0
Posisi
Ke celakaan 0
Tunggal 0 0 0 0
Depan Depan 0 0 0 0 Depan Belakang 0 0 0 0 Depan Samping 2 2 0 0
Samping
Samping 0 0 0 0
Tabrak Lari 1 1 0 0 Tabrak Manusia 1 1 0 0
Korban 0
MD 0 0 0 0
LB 0 0 0 0
LR 4 4 0 0
2 Nama Jalan Total 3 1 2 0,918295834 Jl. MT
Haryono - Jl. Laode Hadi
Waktu
Kejadian 0
Dini hari 0 0 0 0
Pagi 0 0 0 0
Siang 3 1 2 0,918295 834
Malam 0 0 0 0
Ke ndaraan yang Terlibat
0,918 2958 34
Roda dua 0 0 0 0
Roda empat 0 0 0 0 Roda dua vs
Roda dua 1 0 1 0
Roda empat vs
Roda empat 0 0 0 0 Roda empat vs
Roda Dua 2 1 1 1
Kondisi Pe rmukaan
Jalan
0
Baik 0 0 0 0
Rusak 3 1 2 0,918295 834
Posisi Ke celakaan
0,918 2958 34
Tunggal 0 0 0 0
Depan Depan 0 0 0 0 Depan Belakang 1 0 1 0 Depan Samping 2 1 1 1
Samping
Samping 0 0 0 0
Tabrak Lari 0 0 0 0 Tabrak Manusia 0 0 0 0
Korban
0,918 2958 34
MD 0 0 0 0
LB 2 0 2 0
LR 1 1 0 0
3 Nama Jalan Total 5 4 1 0,721928
095
Jalan ZA. Sugianto
Waktu Kejadian
0,721 9280 95 Dini hari 1 0 1 0
Pagi 3 3 0 0
Siang 0 0 0 0
Malam 1 1 0 0
Ke ndaraan yang Terlibat
0,170 9505 94
Roda dua 0 0 0 0
Roda empat 0 0 0 0 Roda dua vs
Roda dua 3 2 1 0,918295
834 Roda empat vs
Roda empat 0 0 0 0 Roda empat vs
Roda Dua 2 2 0 0
Kondisi Pe rmukaan
Jalan
0
Baik 5 4 1 0,721928 095
Rusak 0 0 0 0
Posisi Ke celakaan
0,721 9280 95
Tunggal 0 0 0 0
Depan Depan 2 1 1 1 Depan Belakang 0 0 0 0 Depan Samping 2 2 0 0
Samping
Samping 0 0 0 0
Tabrak Lari 1 1 0 0 Tabrak Manusia 0 0 0 0
Korban
0,721 9280 95
MD 1 0 1 0
LB 0 0 0 0
LR 4 4 0 0
4 Nama Jalan Total 8 6 2 0,811278
124 Perempatan
Jalan Abdullah Silondae
Waktu Kejadian
0,466 9171 87
Dini hari 1 1 0 0
Pagi 3 2 1 0,918295 834
Siang 2 2 0 0
Malam 2 1 1 1
Ke ndaraan yang Terlibat
0,466 9171 87
Roda dua 0 0 0 0
Roda empat 0 0 0 0 Roda dua vs
Roda dua 3 2 1 0,918295
834 Roda empat vs
Roda empat 1 1 0 0 Roda empat vs
Roda Dua 4 3 1 0,811278
124
Kondisi Pe rmukaan
Jalan
0
Baik 8 6 2 0,811278 124
Rusak 0 0 0 0
Posisi
Ke celakaan 0
Tunggal 0 0 0 0
Depan Depan 0 0 0 0 Depan Belakang 0 0 0 0
Depan Samping 8 6 2 0,811278 124 Samping
Samping 0 0 0 0
Tabrak Lari 0 0 0 0 Tabrak Manusia 0 0 0 0
Korban
0,811 2781 24
MD,LB 1 0 1 0
LB,LR 1 0 1 0
LR 6 6 0 0
5 Nama Jalan Total 6 4 2 0,918295
834
Jalan Prof. M. Yamin
Waktu Kejadian
0,918 2958 34 Dini hari 0 0 0 0
Pagi 3 3 0 0
Siang 2 0 2 0
Malam 1 1 0 0
Ke ndaraan
