©Asosiasi Prakarsa Indonesia Cerdas (APIC) - 2018
57
P EMODELAN DAN E VALUASI T REND F ORECASTIN G PADA
K ONDISI K ORBAN K ECELA KAAN L ALU L INTAS M ENGGUNAKAN T REND M OMENT DAN L EAST S QUARE
Sancaka Prana W isesa 1, Aditya Singgi Prayogi 2, Tresna Maulana Fahrudin 3
Program Studi Teknik Informatika Universitas Narotama
[email protected] 1, [email protected] 2, [email protected] 3
Abstrak—Kecelakaan lalu lintas merupakan salah satu resiko yang dihadapi oleh setiap pengendara bermotor. Bertumbuh pesatnya produksi dan pembelian kendaraan bermotor roda dua dan roda em pat semakin menambah padatnya aktifitas di jalan raya serta arus lalu lintas. Hal tersebut mengakibatkan peluang terjadinya kecelakaan di jalan raya yang dipengaruhi beberapa faktor antara lain kualitas jalan, kelayakan kendaraan bermotor, dan kondisi pengendara bermotor. Satuan Lalu Lintas Kepolisian telah membuat kategori kondisi korban kecelakaan berdasarkan kejadian laka, korban meninggal dunia, korban luka berat, korban luka ringan dan kerugian materiil. Kategorisasi ini menjadi salah satu cara untuk membangun kewaspadaan terjadinya kecelakaan melalui pengolahan data dan informasi dengan membuat model prediksi kecelakaan menggunakan Metode Forecasting.
Data kecelakaan lalu lintas yang digunakan pada penelitian ini didapatkan dari Satuan Lalu Lintas Polres Gresik periode tahun 2006-2013. Penelitian ini membandingkan pemodelan data untuk memprediksi terjadinya kecelakaan di tahun 2014 menggunakan Metode Trend Moment dan Least Square dimana kedua metode ini akan dinilai rasio erornya menggunakan perhitungan nilai MAPE (Mean Absolute Percentage Error). Hasil pemodelan prediksi data menggunakan Metode Trend Moment mendapatkan rasio eror terkecil berdasarkan kategori korban meninggal dunia sebesar 22.8% , sedangkan Metode Least Square mendapatkan rasio eror terkecil sebesar 29.4%.
Kata kunci—Kecelakaan Lalu Lintas, Forecasting, Trend M oment, Least Square, M APE
I. P
ENDAHULUANKecelakaan merupakan fenomena yang sering terjadi di Indonesia, seiring bertumbuh pesatnya penggunaan kendaraan bermotor di jalan raya. Berbagai faktor yang memungkinkan terjadinya kecelakaan di jalan raya ant ara lain kualitas jalan, kelayakan kendaraan bermotor, kondisi pengendara bermotor, dan tingkat kepadatan kendaraan bermotor. Kualitas jalan raya menjadi faktor penting dalam berlangsungnya kelancaran arus lalu lintas. Kecelakaan lalu lintas dapat terjadi kapanpun dan dimanapun, namun sulit diprediksi peluang terjadi kecelakaan tersebut. Hal ini semakin membuat kasus kecelakaan lalu lintas membutuhkan penanganan serius karena besarnya kerugian yang diakibatkannya. Menurut data yang telah diperoleh dari Komite Nasional Keselamatan Transportasi Tahun 2007-2016 seperti yang ditunjukkan pada Gambar 1, Jawa Timur merupakan salah satu penyumbang kecelakaan kedua terbanyak di Indonesia [1].
