Direktorat Lalu Lintas Kepolisian Daerah Sulawesi Tenggara (Ditlantas Polda Sultra), sejak tahun 2010 sampai 2012 mencatat bahwa telah terjadi 3.265 kecelakaan lalu lintas. Kecelakaan lalu lintas tersebut melibatkan 5.431 kendaraan dengan 5.119 korban. Setiap tahun angka korban kecelakaan lalu lintas terus meningkat, terlihat pada data kecelakaan lalu lintas tahun 2010 (279 orang meninggal dunia, 443 orang luka berat, 930 orang luka ringan) dan tahun 2011 (367 orang meninggal dunia, 823 orang luka berat dan 1.875 orang luka ringan) (Sudarmanto, 2011; Herukoco, 2013). Peningkatan angka kecelakaan lalu lintas ini perlu mendapat penanganan yang lebih efektif, jika tidak diperkirakan angka korban kecelakaan lalu lintas akan meningkat 2 kali lipat tiap tahunnya (Prihartono, 2012).
Penanganan yang efektif, berhubungan dengan kebijakan yang diterapkan oleh Direktur Lalu Lintas (Dirlantas), yaitu dalam hal manajemen dan rekayasa lalu lintas (misalnya, ketepatan dalam menentukan peserta edukasi/sosialisasi tentang keselamatan di jalan raya atau rekomendasi pemasangan alat perlengkapan jalan yang menjadi prioritas). Kebijakan yang diterapkan sebaiknya relevan dan didukung dengan pengetahuan yang berasal dari data-data kecelakaan lalu lintas.
Ditlantas Polda Sultra telah memiliki data kecelakaan lalu lintas yang tersimpan dalam basis data Sistem Informasi Manajemen Data Kecelakaan Lalu Lintas. Saat ini, basis data tersebut baru digunakan untuk memperoleh informasi data statistik korban kecelakaan lalu lintas. Informasi ini yang selanjutnya digunakan oleh Dirlantas untuk membantunya dalam mengambil kebijakan. Padahal, basis data kecelakaan lalu lintas dapat diolah menjadi pengetahuan, yang kemudian digunakan oleh Dirlantas untuk pengambilan kebijakan. Salah satu pengetahuan yang dapat dihasilkan dari basis data kecelakaan lalu lintas adalah karakateristik tingkat keparahan korban (meninggal dunia, luka berat dan luka
ringan) kecelakaan lalu lintas (Ayramo, dkk., 2009; Krishnaveni dan Hemalatha, 2011; de Oña dkk., 2013).
Karakteristik tingkat keparahan korban kecelakaan lalu lintas dapat diperoleh dengan menggunakan teknik data mining (Abellan dkk., 2013). Data mining adalah teknik analisis data untuk menemukan pengetahuan yang berguna dari repositori data yang yang dimiliki(Kumar dkk., 2001; Turban dkk., 2005; Han dkk., 2012).
Karakteristik tingkat keparahan korban kecelakaan lalu lintas dapat didekati dengan menerapkan teknik Associative Classification yang merupakan salah satu teknik data mining yang mengintegrasikan teknik classification dan association. Pengintegrasian teknik classification dan association berfokus pada pengolahan special subset dari Association Rule, yang lebih dikenal sebagai Class Association Rules (CARs) (Yin dan Han, 2003; Han dkk. 2012). CARs digunakan untuk memahami peristiwa dan mengidentifikasi variabel-variabel yang saling berhubungan pada kasus kecelakaan lalu lintas (Abellan dkk., 2013).
Associative Classification membutuhkan algoritma untuk menghasilkan CARs. Salah satu algoritma pada teknik associative classification adalah algoritma Classification based on Predictive Association Rules (CPAR). Keunggulan algoritma CPAR adalah memiliki tingkat akurasi yang tinggi dan kemudahan dalam hal interpretasi, dibandingkan dengan C4.5 (Quinlan, 1993), First Order Inductive Learner (FOIL) (Quinlan dan Cameron, 1993), Repeated Incremental Pruning to Produce Error Reduction (RIPPER) (Cohen, 1995), Classification Based on Association (CBA) (Liu dkk. 1998), dan Classification based on Multiple Association Rules (CMAR) (Li dkk. 2001) (Yin dan Han, 2003; Rahmat dkk. 2011; Gupta dan Toshniwal, 2011; Liu dkk., 2011).
Penelitian ini menerapkan algoritma CPAR untuk memperoleh karakteristik tingkat keparahan korban kecelakaan lalu lintas. Karakteristik tersebut dapat membantu Kepolisian untuk menetapkan langkah-langkah penanganan kecelakaan lalu lintas yang lebih efektif, sehingga angka korban jiwa pada kecelakaan lalu lintas berkurang (Depaire dkk. 2008; Cheng dkk., 2009; Pakgohar dkk., 2011, Abellan dkk., 2013).
