Menentukan Pola Hubungan Penyebab Kecelakaan Lalu Lintas Dengan Algoritma Apriori

(1)

Vol.3 No.3, September-Maret 2021, pp 127-132

Endang Utari1_{, Paska Marto Hasugian}2_{[Menentukan Pola Hubungan Penyebab Kecelakaan Lalu}

Lintas Dengan Algoritma Apriori]

127 Menentukan Pola Hubungan Penyebab Kecelakaan Lalu Lintas

Dengan Algoritma Apriori

Endang Utari

1

_{, Paska Marto Hasugian}

2

1,2_{Program Studi Teknik Informatika, STMIK Pelita Nusantara Jl. St. Iskandar Muda No. 1 Medan, Indonesia} 1_{[email protected]}2_{[email protected]}

I. Pendahuluan

Kecelakaan lalu lintas merupakan salah satu penyebab kematian yang cukup besar. Banyak faktor yang menyebabkan terjadinya kecelakaan lalu lintas. Tingginya jumlah kecelakaan yang terjadi menjadi alasan penting bagi pihak Satuan Lalu Lintas, salah satunya Polresta untuk mengetahui hubungan antara factor-faktor penyebab kecelakaan.Pada bidang ilmu data mining terdapat sebuah metode pencarian pola yaitu Algoritma Apriori, apriori adalah sebuah algoritma yang Langkahnya membutuhkan pemrosesan lebih adalah penemuan frequent-itemset. Maka dari itu dalam bidang ilmu data mining terdapat sebuah metode pencarian pola yaitu Algoritma Apriori, yang dimana apriori adalah sebuah algoritma yang langkahnya membutuhkan pemrosesan lebih adalah penemuan frequent-itemset. Sehingga dapat digunakan untuk menganalisa pola sebuah kejadian seperti pola hubungan kecelakaan. Untuk itu kajian yang perlu dilakukan adalah melakukan analisis terhadap data kecelakaaan lalu lintas yang ada.

Pada dasarmya ruang lingkup permasalahan yaitu sistem ini akan membahas penerapan metode dalam menentukan hubungan pola peyebab kecelakaan dan data-data yang diambil adalah data yang bersangkutan dengan satuan lalu lintas tersebut. Dari hasi pembahasan akan terdapat tujuan yang dimana salah satu tujuan tersebut adalah menerapkan metode dalam penentuan pola hubungan penyebab kecelakaan lalu lintas secara tepat, cepat dan akurat.

INFORMASI ARTIKEL A B S T R A K

Kata Kunci:

Algoritma Apriori Data Mining Kecelakaan Polres Deli Serdang

Kecelakaan lalu lintas merupakan salah satu penyebab kematian yang cukup besar. Banyak faktor yang menyebabkan terjadinya kecelakaan lalu lintas. Tingginya jumlah kecelakaan yang terjadi menjadi alasan penting bagi pihak Satuan Lalu Lintas, salah satunya Polresta untuk mengetahui hubungan antara faktor-faktor penyebab kecelakaan. Untuk itu kajian yang perlu dilakukan adalah melakukan analisis terhadap data kecelakaaan lalu lintas yang ada. Pola hubungan penyebab kecelakaan dapat dianalisa dengan sistem kecerdasan buatan yaitu Data Mining. Berdasarkan masalah diatas penulis mengambil judul “Menentukan Pola Hubungan Penyebab Kecelakaan Lalu Lintas Dengan Algoritma Apriori”.Berdasarkan masalah diatas penulis mengambil judul “Menentukan Pola Hubungan Penyebab Kecelakaan Lalu Lintas Dengan

Algoritma Apriori”. Dengan adanya penelitian dapat digunakan sebagai masukan

untuk menciptakan suasana lalu intas yang tertib, aman, nyaman dan lancar.