©Asosiasi Prakarsa Indonesia Cerdas (APIC) - 2018
58 Gambar 1. Data kecelakaan tiap Provinsi berdasarkan data Komite Nasional Keselamatan Transportasi Tahun 2007-2016 [1]
Tingginya tingkat kecelakaan di Jawa Timur merupakan hasil akumulasi perhitungan jumlah kecelakaan yang terjadi di berbagai kota, salah satunya adalah Kota Gresik. Kota Gresik merupakan salah kota industri dimana terdapat kepadatan aktifitas masyarakat, termasuk padatnya kendaraan bermotor roda dua dan rodat empat beserta kendaraan truk bermuatan berat, baik di jalur tengah kota dan jalur pelabuhan wilayah utara. Dengan padatnya aktifitas kendaraan tersebut di jalan raya, mengakibatka n peluang terjadinya kecelakaan kapanpun waktunya dan dimanapun lokasinya. Satuan Lalu Lintas Polres Gresik telah mencatat terjadinya kecelakaan di wilayah Kota Gresik tahun 2006-2013 berdasarkan kondisi korban antara lain jumlah korban meninggal dunia tercatat 1.234 korban, jumlah korban dengan luka berat tercatat 811 korban, jumlah luka ringan tercatat 3.216 korban, dan jumlah kerugian materiil tercatat mencapai Rp. 3.368.270.000.
Berdasarkan data kecelakaan tersebut, perlu dilakuka n usaha untuk mengurangi jumlah kecelakaan yang terjadi di Kota Gresik baik melalui pendekatan sosial, hukum, maupun pemanfaatan teknologi di bidang IT.
Salah satu upaya pencarian solusi atas terjadinya kecelakaan lalu li ntas dapat melalui penelitian yang berkelanjutan dengan menggunakan pendekatan matematik dan statistik serta pengembangan sistem komputasi cerdas. Seperti halnya pada penelitian ini, dimulai dari membuat pemodelan data menggunakan data lampau dari beberapa tahun lalu yang bertujuan memprediksi jumlah total korban dan kerugian mater iil dari kecelakaan lalu lintas di tahun berikutnya guna membuat suatu kebijakan ataupun solusi yang tepat untuk mengurangi jumlah kecelakaan di Kota Gresik. Metode Forecasting merupakan metode yang dapat diterapkan untuk membuat pemodelan data dengan cara memprediksi atau meramalkan peristiwa-peristiwa yang akan terjadi dengan menggunakan data lampau dan memproyeksikannya ke masa depan dengan beberapa bentuk model matemati k [4]. M etode Forecasting sering diterapkan oleh beberapa peneliti dikarenakan cepatnya mendapatkan hasil prediksi, penelitian ini membandingkan beberapa jenis Metode Forecasting yakni Trend Moment dan Least Square dengan harapan mendapatkan MAPE (Mean Absolute Percentage Error) yang kecil sehingga model data yang terbentuk semakin presisi.
Penelitian ini diharapkan dapat memberikan pandangan berbeda bahwa pemanfaatan keilmuan di bidang matematik, statistik dan teknologi informasi dapat membantu untuk memperkirakan terjadinya kecelakaan pada suatu waktu, sehingga pihak yang berwajib dapat segera mengambil tindakan dan himbauan kepada pengguna kendaraan bermotor.
II. P
ENELITIANT
ERKAITBeberapa peneliti lain telah mencoba untuk menyelesaikan pembuatan model prediksi kecelakaan lalu lintas pada studi kasus masing-masing beserta pendekatan yang berbeda.
Pertama, Penelitian yang berjudul “Peramalan Jumlah Kecelakaan di Kota Semarang Tahun 2017 Menggunakan Runtun Waktu” telah dilakukan oleh Iantazar Rezqitullah Maharsi, dkk [2]. Pada penelitian tersebut, peneliti mengolah data kecelakaan yang terjadi
©Asosiasi Prakarsa Indonesia Cerdas (APIC) - 2018
59 di Semarang pada periode bulan Januari 2012-Desember 2016 yang diperoleh dari Polrestabes Kota Semarang. Data tersebut dianalisis dan diolah menggunakan uji Augmented Dicky Fuller (ADF) dan Box Cox yang termasuk salah satu teknik dalam M etode Autoregressive Moving Average (ARMA) untuk mengetahui data tersebut apakah sudah stasioner atau belum. Hasil yang di dapat dari penelitian ini adalah menguji kestabilan rata-rata data kecelakaan dan terdapat hasil peramalan 12 bulan ke depan m ulai dari periode bulan Januari 2017-Desember 2017 dengan hasil jumlah prediksi pada rentang 93.2 - 97.3 yang mendekati nilai trennya.
