x
ABSTRAK
Vika Dwi Harvini (16180093), Analisis Clustering Pelanggar Lalu Lintas dengan Implementasi Algoritma K-Means
Pertambahan kepemilikan kendaraan bermotor berpengaruh terhadap pertambahan jumlah pelanggaran lalu lintas sehingga menyebabkan menumpuknya data perkara lalu lintas di Polres Tasikmalaya. Oleh sebab itu, perlu adanya pengelompokan untuk memudahkan pihak kepolisian satuan lalu lintas dalam melakukan himbauan dengan tepat demi mewujudkan ketertiban dan kenyamanan berkendara bagi keselamatan pengguna jalan. Pada penelitian ini dilakukan pemanfaatan teknik data mining clustering dengan algoritma k-means dan tool yang digunakan untuk pengolahan data adalah aplikasi rapidminer. Dari 282 sample data pelanggaran lalu lintas dibentuk 4 cluster yang telah di evaluasi menggunakan Davies Bouldin Index dengan nilai 0,890 . Cluster 0 (pertama) terdiri 4 pasal dengan jumlah pelanggar 71 mendominasi pasal 293 (2) dan 291 (2), cluster 1 (kedua) terdiri 3 pasal dengan jumlah pelanggar 95 mendominasi pasal 281, cluster 2 (ketiga) terdiri 6 pasal dengan jumlah pelanggar 59 mendominasi pasal 289 dan cluster 3(keempat) terdiri dari 5 pasal dengan jumlah pelanggar 57 mendominasi pasal 280. Hasil penelitian ini juga memberikan fakta bahwa metode k-means mampu mengelompokan objek dengan tingkat kemiripan yang tinggi.
Kata Kunci:Data Mining, K-means, Clustering, Pelanggaran Lalu Lintas
xi
ABSTRACT
Vika Dwi Harvini (16180093), Clustering Analysis of Traffic Violators with the Implementation of the K-Means Algorithm
The increase of motor vehicle ownership has an effect toward the increase of the number of traffic violations with the result that causing the accumulation of data on traffic cases at the Tasikmalaya Regional Police Station. Therefore, grouping is needed to facilitate the traffic police in appealing appropriately in order to create orderliness and driving comfort for making the road users safety. In this research, the use of data mining clustering techniques using the k-means algorithm and the tool used for data processing is the rapidminer application. From 282 data samples of traffic violations formed 4 clusters that have been evaluated using Davies Bouldin Index with a value of 0.890. Cluster 0 (first) consists of 4 articles with the number of violators 71 dominating article 293 (2) and 291 (2), cluster 1 (second) comprising 3 articles with the number of violators 95 dominating article 28, cluster 2 (third) comprising 6 article with 59 violators dominates article 289 and cluster 3 (fourth) consists of 5 articles with 57 violators dominating article 280. The results of this study also provide the fact that the k-means method is able to classify objects with a high degree of similarity.
Keywords: Data Mining, K-means, Clustering, Traffic Violations
