BAB I
PENDAHULUAN
1.1. Latar Belakang
Kecelakaan lalu lintas merupakan suatu kejadian yang sering sekali terjadi disekitar kita. Meskipun telah banyak sistem keamanan pada kendaraan yang sengaja dirancang
oleh pihak industri kendaraan untuk mengurangi tingkat terjadinya kecelakaan, namun kecelakaan tetap saja tidak dapat dihindari. Banyak faktor yang menyebabkan
terjadinya kecelakaan lalu lintas, diantaranya adalah faktor cuaca, kendaraan, kondisi jalan maupun kebiasaan pengendara kendaraan Akin Akbas, 2010.
Kecelakaan lalu lintas dapat menyebabkan berbagai risiko dan juga kerugian baik materi maupun jiwa. Besarnya risiko kecelakaan yang dialami tiap orang
berbeda-beda dalam setiap kejadian. Hal tersebut dapat dibedakan dalam beberapa kategori risiko kecelakaan lalu lintas atau lebih sering dikenal dengan injury severity,
seperti fatal fatal injury, luka parah severe injury, luka ringan dan lainnya other injury atau hanya kerusakan pada material saja Property demage only Chong et al,
2005. Namun terdapat kesulitan untuk memprediksi injury severity tersebut dikarenakan faktor penyebab kecelakaan lalu lintas merupakan peristiwa yang tidak
linear. Oleh karena itu diperlukan suatu metode khusus yang dapat digunakan untuk memprediksi injury severity tersebut
Salah satu metode yang dapat digunakan adalah Jaringan Saraf Tiruan JST. JST cenderung berkinerja lebih baik untuk menangani data dengan hubungan yang
kompleks dan memiliki tingkat nonlinieritas yang tinggi Ming et al, 2009. JST mampu menyelesaikan masalah yang hanya diketahui masukan serta keluarannya saja,
sedangkan proses diantara keduanya diproses seperti kotak hitam black box
Universitas Sumatera Utara
2 Sulaiman, 2010. Hal ini dikarenakan JST memiliki kemampuan belajar dari data
yang dilatihkan serta memiliki toleransi yang tinggi terhadap data yang mengandung noise Maharani, 2009.
JST memiliki beberapa metode yang dapat digunakan seperti Hopfield, Perceptron, Adaline dan Backpropagation. Diantara metode-metode tersebut,
Backpropagation merupakan metode yang paling sering digunakan karena metode ini menurunkan gradien untuk meminimalkan penjumlahan error kuadrat dari output
jaringan Puspitaningrum, 2006. Namun metode Backpropagation ini memiliki kelemahan yaitu proses pelatihan yang memerlukan waktu yang cukup lama karena
membutuhkan banyak iterasi untuk mencapai keadaan stabil. Oleh karena itu diperlukan modifikasi pada proses Backpropagation.
Resilient Backpropagation
Rprop merupakan
modifikasi dari
Backpropagation yang dikembangkan untuk menghindari perubahan gradien yang terlalu kecil selama proses update dengan fungsi aktivasi Sigmoid yang menyebabkan
pembentukan jaringan menjadi lambat. Metode ini dapat digunakan untuk mempercepat laju pembelajaran dan telah terbukti sebagai metode yang memiliki
kecepatan pembelajaran yang baik Fajri, 2011.
Keunggulan lain dari metode Rprop yaitu metode ini tidak memerlukan settingan parameter momentum yang biasa digunakan dalam standard Backpropagation. Hal ini
sangat baik karena sulitnya menentukan parameter momentum yang tepat untuk dipasangankan dengan parameter learning rate agar dapat menghasilkan kinerja
jaringan yang optimal. Berdasarkan hal-hal yang telah disebutkan, maka penulis berkeinginan untuk melakukan penelitian dengan judul “Jaringan Saraf Tiruan
Resilient Backropagation untuk Memprediksi Faktor Dominan Injury Severity pada Kecelakaan Lalu Lintas”.
Universitas Sumatera Utara
3
1.2. Rumusan Masalah
Kategori