Kedua, Penelitian yang berjudul “Perbandingan Metode Trend Projection dan Metode Backpropagation Dalam Meramalkan Jumlah Korban Kecelakaan Lalu Lintas yang Meninggal Dunia di Kabupaten Timor Tengah Utara, Nusa Tenggara Timur” telah dilakukan oleh Aleksius Madu [3]. Pada penelitian tersebut, peneliti mengolah data kecelakaan lalu lintas berdasarkan korban meninggal dunia yang terjadi di Kabupaten Timur Tengah Utara, Nusa Tenggara Timur pada tahun 2000 -2013, data tersebut diperoleh dari Polres Kabupaten Timur Tengah Utara. Pemodelan data dibuat menggunakan Metode Backpropagation dan Trend Projection, lalu hasil pemodelan dari kedua metode tersebut dibandingkan untuk menemukan peramalan kecelakaan 5 tahun kedepan. Hasil yang didapat dari penelitian tersebut adalah Metode Backpropagation lebih baik dalam meramalkan jumlah kecelakaan korban yang meninggal dunia di Kabupaten Timur Tengah Utara untuk periode 2014-2018.
III. D
ESAINS
ISTEMPada bagian ini membahas tentang bagaimana desain sistem pada penelitian ini, populasi dan sampel, teknik pengumpulan data dan pengembangan instrumen, serta teknik analisis data.
A. Rancangan Penelitian
Pembuatan model peramalan yang diterapkan pada data jumlah kecelakaan berdasarkan kondisi korban (Jumlah Kejadian, Meninggal Dunia, Luka Ringan, Luka Berat dan Kerugian Materiil) menggunakan 2 metode yang berbeda yaitu Metode Trend M oment dan Metode Least Square. Periode data yang digunakan untuk meramalkan jumlah kecelakaan di tahun 2014 yakni sepanjang 8 tahun menggunakan data mulai dari tahun 2006-2013. Kedua metode ini pada akhirnya dibandingkan untuk mencari model peramalan jumlah kecelakaan berdasarkan 5 kondisi korban dengan harapan mendapatkan pemodelan data yang memiliki tingkat eror yang kecil. Salah satu cara untuk mengevaluasi model peramalan data yang telah terbentuk yakni menggunakan MAPE (Mean Absolute Percentage Error), sehingga diharapkan bahwa model data yang diramalkan mendekati akurasi yang tepat. Berikut Gambar 2 mengilustrasikan desain sistem pada penelitian ini.
©Asosiasi Prakarsa Indonesia Cerdas (APIC) - 2018
60 Gambar 2. Desain sistem pembuatan model data kecelakaan lalu lintas menggunakan Metode Trend
Moment dan Least Square
Sistem model peramalan data yang akan dibuat menggunakan 2 metode yaitu Metode Trend Moment dan Metode Least Square, kedua metode tersebut diterapkan menggunakan data jumlah korban kecelakaan di Kota Gresik berdasarkan jumlah kejadian, jumlah meninggal dunia, jumlah luka ringan, jumlah luka berat dan jumlah kerugian materiil, kemudian dilakukan proses perhitungan menggunakan suatu persamaan atau formula pada masing-masing metode. Metode Trend Moment melakukan perhitungan pada data yang didapat dengan menggunakan persamaan ke -1 yaitu ∑ 𝑌 = 𝑎 ∗ 𝑛 + 𝑏 ∗ ∑ 𝑋. Setelah mendapatkan hasil dari persamaan 1, maka dapat dilanjutkan melakukan perhitungan persamaan ke-2 yaitu ∑ 𝑋𝑌 = 𝑎 ∗ ∑ 𝑋 + 𝑏 ∗ ∑ 𝑋2. Hasil perhitungan dari persamaan ke-1 dan persamaan ke-2 yakni mendapatkan nilai a dan b, lalu pada akhirnya kedua nilai tersebut diproyeksikan ke dalam persamaan prediksinya yakni 𝑌 = 𝑎 + 𝑏𝑥.