1.2
Rumusan Masalah
Berdasarkan latar belakang yang dijelaskan di atas, maka rumusan masalah pada penelitian ini adalah bagaimana menerapkan algoritma Classification based on Predictive Association Rules (CPAR) untuk memperoleh karakteristik tingkat keparahan korban kecelakaan lalu lintas.
1.3
Batasan Masalah
Beberapa batasan yang dapat ditentukan dalam melakukan penelitian ini adalah:
1. Himpunan data berasal dari aplikasi manajemen data kecelakaan lalu lintas Direktorat Lalu Lintas Kepolisian Daerah Sulawesi Tenggara.
2. Periode data kecelakaan lalu lintas antara tahun 2010- 2012.
1.4
Tujuan Penelitian
Tujuan yang ingin dicapai pada penelitian ini adalah sebagai berikut:
1. Mengaplikasikan algoritma Classification based on Predictive Association Rules (CPAR) untuk memperoleh Class Association Rules (CARs) untuk menentukan karakteristik tingkat keparahan korban kecelakaan lalu lintas. 2. Membandingkan tingkat akurasi dan jumlah Class Association Rules (CARs)
yang dihasilkan oleh algoritma Classification based on Predictive Association Rules (CPAR) dengan algoritma Predictive Rules Mining (PRM).
1.5
Manfaat Penelitian
Manfaat dari penelitian ini adalah sebagai berikut:
1. Secara internal Kepolisian, membantu untuk merumuskan kebijakan yang lebih efektif tentang manajamen dan rekayasa lalu lintas. Sebagai contoh, CARs yang diperoleh dapat digunakan sebagai rujukan lokasi dan perserta pendidikan masyarakat tentang lalu lintas (DIKMAS Lantas).
2. Secara eksternal, karakteristik kecelakaan lalu lintas dapat digunakan oleh Dinas Perhubungan dan Dinas Pekerjaan Umum dan Tata Ruang Provinsi Sulawesi Tenggara sebagai rujukan dalam perbaikan/penambahan sarana dan prasarana tranportasi jalan.
1.6
Keaslian Penelitian
Penelitian serupa diperoleh dari beberapa jurnal internasional, antara lain:
1. Penelitian El-Seoud dan Elbadrawi (2004) megeksplorasi dan mendeskripsikan demografi kecelakaan, mengidentifikasi jenis utama kecelakaan, dan menunjukkan kondisi jalan dan lokasi yang kurang baik. Penelitian ini menggunakan teknik cluster analysis dan demographic clustering.
2. Penelitian Bayam dkk. (2005) mengidentifikasi pengemudi yang memiliki resiko tinggi mengenai keselamatan, menyesuaikan premi asuransi dan mencari hubungan dan pola baru di antara kelas pengemudi. Penelitian ini menggunakan teknik neural networks dan decision trees.
3. Penelitian Geurts dkk. (2005) bertujuan mengetahui mengapa kecelakaan dijalan cenderung mengelompok diruas jalan tertentu. Penelitian ini menggunakan teknik frequent item sets.
4. Penelitian Chang dan Wang (2006) menganalisis faktor risiko yang dapat mempengaruhi tingkat keparahan cedera dalam kecelakaan lalu lintas. Penelitian ini menggunakan teknik clasification and regresian tree (CART) 5. Penelitian Depaire dkk. (2008), melakukan analisis cedera untuk setiap jenis
kecelakaan lalu lintas atau cluster jelas menggambarkan nilai tambah dari segmentasi berbasis klaster. Variabel yang kurang berpengaruh untuk segmen data adalah jenis jalan dan usia. Penelitian ini menggunakan teknik latent class clustering.
Beberapa tinjauan pustaka tentang penelitian data mining pada data kecelakaan lalu lintas dan penerapan algoritma CPAR diberikan pada bagian selanjutnya.
1.7
Metodologi Penelitian
1.7.1 Bahan dan Peralatan
Bahan-bahan yang diperlukan untuk melaksanakan penelitian ini adalah data kecelakaan lalu lintas di wilayah tugas Ditlantas Polda Sultra tahun 2010-2012. Sedangkan alat-alat yang diperlukan adalah komputer yang berfungsi sebagai server dan client. Kemudian perangkat lunak pengembangan sistem data mining
seperti, NetBean, MySQL serta perangkat lunak pendukung untuk manajemen file project dan manajemen basis data seperti Apache Maven dan Hibernate.