Keywords:

Apriori Algorithm Accident Determining Police Deli Serdang

ABSTRACT

Traffic accidents are one to the leading causes of death. Many factors cause traffic accidents. The high number of accidents that accur is a importtant reason for the Traffic Unit, one of which is the Police, to find out the realitionship between the factors that cause acciden. For this reason, the study that needs to be done is to analyze the existing traffic accident data. The relationship pattern of the cause of accident can be analyzed with an artificial intelligence system namely Data Mining. Based on the above problem, the writer takes the title “Datermining the Relationship Pattern of the Cause of Traffic Accident with the Apriori Algorithm. Based on the above problem, the writer takes the title “Determining the Relationship Pattern of the Cause of Traffic Accident with the Apriori Algorithm. “With the research, it can be used as input to create an ordely intas traffic atmosphere safe and comfortable.

(2)

128

II. Metode

Gambar 1. Flowchart Algoritma Apriori

III. Hasil dan Pembahasan

Berikut terdapat langkah-langkah menyelesaikan suatu permasalahan dengan menggunakan Algoritma Apriori :

1. Identifikasi Data Laka Lantas

Tabel 1. Data Laka Lantas

No F1 Pola Kecelakaan

1 F001 Beruntun, tunggal, depan-depan, depan-belakang, depan-sampig, samping-samping

2 F002 Depan-samping, depan-depan, tunggal

3 F003 Depan-belakang, depan-depan, tunggal

4 F004 Samping-samping, tunggal

5 F005 Samping-samping, depan-belakang, depan-depan, tunggal

6 F006 Depan-samping, depan-belakang, depan-depan, tunggal

7 F007 Depan-depan, tunggal

8 F008 Samping-samping, depan-depan, tunggal

9 F009 Beruntun, samping, belakang, depan-depan

10 F010 Beruntun, depan-samping, depan-belakang

2. Analisa Pencarian Pola Frekuensi Tertinggi

Misalkan diberikan nilai support = 10 % dari 10 kejadian dan kemudian dan kemudian dilakukan pencarian nilai support item dengan rumus :

𝑠𝑢𝑝𝑝𝑜𝑟𝑡(𝐴) =𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴

(3)

129

Tabel 2. Calon 1 Itemset

No Laka lantas Quantity Support

1 Tunggal 8 80% 2 Depan-depan 8 80% 3 Depan-belakang 6 60% 4 Depan-samping 5 50% 5 Samping-samping 4 40% 6 beruntun 3 30%

Hasil dari perhitungan nilai support diperoleh dengan sample perhitungan sebagai berikut : 𝑠𝑢𝑝𝑝𝑜𝑟𝑡 = 8

10 𝑥 100% = 80%

Pada tabel diatas kita juga dapat mengetahui item-item dengan nilai support yang dimilikinya, dengan menetapkan minimum support ≥ 20% maka item yang memenuhi nilai minimum support ≥20%.

3. Pembentkan Pola Kombinasi 2 Item Set

Pembentukan pola frekuensi 2 items dibentuk dari item-item Laka Lantas yang memenuhi minimum support, yaitu dengan cara mengkombinasi semua item kedalam pola kombinasi 2 itemet kemudian hitung nilai support denga rumus :

𝑠𝑢𝑝𝑝𝑜𝑟𝑡 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵

𝑡𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑥 100%

Tabel 3. Pola 2 Itemset

No Pola 2 itemset Quantity Nilai Support

1 Depan-depan, depan-belakang 5 50% 2 Depan-depan, depan-samping 4 40% 3 Depan-depan, beruntun 2 20% 4 Depan-depan, samping-samping 3 30% 5 Depan-belakang, beruntun 3 30% 6 Depan-belakang, depan-samping 4 40% 7 Depan-belakang, samping-samping 2 20% 8 Depan-samping, beruntun 3 30% 9 Depan-samping, samping-samping 1 10% 10 Samping-samping, beruntun 1 10%

Hasil dari perhitungan dengan nilai support diperoleh dengan sample perhitungan sebagai berikut : 𝑠𝑢𝑝𝑝𝑜𝑟𝑡 = 7

10 𝑥 100% = 70%

Dengan menetapkan minimum support ≥10%, maka data yang memenuhi minimum support ≥10% adalah Tebel 4. Pola Kombinasi 2-Itemset Memenuhi Minimum Support

No Pola 2 itemset Quantity Nilai Support

(4)