Metode Least Square mempunyai perhitungan persamaan ke-1 dan ke-2 yang berbeda dibandingkan Metode Trend Moment, dikarenakan Least Square mencari langsung nilai a dan b tanpa mencari nilai eliminasi dari keduanya. Data diproses menggunakan persamaan ke-1 yaitu 𝑎 = ∑ 𝑌 𝑛⁄ . Setelah mendapatkan hasil dari persamaan ke-1 maka dapat dilanjutkan perhitungan persamaan ke-2 yaitu 𝑏 = ∑ 𝑋𝑌 / ∑ 𝑋2. Hasil dari persamaan ke-1 (nilai a) dan ke-2 (nilai b) diproyeksikan ke dalam persamaan prediksinya yakni 𝑌 = 𝑎 + 𝑏𝑥.
B. Populasi dan Sampel
Terdapat 5 kategori pada data kecelakaan lalu lintas di Kota Gresik dalam penelitian ini yakni data aktual berdasarkan jumlah kejadian kecelakaan (frekuensi kasus), korban meninggal (frekuensi kasus), korban luka berat (frekuensi kasus), korban luka ringan (frekuensi kasus), dan kerugian materiil (rupiah). Pada Tabel 1 terlihat bahwa terdapat peningkatan tajam sebanyak 70.7% jumlah kejadian kecelakaan pada rentang tahun 2010 (245 kasus) ke 2011 (839 kasus).
©Asosiasi Prakarsa Indonesia Cerdas (APIC) - 2018
61 Tabel 1. Data jumlah kejadian kecelakaan di Kota Gresik
Tahun Data Aktual
Tahun 2006 219
Tahun 2007 220
Tahun 2008 317
Tahun 2009 237
Tahun 2010 245
Tahun 2011 839
Tahun 2012 787
Tahun 2013 475
Pada Tabel 2 menunjukkan ada kenaikan sebesar 51.3% pada data jumlah korban meninggal dunia yang disebabkan oleh kecelakaan lalu lintas di Kota Gresik dari tahun 2010 (112 kasus) ke tahun 2011 (233 kasus).
Tabel 2. Data jumlah korban meninggal dunia di Kota Gresik
Tahun Data Aktual
Tahun 2006 96
Tahun 2007 100
Tahun 2008 114
Tahun 2009 106
Tahun 2010 112
Tahun 2011 233
Tahun 2012 284
Tahun 2013 189
Berbeda dengan data jumlah korban luka berat, Tabel 3 menunjukkan justru terjadi penurunan kasus kecelakaan sebesar 25.7% dari tahun 2010 (163 kasus) ke tahun 2011 (121 kasus), lalu semakin turun pada tahun 2012 yakni terjadi 33 kasus kec elakaan dan pada tahun 201 3 turun menjadi 7 kasus kecelakaan.
Tabel 3. Data jumlah korban luka berat di Gresik
Tahun Data Aktual
Tahun 2006 144
Tahun 2007 92
Tahun 2008 107
Tahun 2009 144
Tahun 2010 163
Tahun 2011 121
Tahun 2012 33
Tahun 2013 7
Tabel 4 menunjukkan adanya peningkatan yang cukup tinggi kasus kecelakaan berdasarkan jumlah korban luka ringan sebesar 84.3% dari tahun 2010 (139 kasus) ke tahun 2011 (888 kasus). Terdapat kemungkinan bahwa terdapat kecelakaan luka ringan yang terjadi Kot a Gresik yang tidak terdata oleh Satuan Lalu Lintas Polres Gresik, dikarenakan kasus kecelakaan tersebut sudah diselesaikan dengan baik oleh korban di tempat kejadian.
Tabel 4. Data jumlah korban luka ringan di Kota Gresik
Tahun Data Aktual
Tahun 2006 164
Tahun 2007 173
Tahun 2008 294
Tahun 2009 136
Tahun 2010 139
Tahun 2011 888
Tahun 2012 888
Tahun 2013 534
©Asosiasi Prakarsa Indonesia Cerdas (APIC) - 2018
62 Tabel 5 menunjukkan data jumlah kerugian materiil dari korban kecelakaan lalu lintas dimana terjadi peningkatan sebesar 43.2% dari tahun 2010 (Rp. 346.700.000) ke tahun 2011 (Rp. 611.450.000) dan semakin meningkat di tahun 2012 sebesar Rp. 708.750.000.
