• Tidak ada hasil yang ditemukan

IMPLEMENTASI DATA MINING UNTUK MENENTUKAN DAERAH RAWAN KECELAKAAN MENGGUNAKAN ALGORITMA C4.5

N/A
N/A
Protected

Academic year: 2018

Membagikan "IMPLEMENTASI DATA MINING UNTUK MENENTUKAN DAERAH RAWAN KECELAKAAN MENGGUNAKAN ALGORITMA C4.5"

Copied!
10
0
0

Teks penuh

(1)

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].

(2)

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

(3)

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.

(4)

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)

(5)

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

(6)

IJCCS

Vol. x, No. x, July 201x : first_page – end_page

Roda dua vs

Roda 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

(7)

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

(8)

IJCCS

Vol. x, No. x, July 201x : first_page – end_page

onga Abdulla

h 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

(9)

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 Kejadian

Jalan 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

(10)

IJCCS

Vol. x, No. x, July 201x : first_page – end_page

Berdasarkan Tabel 6 hasil prediksi

tertinggi untuk tingkat kecelakaan pada tahun

2017 yaitu Jalan Kapt Piere Tendean, jadi

diprediksikan

jumlah

kejadian

untuk

tahun2017 pada Jalan Kapt Piere Tendean

sebanyak 7 kali.

Gambar 3 menunjukkan google maps

dalam menentukan daerah rawan kecelakaan.

Gambar 3.

Google Maps dalam menentukan

Daerah Rawan Kecelakaan

4. KESIMPULAN

Berdasarkan

hasil

penelitian

ini,dapatdisimpulkan bahwa :

1. Sistem dapat menentukan daerah rawan

kecelakaan di wilayah Kota Kendari yang

lebih prioritas.

2.

Metode pohon keputusan menggunakan

Algoritma C4.5 dapat membantu dalam

menentukan daerah rawan kecelakaan.

5. SARAN

Adapun saran penulis untuk penelitian

ini yaitu:

1. Dalam

penelitian

ini

menggunakan

algoritma

C4.5,

diharapkan

dalam

penelitian

selanjutnya

masalah

ini

diselesaikan dengan algoritma lain seperti

apriori, K-Means dan lain-lain.

2. Sistem ini masih banyak kekurangan dan

keterbatasannya dalam mengolah data

kecelakaan sehingga diharapkan kepada

para

membaca

untuk

dapat

mengembangkannya lebih baik lagi.

DAFTAR PUSTAKA

[1] Hakim, L. 2015. Penentuan Pola

Hubungan Kecelakaan Lalu Lintas

menggunakan Metode Association Rules

dengan Algoritma

Apriori. University

Research Colloquium 2015. ISSN

2407-9189.

[2] Harahap, C. 2013

.

Perancangan Aplikasi

Prediksi Kecelakaan Lalu Lintas di

Percut Sei Tuan dengan menggunakan

Algoritma

Apriori.Pelita Informatika

Budi Darma. ISSN :2301-9425.

[3]

Prahasta, E. 2009. Sistem Informasi

Geografis

Konsep-Konsep

Dasar,

Bandung.

[4]

Aradea. 2011. Pemodelan

Requirements

dalam Mengkontruksi Perangkat Lunak

Self-Adaptive. Jurnal Ilmiah Teknologi

Informasi Terapan.

[5]

Sulistiono, H. 2015.

Kajian Penerapan

Algoritma C4.5,

Neural Network

dan

Naive

Bayes

untuk

Klasifikasi

Mahasiswa yang Bermasalah dalam

Registrasi.

Universitas

Indraprasta

PGRI. ISSN: 1979-276.

[6]

Whisnu, 2012, GPS pada

android,

Jasakom, Jakarta.

Gambar

Gambar 2. Flowchart Sistem
Tabel 2
Tabel 4 Hasil Perhitungan Node 1 Tahun 2016
Tabel 5
+2

Referensi

Dokumen terkait

inicijalne verzije C# jezika dodavala se podrška za rad funkcionalnog programa, reaktivnog, programa s više dretava i sl. Konstantnim razvijanjem C# jezika povećava

Purposes of this study were: 1) To know the teachers‟ creativities in developing teaching media in MTs Negeri Karangrejo. 2) To know the teachers‟ creativities in applying

Perubahan yang sangat menonjol yaitu terjadi pengurangan pada gelombang lambat, terutama stadium 4, gelombang alfa terjadi pengurangan pada gelombang lambat, terutama

Arang cangkang kelapa sawit adalah bahan pengisi penguat yang dapat digunakan pada campuran karet dan bertujuan untuk mengurangi jumlah bahan karet yang

Satu ekor sapi atau kerbau mampu menghasilkan kotoran sebanyak 25 kg/hari, pada UPTD pasar ternak Palangki, dari data tahun 2010 - 2015, jumlah ternak terbanyak dalam satu

Economic value added (EVA), return on assets (ROA), dan return on equity (ROE) tidak memberikan pengaruh yang signifikan terhadap return saham perusahaan real estate dan

pada elemen pemanas akan mengubah energi listrik menjadi panas atau kalor. Panas ini akan dihembuskan oleh kipas menuju ruang pengering yang akan digunakan untuk menguapkan

Setiap kumpulan diberi peta yang serupa (lebih elok setiap ahli BSMM diberi setiap seorang) dan mereka diberi beberapa soalan (tugasan), misalnya: mencari grid beberapa