yang Terlibat 0
Roda dua 2 2 0 0
Roda empat 0 0 0 0 Roda dua vs
Roda dua 3 2 1 0,918295
834 Roda empat vs
Roda empat 0 0 0 0 Roda empat vs
Roda dua 1 0 1 0
Kondisi Pe rmukaan
Jalan
0
Baik 6 4 2 0,918295 834
Rusak 0 0 0 0
Posisi
Ke celakaan 0
Tunggal 0 0 0 0
Depan Depan 1 0 1 0 Depan Belakang 0 0 0 0
Depan Samping 3 2 1 0,918295 834 Samping
Samping 0 0 0 0
Tabrak Lari 1 1 0 0 Tabrak Manusia 1 1 0 0
Korban
0,918 2958 34
LB 1 0 1 0
LB,LR 1 0 1 0
LR 4 4 0 0
6 Nama Jalan Total 5 4 1 0,721928095 Jalan Sultan
Hasanuddin
Waktu Kejadian
0,170 9505 94 Dini hari 1 1 0 0
Pagi 1 1 0 0
Siang 3 2 1 0,918295 834
Malam 0 0 0 0
Ke ndaraan yang Terlibat
0,170 9505 94
Roda dua 3 2 1 0,918295 834 Roda empat 1 1 0 0 Roda dua vs
Roda dua 1 1 0 0
Roda empat vs
Roda empat 0 0 0 0 Roda empat vs
Roda Dua 0 0 0 0
Kondisi Pe rmukaan
Jalan
0
Title of manuscript is short and clear, implies research results (First Author)
Rusak 0 0 0 0
Posisi Ke celakaan
0,170
Samping
Samping 0 0 0 0
Tabrak Lari 1 1 0 0
Tabrak Manusia 3 2 1 0,918295 834
Korban
0,721
blackspot tahun 2016.
Tabel 3 Daftar Data Blackspot Tahun 2016
No. Ke c. Nama
Posisi Kece la kaan
Korban (Bobot) Hasil
1 Barug a
Jalan Kapten
Piere Kapten
Piere Kapten
Piere Kapten
Piere Kapten
Piere Kapten
Piere Kapten
Piere Kapten
Piere Kapten
Piere Kapten
piere tendean
Siang Roda dua Baik
Tabrak manusi Kapten
Piere
Tabrak lari 1 (LR) Pierre Tendea Pierre Tendee an
Pagi Roda empat Baik
Tabrak lari 1 (LR) tendean
depan
Baik Depan Depan Tabrak manusi
Tabrak manusi Farhat
Mala
Tabrak manusi
IJCCS
Vol. x, No. x, July 201x : first_page – end_page
onga Abdullah Silonda
e – Jl. Tebeu Nunggu
dua vs Roda empat
sampin g
akaan sedan g
45 Mand onga
Jl. Abdulla
h Silonda
e – Jl. Tebeu Nunggu
Siang Roda empat vs Roda empat
Baik Depan sampin g
3 (MD) Kecel akaan berat
46 Mand onga
Jl. Abdulla
h Silonda
e – Jl. Tebeu Nunggu
Mala m
Roda dua vs Roda empat
Baik Depan sampin g
1 (LR) Kecel akaan sedan g
Kemudian melakukan perhitungan node
untuk mendapatkan nilai entropy dan nilai
gain dari masing-masing atribut. Perhitungan
Entropy untuk data tahun 2015, yaitu sebagai
berikut :
(
,
)
=
−
8
14
∗
log
8
14
+
−
6
14
∗
l og
6
14
=
−
8
14
×
( 8 14)
( 2)
+
−
6
14
×
( 6 14)
( 2)
= 0,985228136
Tabel
4
menunjukkan
tabel
hasi
perhitungan node 1 untuk tahun 2016.