Tabel 5. Data jumlah kerugian materiil di Kota Gresik
Tahun Data Aktual
Tahun 2006 Rp. 283.200.000
Tahun 2007 Rp. 154.850.000
Tahun 2008 Rp. 352.195.000
Tahun 2009 Rp. 464.975.000
Tahun 2010 Rp. 346.700.000
Tahun 2011 Rp. 611.450.000
Tahun 2012 Rp. 708.750.000
Tahun 2013 Rp. 446.150.000
C. Teknik Pengumpulan Data dan Pengembangan Instrumen
Teknik pengumpulan data pada penelitian ini dilakukan melalui proses permintaan data ke bagian Petugas Administrasi Satuan Lalu Lintas Polres Gresik, dimana data yang diberikan berupa file Microsoft.Excel yang terdiri dari beberapa sheet dan berisi berbagai data kecelakaan lalu lintas di Kota Gresik. Data yang diperoleh adalah data mengenai jumlah kecelakaan berdasarkan kondisi korban di Kota Gresik periode tahun 2006-2013.
Data tersebut difilter berdasarkan kebutuhan pada penelitian ini, lalu ditentukan va riabel apa saja yang tepat untuk dilakukan forecasting, sehingga terbentuk 5 variabel yang akan diprediksi kejadian di tahun selanjutnya yaitu jumlah kejadian, Meninggal Dunia (MD), Luka Ringan (LR), Luka Berat (LB) dan Kerugian Materiil (Kermat). Kami menilai bahwa masih terdapat variabel lain yang sebenarnya dapat membantu penelitian ini agar lebih mendalam, namun dari sisi data masih belum memungki nkan untuk diolah. Variabel lain yang kami maksud tersebut adalah variabel lokasi kecelakaan, dimana lokasi tersebut seharusnya mengandung informasi alamat atau nama jalan atau lebih ringkasnya adalah nama umum yang diketahui oleh masyarakat pada titik lokasi terjadinya kecelakaan. Jika data tersebut memungkinkan ter-record, maka penelitian ini akan semakin informatif dengan sajian sistem berupa kombinasi antara Sistem Informasi Geografis dengan tambahan Komputasi Cerdas menggunakan metode forecasting untuk memprediksi lokasi mana saja yang memungkinkan terjadi peningkatan kecelakaan di desa atau wilayah tersebut.
D. Teknik Analisis Data
Teknik analisis data yang digunakan pada penelitian ini yakni dengan memanfaatkan 2 Metode Forecasting yakni Metode Trend Moment dan Metode Least Square, serta evaluasi model menggunakan MAPE (Mean A bsolute Percentage Error). Berikut penjelasan pada masing-masing metode:
1) Metode Trend Moment
Metode Trend Moment adalah sebuah metode yang digunakan untuk mencari garis lurus dengan perhitungan statistika dan matematika tertentu untuk mengetahui fungsi garis lurus yang dibentuk oleh data historis atau lampau. Persamaan rumus yang digunakan untuk metode ini menurut S ugiarto dan Dergibson [5] adalah
𝑌 = 𝑎 + 𝑏𝑥 (1)
Dimana :
Y = nilai variabel yang akan diramalkan a = bilangan konstan
b = koefisien garis tren
X = indeks waktu (dimulai dari 0,1,2,…n)
©Asosiasi Prakarsa Indonesia Cerdas (APIC) - 2018
63 Namun perlu diingat bahwa untuk mencari nilai a dan b pada Metode Trend Moment harus melakukan eliminasi dari persamaan 2 dan 3 di bawah ini , dimana n adalah jumlah periode.
∑ 𝑌 = 𝑎 ∗ 𝑛 + 𝑏 ∗ ∑ 𝑋 (2)
∑ 𝑋𝑌 = 𝑎 ∗ ∑ 𝑋 + 𝑏 ∗ ∑ 𝑋2 (3)
2) Metode Least Square
Metode Least Square adalah metode berupa deret berkala yang digunakan untuk melihat trend dari data deret waktu [6]. Data yang dibutuhkan untuk melakukan proses peramalan adalah data di masa lampau yang pada akhirnya data dimasa mendatang dapat ditentukan hasilnya. Persamaan rumus yang digunakan untuk metode ini adalah
𝑌 = 𝑎 + 𝑏𝑥 (4)
Dimana :
Y = nilai variabel yang akan diramalkan a = bilangan konstan
b = koefisien garis tren
X = indeks waktu (dimulai dari 0,1,2,…n)
Berlaku juga untuk Metode Least Square, harus mencari nilai a dan b namun tidak perlu melakukan eliminasi, cukup menghitung rumus pada persamaan 5 dan 6 berikut ini, dimana n adalah jumlah periode.