1.7.2 Rancangan Penelitian
Rancangan penelitan ini menggambarkan secara umum algoritma Classification based on Predictive Association Rules (CPAR) untuk memperoleh Class Association Rules (CARs).
1. Pembangunan CARs.
Pembangunan CARs diawali dengan mengitung nilai gain dari masing-masing litertal. Literal terbaik akan dipilih dan dikalikan dengan parameter Gain Similarity Ratio untuk menentukan minimum best gain. Literal dengan nilai gain di atas minimum best gain akan dipilih sebagai candidat untuk dimasukkan dalam CARs.
2. Evaluasi CARs.
Nilai Laplace Accuracy (LA) digunakan untuk mengevaluasi CARs. CARs yang memiliki nilai LA tinggi dipilih sebagai CARs untuk menetukan karaktersitik kecealakaan lalu lintas.
1.7.3 Tahapan Penelitian
Secara prinsipal cara atau tahapan yang digunakan untuk melaksanakan dan menyelesaikan penelitian ini adalah mengikuti langkah-langkah sebagai berikut:
1. Studi pustaka
Secara prinsip pada tahap persiapan ini dilakukan pencarian dan pengumpulan bahan-bahan pustaka baik dari jurnal, internet, digital library, buku tesk, atau karya-karya ilmiah yang berkaitan dengan paradigma data mining pada data kecelakaan lalu lintas dan pengaplikasian algoritma CPAR. Kemudian dilakukan pengkajian, analisis, studi secara lebih mendalam baik aspek teoritis, metodologi, ataupun penerapannya.
2. Pengumpulan/pengambilan data
Kegiatan ini adalah melakukan komunikasi dengan pihak Ditlantas Polda Sultra untuk memperoleh data kecelakaan lalu lintas.
3. Pemilihan perangkat lunak pengembangan sistem data mining
Pada tahap ini diekplorasi beberapa perangkat lunak pengembangan sistem data mining, khusunya yang dapat digunakan secara open source. Kemudian dari tutorial dan dokumentasi yang tersedia dipelajari dan dicoba kemudahan serta fleksibelitasnya.
4. Pengembangan perangkat lunak data mining dengan algoritma CPAR.
Pada tahap ini dilakukan analisa dan perancangan spesifikasi kebutuhan sistem. Kemudian melakukan implementasi terhadap hasil rancangan.
5. Evaluasi dan pembahasan hasil penelitian
Perangkat lunak yang telah dikembangan diuji menurut metode atau prosedur pengujian perangkat lunak data mining. Selanjutnya disajikan penyusunan hasil dan pembahasan.
6. Pembuatan laporan penelitian
Tahap ini merupakan kegiatan penyusunan, pembahasan hasil dan pembuatan laporan akhir tesis secara sistematis dan dengan mengikuti aturan penulisan tesis yang berlaku. Isi dari naskah tesis ini juga memuat hasil-hasil yang telah diperoleh dari setiap tahapan penelitian sebelumnya yang sudah didokumentasikan.
1.8
Sistematika Penulisan
Sistematika penulisan dalam penelitian ini terdiri 9 bagian yaitu pendahuluan, tinjauan pustaka, landasan teori, analsisis dan rancangan sistem, implementasi, hasil penelitian dan pembahasan, kesimpulan dan saran, daftar pustaka, lampiran. Penjelasan masing masing bagian diberikan sebagai berikut:
1. BAB I PENDAHULUAN yang menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, keaslian penelitian, manfaat penelitian dan sistematika penulisan.
2. BAB II TINJAUAN PUSTAKA yang menjelaskan tentang penelitian yang telah dilakukan yang memiliki keterkaitan dengan penelitian yang akan dilakukan.
3. BAB III LANDASAN TEORI menjelaskan tentang berbagai materi yang berhubungan serta diperlukan dalam penelitian sehingga dapat membantu dalam proses pancapaian hasil penelitian.
4. BAB IV ANALSISIS DAN RANCANGAN SISTEM menjelaskan tentang analisa dan perancangan yang diperlukan dalam sistem.
5. BAB V IMPLEMENTASI menjelaskan implementasi dari sistem yang telah dirancang.
6. BAB VI HASIL PENELITIAN DAN PEMBAHASAN menjelaskan tentang hasil yang telah diperoleh dari penelitian beserta pembahasan terhadap hasil. 7. BAB VII KESIMPULAN DAN SARAN menjelaskan tentang kesimpulan dari
hasil penelitian yang diperoleh dan melihat keterkaitan antara hasil penelitian terhadap permasalahan dan tujuan penelitian serta saran berupa penelitian yang dapat dilakukan selanjutnya.
8. DAFTAR PUSTAKA 9. LAMPIRAN