Tabel 4 Hasil Perhitungan Node 1 Tahun 2016
Node Jumlah
Kasus Pote nsi
Lokasi Entropy Gain KS KB
1 Nama
Jalan Total 14 8 6
0,985228 136 Jalan
Kapten Piere Tendean
Waktu Ke jadian
0,788450 457
Dini hari 1 0 1 0
Pagi 3 1 2 0,918295 834
Siang 6 6 0 0
Malam 4 1 3 0,812278 124
Kendaraan yang Terlibat
0,591672 779
Roda dua 6 4 2 0,918295 834 Roda empat 2 2 0 0 Roda dua vs
Roda dua 0 0 0 0
Roda empat vs
Roda empat 0 0 0 0 Roda empat vs
Roda Dua 6 2 4 0,918295
834
Kondisi Permukaan
Jalan
0
Baik 14 8 6 0,985228 136
Rusak 0 0 0 0
Posisi Kecelakaan
0,788450 457
Tunggal 5 3 2 0,970950 594 Depan Depan 1 0 1 0 Depan Belakang 2 0 2 0 Depan Samping 2 2 0 0
Samping
Samping 0 0 0 0
Tabrak Lari 3 2 1 0,918295 834 Tabrak Manusia 1 1 0 0
Korban 0,985228
136
MD 1 0 1 0
LB 2 0 2 0
LR 8 8 0 0
MD,LB 1 0 1 0
MD,LR 1 0 1 0
LB,LR 1 0 1 0
2 Nama
Jalan Total 5 1 4
0,721928 095 Jalan
Z.A. Sugianto
Waktu Ke jadian
0,321928 095
Dini hari 1 0 1 0
Pagi 2 1 1 1
Siang 0 0 0 0
Malam 2 0 2 0
Kendaraan yang Terlibat
0,721928 095
Roda dua 3 0 3 0
Roda empat 0 0 0 0 Roda dua vs
Roda dua 0 0 0 0
Roda empat vs
Roda empat 1 0 1 0 Roda empat vs
Roda Dua 1 1 0 0
Kondisi Permukaan
Jalan
0
Baik 5 1 4 0,721928 095
Rusak 0 0 0 0
Posisi Kecelakaan
0,721928 095
Tunggal 2 0 2 0
Depan Depan 0 0 0 0 Depan Belakang 2 1 1 0 Depan Samping 2 0 2 0
Samping
Samping 0 0 0 0
Tabrak Lari 0 0 0 0 Tabrak Manusia 0 0 0 0
Korban 0,721928
095
MD 4 0 4 0
LB 0 0 0 0
LR 1 1 0 0
3 Nama
Jalan Total 10 8 2
0,721928 095 Jalan
Patimura
Waktu Ke jadian
0,397416 845 Dini hari 1 1 0 0
Pagi 4 3 1 0,811278 124
Siang 1 1 0 0
Malam 4 3 1 0,811278 124
Kendaraan yang Terlibat
0,321928 095
Roda dua 3 3 0 0
Roda empat 0 0 0 0 Roda dua vs
Roda dua 4 2 2 1
Roda empat vs
Roda empat 0 0 0 0 Roda empat vs
Roda Dua 3 3 0 0
Kondisi Permukaan
Jalan
0
Baik 10 8 2 0,721928 095
Rusak 0 0 0 0
Posisi Kecelakaan
0,397416 845
Tunggal 1 1 0 0
Depan Depan 2 1 1 1 Depan Belakang 0 0 0 0
Depan Samping 4 3 1 0,811278 124 Samping
Samping 0 0 0 0
Tabrak Lari 1 1 0 0 Tabrak Manusia 2 2 0 0
Korban 0,721928
095
MD 1 0 1 0
LB 0 0 0 0
LR 4 4 0 0
4 Nama
Jalan Total 6 4 2
0,918295 834 Jalan