130

2 Tunggal, depan-belakang 4 40% 3 Tunggal, depan-samping 3 30% 4 Tunggal, beruntun 1 10% 5 Tunggal, samping-samping 4 40% 6 Depan-depan, depan-belakang 5 50% 7 Depan-depan, depan-samping 4 40% 8 Depan-depan, beruntun 2 20% 9 Depan-depan, samping-samping 3 30% 10 Depan-belakang, beruntun 3 30% 11 Depan-belakang, depan-samping 4 40% 12 Depan-belakang, samping-samping 2 20% 13 Depan-samping, beruntun 3 30% 14 Depan-samping, samping-samping 1 10% 15 Samping-samping, beruntun 1 10%

4. Pembentukan Aturan Asosiasi

Untuk mencari aturan asosiasi terdapat langkah-langkah yang dilakukan, dan kemudian akan dihitung nilai confident dari setiap item dengan rumus :

𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑡 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵

𝑡𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑥 100% Tabel 5. Pola Kombinasi 2-Itemset Dengan Nilai Confident

No 2 itemset Quantity Nilai Confident

1 Tunggal, depan-depan 7 87,5% 2 Tunggal, depan-belakang 4 50% 3 Tunggal, depan-samping 3 37,5% 4 Tunggal, beruntun 1 12,5% 5 Tunggal, samping-samping 4 50% 6 Depan-depan, depan-belakang 5 62,5% 7 Depan-depan, depan-samping 4 50% 8 Depan-depan, beruntun 2 50% 9 Depan-depan, samping-sampig 3 37,5% 10 Depan-belakang, beruntun 3 50% 11 Depan-belakang, depan-samping 4 67% 12 Depan-belakang, samping-samping 2 30% 13 Depan-samping, beruntun 3 60% 14 Depan-samping, samping-samping 1 20% 15 Samping-samping, beruntun 1 25%

(5)

131

𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑡 =7

8 𝑥 100% = 87,5%

Dengan itu maka ditetapkan nilai minimum confident = 50% maka aturan asosisasi yang terbentuk adalah Tabel 6. Aturan Asosiasi (Association Rule)

No Pola 2 itemset Nilai Support Nilai Confident

1 Tunggal, depan-depan 70 87,5 2 Tunggal, depan-belakang 40 50 3 Tunggal, samping-samping 40 50 4 Depan-depan, depan-belakang 50 62,5 5 Depan-depan, depan-samping 40 50 6 Depan-belakang, beruntun 30 50 7 Depan-belakang, depan-samping 40 67 8 Depan-samping, beruntun 30 60 IV. Kesimpulan

Dari tahapa-tahapan yang telah dilakukan diatas, maka, item yang memenuhi minimum support = 30% dan minimum confident = 50% maka dapat diambil kesimpulan sebagai berikut :

1. Jika kecelakaan Lalu Lintas Jenis Tunggal maka akan dipasangkan bersema Kecelakaan Lalu Lintas Jenis Depan-Depan dengan support 70% dan confident 87,5%.

2. Jika Kecelakaan Lalu Lintas Jenis Tunggal maka akan dipasangkan bersama Kecelakaan Lalu Lintas Jenis Depan-Belakang dengan support 40% dan confident 55%.

3. Jika Kecelakaan Lalu Lintas Jenis Tunggal maka akan dipasangkan bersama Kecelakaan Lalu Lintas Jenis Samping-Samping dengan support 40% dan condfident 50%.

4. Jika Kecelakaan Lalu Lintas Jenis Depan-Depan maka akan dipasangkan bersama Kecelakaan Lalu Lintas Jenis Depan-Belakang dengan support 50% dan confident 62,5%.

5. Jika Kecelakaan Lalu Lintas Jenis Depan-Depan maka akan dipasangkan bersama Kecelakaan Lalu Lintas Jenis Depan-Samping dengan support 40% dan confident 50%.

6. Jika Kecelakaan Lalu Lintas Jenis Depan-Belakang maka akan dipasangkan bersama Kecelakaan Lalu Lintas Jenis Beruntun dengan support 30% dan confident 50%.