𝑎 = ∑ 𝑌 𝑛⁄ (5)
𝑏 = ∑ 𝑋𝑌 / ∑ 𝑋2 (6)
Dari perbandingan metode tersebut, diharapkan dapat membentuk model peramalan yang tepat dengan kondisi data kecelakaan lalu lintas di Kota Gresik menggunakan data lampau tahun 2006-2013.
3) Mean Absolute Percentage Error (MAPE)
MAPE adalah metode yang digunakan untuk menghitung persentase eror (kesalahan) dari data yang sebenarnya dengan data yang akan diramalkan. MAPE dihitung dengan menggunakan kesalahan absolut tiap periode yang didapatkan dari selisih antara data aktual dan hasil forecasting, lalu dibagi dengan nilai data aktualnya. Kemudian hasil dari perhitungan tersebut di hitung nilai rata-rata persentase absolutnya [7]. Persamaan yang digunakan untuk mencari MAPE adalah :
𝑀 𝐴𝑃𝐸 = (100%
𝑛 ) ∑ [𝑋𝑡 −𝐹𝑡]
𝑋𝑡
𝑛𝑡 =1 (7) Dimana :
Xt = Data aktual pada periode t Ft = Nilai forecasting pada periode t n = jumlah data
Sebuah pemodelan data dikategorikan baik jika memiliki nilai MAPE yang berada ambang batas pada 10% x 25%.
IV. H
ASIL DANP
EMBAHASANDalam penelitian ini dibandingkan 2 cara pembuatan model menggunakan Metode Forecasting yaitu Metode Trend Moment (Garis Lurus) dan Metode Least Square. Setiap metode diterapkan untuk membuat model prediksi serta meramalkan 5 kategori kondisi korban kecelakaan yakni jumlah kejadian, korban meninggal dunia, luka berat, luka ringan dan kerugian materiil yang akan terjadi pada tahun berikutnya, sehing ga didapatkan 10 pemodelan data.
©Asosiasi Prakarsa Indonesia Cerdas (APIC) - 2018
64 A. Hasil Peramalan menggunakan Metode Trend Moment (Garis Lurus)
Tabel 6. Data hasil perhitungan Forecasting untuk memprediksi kejadian di tahun 2014 menggunakan Metode Trend Moment
Kategori Tahun 2014 MAPE (%)
Jumlah Kejadian 749.6 35.6
Meninggal Dunia 257.9 22.8 (M APE terkecil)
Luka Berat 37.5 113.3 (M APE terbesar)
Luka Ringan 827.9 70.1
Kerugian Materiil Rp. 665.835.892,90 28.3
Hasil peramalan tahun 2014 menggunakan model data tahun 2006-2013 sesuai kategori jumlah kejadian kecelakaan, korban meninggal dunia, luka berat, luka ringan dan kerugian materiil pada data kecelakaan di Kota Gresik menggunakan M etode Trend Moment ditunjukkan pada Tabel 6, MAPE terkecil dimiliki oleh model kategori korban meninggal dunia yakni sebesar 22.8%, sedangkan MAPE terbesar dimiliki oleh model kategori korban luka berat sebesar 113.3%. Gambar 3-7 menunjukkan jarak kedekatan antara data aktual dan hasil forecasting setiap kategori, dimana jika setiap titik data aktual berdekatan dengan titik forecasting maka model tersebut merupakan model data yang bagus dan layak, karena nilai forecasting mendekati nilai aktualnya, dan begitu sebaliknya.
Gambar 3. Grafik hasil perhitungan forecasting menggunakan M etode Trend M oment pada data kecelakaan berdasarkan jumlah kejadian di Kota Gresik.
Gambar 4. Grafik hasil perhitungan forecasting menggunakan M etode Trend M oment pada data kecelakaan berdasarkan jumlah korban meninggal dunia di Kota Gresik.