Prof M. Yamin
Waktu Ke jadian
0,459147 917
Dini hari 1 1 0 0
Pagi 1 1 0 0
Siang 1 1 0 0
Malam 3 1 2 0,918295 834
Kendaraan yang Terlibat
0,584962 501
Roda dua 1 0 1 0
Roda empat 0 0 0 0 Roda dua vs
Roda dua 2 1 1 1
Roda empat vs
Roda empat 0 0 0 0 Roda empat vs
Roda Dua 3 3 0 0
Kondisi Permukaan
Jalan
0
Baik 6 4 2 0,918295 834
Rusak 0 0 0 0
Posisi Kecelakaan
0,377443 751
Tunggal 1 0 1 0
Depan Depan 1 1 0 0 Depan Belakang 0 0 0 0
Depan Samping 4 3 1 0,811278 124 Samping
Samping 0 0 0 0
Title of manuscript is short and clear, implies research results (First Author)
Korban 0,721928
095
MD 1 0 1 0
LB 1 0 1 0
LR 4 4 0 0
5 Nama
Jalan Total 7 5 2
0,863120 569 Jalan
MT. Haryono
Waktu Ke jadian
0,469565 211
Dini hari 1 1 0 0
Pagi 3 2 1 0,918295 834
Siang 3 2 1 0,918295 834
Malam 0 0 0 0
Kendaraan yang Terlibat
0,863120 569
Roda dua 2 0 2 0
Roda empat 0 0 0 0 Roda dua vs
Roda dua 2 2 0 0
Roda empat vs
Roda empat 0 0 0 0 Roda empat vs
Roda dua 3 3 0 0
Kondisi Permukaan
Jalan
0
Baik 0 0 0 0
Rusak 7 5 2 0,863120 569
Posisi Kecelakaan
0,863120 569
Tunggal 0 0 0 0
Depan Depan 1 1 0 0 Depan Belakang 1 1 0 0 Depan Samping 1 1 0 0
Samping
Samping 1 1 0 0
Tabrak Lari 1 1 0 0 Tabrak Manusia 2 0 2 0
Korban 0,863120
569
MD 1 0 1 0
LB,LR 1 0 1 0
LR 5 5 0 0
6 Nama
Jalan Total 4 3 1
0,811278 124 Jl.
Abdullah Silondae – Jl. TebeuNu
nggu
Waktu Ke jadian
0,122556 249
Dini hari 0 0 0 0
Pagi 0 0 0 0
Siang 3 2 1 0,918295 834
Malam 1 1 0 0
Kendaraan
yang Terlibat 0
Roda dua 0 0 0 0
Roda empat 0 0 0 0 Roda dua vs
Roda dua 0 0 0 0
Roda empat vs
Roda empat 0 0 0 0 Roda empat vs
Roda Dua 4 3 1 0,811278
124
Kondisi Permukaan
Jalan
0
Baik 4 3 1 0,811278 124
Rusak 0 0 0 0
Posisi
Kecelakaan 0
Tunggal 0 0 0 0
Depan Depan 0 0 0 0 Depan Belakang 0 0 0 0
Depan Samping 4 3 1 0,811278 124 Samping
Samping 0 0 0 0
Tabrak Lari 0 0 0 0 Tabrak Manusia 0 0 1 0
Korban 0,811278
124
MD 1 0 1 0
LB 0 0 0 0
LR 3 3 0 0
Setelah itu membandingkan data tahun
2015 dengan data tahun 2016, untuk
memprediksikan data kecelakaan untuk tahun
2017.
Tabel
5
menunjukkan
tabel
data
kecelakaan untuk dua tahun sebelumnya yaitu
tahun 2015 dan 2016.