7. Jika Kecelakaan Lalu Lintas Jenis Depan-Belakang maka akan dipasangkan bersama Kecelakaan Lalu Lintas Jenis Depan-Samping dengan support 40% dan confident 67%.

8. Jika Kecelakaan Lalu Lintas Jenis Depan-Samping maka akan dipasangkan bersama Kecelakaan Lalu Lintas Jenis Beruntun dengan support 30% dan confident 60%.

Daftar Pustaka

[1] Astuti, I. P. (2019). Algoritma Apriori Untuk Menemukan Hubungan Antara Jurusan Sekolah Dengan Tingkat Kelulusan Mahasiswa. Jurnal Teknik Informatika, 12(1), 69–78. https://doi.org/10.15408/jti.v12i1.10525

[2] Alimuddin, W., Tungadi, E., & Saharuna, Z. (2018). Analisis Tingkat Kecelakaan Lalu Lintas dengan Metode Association Rule Menggunakan Algoritma Apriori Analisis Tingkat Kecelakaan Lalu Lintas dengan Metode Association Rule. January, 206–210.

(6)

132

[3] Bersamaan Dengan Teknik Asosiasi, S. M., & Assiroj, P. (2016). Penerapan Data Mining Pada Data Transaksi Superstore Untuk Mengetahui Kemungkinan Pelanggan Membeli Product Category Dan Product Container Penerapan Data Mining Pada Data Transaksi Superstore Untuk Mengetahui Kemungkinan Pelanggan Membeli Product Category Dan Product Container Secara Bersamaan Dengan Teknik Asosiasi Menggunakan Algoritma Apriori View project. March. https://doi.org/10.5281/zenodo.1186482

[4] Dicky Nofriansyah.(2014). Data Mining Versus SistemPendukungKeputusan. (Edisi 1).Yogyakarta:Depublish.

[5] Darmi, Y., & Setiawan, A. (2016). Penerapan Metode Clustering K-Means Dalam. Y. Darmi, A. Setiawan, 12(2), 148–157.

[6] Fitria, R., Nengsih, W., & Qudsi, D. H. (2017). Implementasi Algoritma FP-Growth Dalam Penentuan Pola Hubungan Kecelakaan Lalu Lintas. Jurnal Sistem Informasi, 13(2), 118. https://doi.org/10.21609/jsi.v13i2.551

[7] Hakim, L., & Fauzy, A. (2015). Penentuan Pola Hubungan Kecelakaan Lalu Lintas Menggunakan Metode Association Rules dengan Algoritma Apriori. August 2017, 73–81.

[8] Junaidi, A. (2019). Implementasi Algoritma Apriori dan FP-Growth Untuk Menentukan Persediaan Barang. Jurnal Sisfokom (Sistem Informasi Dan Komputer), 8(1), 61–67. https://doi.org/10.32736/sisfokom.v8i1.604

[9] Kusumo, D. S., Bijaksana, M. A., & Darmantoro, D. (2016). Data Mining Dengan Algoritma Apriori Pada Rdbms Oracle. TEKTRIKA - Jurnal Penelitian Dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, Dan Elektronika, 8(1), 1–5. https://doi.org/10.25124/tektrika.v8i1.215 [10] Pahlevi, O., Sugandi, A., & Sintawati, I. D. (2018). Penerapan Algoritma Apriori Dalam

Pengendalian Kualitas Produk. Sinkron, 3(1), 272–278.

[11] Riszky, A. R., & Sadikin, M. (2019). Data Mining Menggunakan Algoritma Apriori untuk Rekomendasi Produk bagi Pelanggan. Jurnal Teknologi Dan Sistem Komputer, 7(3), 103. https://doi.org/10.14710/jtsiskom.7.3.2019.103-108

[12] Rachman, A., & Wasiyanti, S. (2019). Pengukuran Kualitas E-Commerce Shopee Terhadap Kepuasan Pengguna. Paradigma: Jurnal Komputer Dan Informatika Universitas Bina Sarana Informatika, 21(2), 143–148. https://doi.org/10.31294/p.v20i2

[13] Rosa, A S., & Shalahuddin, M. (2013). Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Bandung: Informatika Bandung.