Gambar 6. Grafik hasil perhitungan forecasting menggunakan M etode Trend M oment pada data kecelakaan berdasarkan jumlah korban luka ringan di Kota Gresik.
Gambar 5. Grafik hasil perhitungan forecasting menggunakan M etode Trend M oment pada data kecelakaan berdasarkan jumlah korban luka berat di Kota Gresik.
©Asosiasi Prakarsa Indonesia Cerdas (APIC) - 2018
65 Gambar 7. Grafik hasil perhitungan forecasting menggunakan M etode Trend M oment pada data kecelakaan berdasarkan jumlah kerugian materiil di Kota Gresik.
Gambar 4 menunjukkan kepresisian model prediksi pada kondisi korban kecelakaan berdasarkan kategori meninggal dunia dengan rasio eror sebesar 22.8%, titik nilai aktual berdekatan dengan titik nilai forecasting, walaupun masih terdapat 4 titik lain yang berjauhan. Gambar 7 menunjukkan pula kepresisian model prediksi pada kondisi korban kecelakaan berdasarkan kategori kerugian materiil dengan rasio eror sebesar 28.3%.
B. Hasil Peramalan menggunakan Metode Least Square
Hasil peramalan tahun 2014 menggunakan model data tahun 2006-2013 sesuai kategori jumlah kejadian kecelakaan, korban meninggal dunia, luka berat, luka ringan dan kerugian materiil pada data kecelakaan di Kota Gresik menggunakan M etode Least Square ditunjukkan pada Tabel 7, MAPE terkecil dimiliki oleh model kategori korban meninggal dunia yakni sebesar 29.3%, sedangkan MAPE terbesar dimiliki oleh model kategori korban luka berat sebesar 194.6%. Gambar 8-12 menunjukkan jarak kedekatan antara data aktual dan hasil forecasting setiap kategori, model data kategori korban meninggal dunia dan kategori kerugian materiil memiliki kedekatan nilai aktual dan hasil forecasting yang baik.
Gambar 9 dan Gambar 12 menunjukkan model prediksi yang baik pada data kecelakaan berdasarkan kategori korban meninggal dunia (rasio eror 29.3%) dan kategori kerugian materiil (rasio eror 29.8%) masing-masing, dimana titik nilai aktual dan nilai foreasting saling berdekatan.
Tabel 7. Data hasil perhitungan Forecasting untuk memprediksi kejadian di tahun 2014 menggunakan Metode Least Square
Kategori Tahun 2014 MAPE (%)
Jumlah Kejadian 831.7 42
Meninggal Dunia 293.9 29.3 (M APE terkecil)
Luka Berat 91.5 194.6 (M APE terbesar)
Luka Ringan 889.4 77.4
Kerugian Materiil 772.035.892,9 29.8
Gambar 8. Grafik hasil perhitungan forecasting menggunakan M etode Least Square pada data kecelakaan berdasarkan jumlah kejadian di Kota Gresik.
Gambar 9. Grafik hasil perhitungan forecasting menggunakan M etode Least Square pada data kecelakaan berdasarkan jumlah korban meninggal dunia di Kota Gresik.
©Asosiasi Prakarsa Indonesia Cerdas (APIC) - 2018
66 Gambar 12. Grafik hasil perhitungan forecasting menggunakan M etode Least Square pada data kecelakaan berdasarkan kerugian materiil di Kota Gresik.
V. K
ESIMPULANBerdasarkan perumusan masalah dan hasil eksperimen pada penelitian yang telah dilakukan, maka dapat disimpulkan bahwa:
1. Kategori jumlah kejadian kecelakaan tidak menentukan berapa banyak jumlah korban kecelakaan, sehingga terdapat asumsi bahwa jumlah korban ditentukan berdasarkan dimana lokasi kejadian kecelakaan tersebut terjadi.
2. Perhitungan dengan menggunakan Metode Least Square memiliki tingkat eror lebih tinggi.
3. Menurut hasil forecasting pada tahun 2014 menggunakan Metode Trend Moment dan Metode Least Square, jumlah kejadian kecelakaan akan terus meningkat, sehingga akademisi, peneliti, dan pihak berwajib sebaiknya segera melakukan evaluasi faktor apa saja yang memungkinkan terjadinya kece lakaan di jalan raya.