Tabel 5 Data Kecelakaan Dua Tahun
Sebelumnya
Tahun 2015 Tahun 2016
Nama Jalan Kejadian Pe nye bab Laka Nama Jalan Kejadian Pe nyebab Laka
Jalan
Sao-sao 4
Jalan lurus beraspal, arus lalu lintas agak ramai.
Jalan Sao-sao 0
Jalan Lurus beraspal dan diperlebar.
Jalan Kapten Piere Tendean
0
Jalan beraspal, arus lalu lintas sepi.
Jalan Kapten Piere Tendean 14
Siang hari, jalan beraspal menikung, arus lalu lintas sedang.
Jalan MT. Haryono 3
Siang hari, trafig light berfungsi, persimpanganj alan lurus beraspal, arus lalu lintas ramai.
Jalan MT. Haryono 8
Siang hari, jalan lurus beraspal, jalur dua, arus lalu lintas padat
Jalan Prof. M. Yamin 6
Pagi hari, jalan menikung beraspal, arus lalu lintas agak ramai, pandangan terhalang.
Jalan Prof. M.
Yamin 6
Malam hari, jalan lurus beraspal, arus lalu lintas sedang, penerangan jalan tidak berfungsi.
Jalan Sultan Hasanudin 5
Malam hari, jalan agak menikung beraspal, arus lalu lintas ramai lancar, lampu penerang jalan tidak berfungsi.
Jalan Sultan Hasanudin 0
Malam hari jalan beraspal, arus lalu lintas sepi.
Perempatan Jalan Abdullah Silondae
8
Pagi hari, perempatan jalan lurus beraspal, pandangan agak terhalang, arus lalu agak ramai.
Perempatan Jalan Abdullah Silondae
4
Cuaca Cerah, perempatan jalan Situasi arus lalu lintas ramai.
Jalan
Pattimura 0
Siang hari, situasi arus lalu lintas sepi.
Jalan
Pattimura 10
Siang hari, jalan lurus beraspal, situasi arus lalu lintas ramai.
Jalan ZA. Sugianto 5
Pagi hari, pertigaan jalan lurus beraspal, pandangan agak terhalang, arus lalu lintas ramai lancar.
Jalan ZA. Sugianto 5
Pagi hari, jalan berapal lurus, pandangan bebas.
Setelah menampilkan data kecelakaan
pada tahun 2015 dan tahun 2016, kemudian
memprediski data kecelakaan untuk tahun
2017. Hal yang dilakukan yaitu menentukan
nilai k, nilai k yang digunakan sebagai contoh
adalah k = 2.
−
( 2017) =
4 + 0
=
4
2
= 2
Tabel 6 menunjukkan hasil prediksi untuk
tahun 2016.
Tabel 6 Hasil Prediksi untuk Tahun 2017
Tahun 2015 Tahun 2016 Prediksi Tahun 2017 Nama Jalan Kejadian Nama Jalan Kejadian Nama Jalan KejadianJalan Sao-sao 4 Jalan Sao-sao 0 Jalan Sao-sao 2 Jalan Kapten
Piere Tendean 0
Jalan Kapten Piere Tendean 14
Jalan Kapten Piere Tendean 7 Jalan MT.
Haryono 3
Jalan MT. Haryono 8
Jalan MT. Haryono 5,5 Jalan Prof. M.
Yamin 6
Jalan Prof. M. Yamin 6
Jalan Prof. M. Yamin 6 Jalan Sultan
Hasanudin 5
Jalan Sultan Hasanudin 0
Jalan Sultan Hasanudin 2,5
Perempatan Jalan Abdullah
Silondae 8
Perempatan Jalan Abdullah
Silondae 4
Perempatan Jalan Abdullah Silondae
6
Jalan Pattimura 0 Jalan Pattimura 10 Jalan Pattimura 5 Jalan ZA.
Sugianto 5
Jalan ZA. Sugianto 5