4. Menurut hasil forecasting pada tahun 2014 menggunakan Metode Trend Moment dan Metode Least Square, jumlah kerugian materiil para korban kecelakaan akan terus meningkat, sehingga Pemerintah dapat memberikan perhatian lebih pada layanan asuransi kecelakaan.
5. Semua kategori kondisi korban kecelakaan yang telah dilakukan forecasting menggunakan Metode Trend Moment dan Metode Least Square menunjukkan bahwa tahun 2014 kecelakaan berdasarkan jumlah kejadian, kerugian materiil, korban meninggal dunia dan korban luka ringan akan semakin meningkat, sedangkan jumlah kecelakaan berdasarkan korban luka berat semakin menurun.
Gambar 10. Grafik hasil perhitungan forecasting menggunakan M etode Least Square pada data kecelakaan berdasarkan jumlah korban luka berat di Kota Gresik.
Gambar 11. Grafik hasil perhitungan forecasting menggunakan M etode Least Square pada data kecelakaan berdasarkan jumlah korban luka ringan di Kota Gresik.
©Asosiasi Prakarsa Indonesia Cerdas (APIC) - 2018
67 6. Pengukuran rasio eror menggunakan MAPE (Mean Absolute Percentage Error) pada model data menggunakan Metode Trend Moment yakni kategori kejadian kecelakaan memiliki MAPE = 35.6%, kategori korban luka ringan memiliki MAPE = 22.8%, kategori korban luka berat memiliki MAPE = 113.3%, kategori meninggal dunia memiliki MAPE = 70.1%, dan kategori kerugian materiil mempunyai MAPE = 28.3%.
7. Pengukuran rasio eror pada m odel data menggunakan Metode Least Square, pada kategori kejadian kecelakaan memiliki MAPE = 42%, kategori korban luka ringan memiliki MAPE = 29.3%, kategori korban luka berat memiliki MAPE = 194.6%, kategori meninggal dunia memiliki MAPE = 77.4%, dan kategori kerugian materiil mempunyai MAPE = 29.8%.
8. Faktor-faktor yang memungkinkan berpengaruh terhadap hasil forecasting pada penelitian ini yaitu jumlah data dan human error saat pengumpulan data, sehingga dibutuhkan data dengan rentang periode yang lebih panjang (time series).
R
EFERENSI[1] A. D. Saputra, “Studi Tingkat Kecelakaan Lalu Lintas Jalan di Indonesia Berdasarkan Data KNKT (Komite Nasional Keselamatan Transportasi) Dari Tahun 2007-2016,” Warta Penelitian Perhubungan, vol. 29, no. 2, pp. 179–190, 2017.
[2] I. Maharsi Rezqitullah, M. Abdul Mukid, and Y. Wilandari, “ Peramalan Jumlah Kecelakaan di Kota Semarang Tahun 2017 Menggunakan Metode Runtun Waktu (Studi Kasus : Data Jumlah Kecelakaan Lalu Lintas di Kota Semarang Periode Januari 2012 - Desember 2016),” Gaussian, vol. 6, no. 3, pp. 355 –364, 2017.
[3] A. Madu, “Perbandingan Metode Trend Projection dan Metode Backpropagation dalam Meramalkan Jumlah Korban Kecelakaan Lalu Lintas yang Meninggal Dunia di Kabupaten Timor Tengah Utara, Nusa Tenggara Timur,” Jurnal Mercumatika, vol. 1, no. 1, pp. 44–57, 2016.
[4] B. Heizer, Jay dan Render, Manajemen Operasi, Buku 1 Edisi 9. Jakarta: Salemba Empat, 2009.
[5] Sugiarto and S. Dergibson, Metode Statistika Untuk Bisnis dan Ekonomi. Jakarta:
PT.Gramedia Pustaka Utama, 2002.
[6] S. Assauri, Teknik dan Metode Peramalan. Jakarta: LPFE UI, 1991.
[7] F. Pakaja, A. Naba, and Purwanto, “Peramalan Penjualan Mobil Menggunaka n Jaringan Syaraf Tiruan dan Certainty Factor,” EECCIS, vol. 6, no.1, pp.23-28, 2012.
