IMPLEMENTASI DATA MINING UNTUK MENENTUKAN DAERAH RAWAN KECELAKAAN MENGGUNAKAN ALGORITMA C4.5
semanTIK, Vol.3, No.2, Jul-Des 2017, pp. 95-104
ISSN: 2502-8928 (Online)
95
IMPLEMENTASI DATA MINING UNTUK
MENENTUKAN DAERAH RAWAN KECELAKAAN
MENGGUNAKAN ALGORITMA C4.5
Rezki Oktavia*1, Sutardi2, Jumadil Nangi3
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Halu Oleo, Kendari
e-mail : *1rezkioktavia19@gmail.com, 2sutardi_hapal@yahoo.com, 3jumadilnangi87@gmail.com
*1,2,3
Abstrak
Kecelakaan lalu lintas merupakan salah satu permasalahan global yang membutuhkan
penanganan yang serius. Kecelakaan terjadi di berbagai tempat dengan waktu kejadian yang berbeda,
hal ini menyebabkan sulitnya menentukan daerah mana yang memiliki tingkat kerawanan kecelakaan
lalu lintas. Tujuan penelitian Daerah Rawan Kecelakaan di wilayah Kota Kendari ini yaitu untuk
meningkatkan aspek keselamatan masyarakat dan dapat dijadikan bahan pertimbangan untuk
pengawasan maupun tindakan antisipasi khususnya bagi kepolisian pada lokasi studi.
Pemodelan daerah rawan kecelakaan berbasis Web Sistem Informasi Geografis dilakukan
dengan software GIS. Metode yang digunakan adalah Decesion Tree menggunakan Algoritma
C4.5,dimana membuat pohon keputusan untuk menentukan kerawanan suatu daerah. Hasil dari
penelitian ini adalah aplikasi yang menentukan tentang daerah-daerah mana yang termaksud rawan
kecelakaan di Kota Kendari beserta analisis data serta pemetaan daerah rawan kecelakaan.
Rekomendasi studi penelitian ini yaitu Pemerintah harus memperhatikan faktor keselamatan
pengguna jalan denganmemasang rambu-rambu lalu lintas dan fasilitas keamanan lainnya di Lokasi
studi yang rawan kecelakaan.
Kata kunci—Algoritma C4.5, Kecelakaan Lalu Lintas, SIG
Abstract
Traffic accident are one of the global issues that require serious handling. Accidents occur in
different place with different time events, this make it difficult to determine which areas that have the
level of vulnerabilityon traffic accident. The purpose of the study of accident-prone are as in Kendari
city was to improve the public safety aspect and it can be used as consideration for supervision and
anticipatory action especially for the police in the study area.
The modeling of accident prone Web-based Geographic Information System were done by
GIS software. The method used was Decesion Tree using C4.5 algorithm, which makes decesion tree
to determine the vulnerability of a region. The result of this study were the applications that determine
which areas are prone to accidents in Kendari city along with data analysis and mapping of accident
prone areas.
Recommendations this research study namely, the government should pay attention to the safety
of road users by installing traffic signs and all the other security in the study locations are avvidentprone.
Keywords— C4.5 Algorithm, Traffic Accident, GIS
1. PENDAHULUAN
ecelakaan lalu lintas menurut UU RI
No. 22 tahun 2009 adalah suatu
peristiwa di jalan raya tidak diduga dan
tidak disengaja melibatkan kendaraan dengan
atautanpa pengguna jalan lain yang
K
mengakibatkan korban manusia dan kerugian
harta benda.Kecelakaan lalu lintas berada pada
posisi 3 besar penyebab kematian. Secara
statistik, angka kecelakaan lalu lintas dominan
meningkat dari tahun ke tahun. Dibandingkan
tahun sebelumnya [1].
Received June 1st ,2012; Revised June 25th, 2012; Accepted July 10th, 2012
96
Implementasi Data Mining untuk Menentukan Daerah Rawan Kecelakaan…
Walaupun faktor manusia merupakan
faktor penyebab utama pada mayoritas
kejadian kecelakaan, namun mengingat
karakteristik dan perilaku manusia yang
bervariasi secara alamiah maka tidaklah
mudah mempelajari pengaruh faktor manusia
pada kejadian kecelakaan serta tidak ada
tindakan penanggulangan yang dapat secara
efektif diterapkan pada pengguna jalan. Oleh
sebab itu, strategi penanggulangan kecelakaan
umumnya diarahkan pada penerapan tindakan
perbaikan teknis pada infrastruktur jalan guna
mengurangi kemungkinan pengguna jalan
(pengemudi)
membuat
kesalahan
dan
membuat lingkungan jalan lebih dapat
mentolelir kesalahan yang dibuat pengguna
jalan (pengemudi).Kecelakaan akan cendrung
meningkat apabila arus jalan yang digunakan
juga meningkat pada saat pengendara sedang
aktifberaktifitas. Dari banyak faktor penyebab
kecelakaan lalu lintas, faktor kesalahan
pengendara masih merupakan faktor utama
[2].
Kota Kendari merupakan salah satu kota
di Provinsi Sulawesi Tenggara yang tiap
tahunnya jumlah penduduknya bertambah,
menyebabkan kebutuhan akan transportasi
juga
semakin
meningkat.Secara
tidak
langsung,
akan
memperbesar
resiko
tumbuhnya permasalahan lalu lintas, seperti
kemacetan dan kecelakaan, yang akan
berdampak pada turunnya kinerja pelayanan
jalan, serta berakibat timbulnya rawan
kecelakaan.
Muhammad Syaeful Fajar dan Feddy
Setyo Pribadi meneliti tentang Analisis
Kecelakaan Lalu Lintas Jalan Raya di Kota
Semarang menggunakanMetode K-Means
Clustering. Hasil yang diperoleh daripenelitian
ini adalah Dari hasil analisis pemetaan
penyebab kecelakaan diperoleh umur pelaku
dalam kategori berbahaya, yaitu rentang umur
18-24 tahun. Faktor pengemudi dengan
persentase rata-rata 96,57% dan terjadi pada
hari kerja dengan persentase rata-rata 67,33%
pada semua cluster.Dari data tersebut disusun
dalam database berbasis Sistem Informasi
Analisis Data Kecelakaan yang menggunakan
perangkat lunak berbasis web untuk
pembentukan kmeans clustering, pemetaan
data, editing variabel dan melakukan fungsi
analisis kmean clustering.
Eriza Siti Mulyani, Muhammad Arsah
dan Novel Simatupang meneliti tentang
Pemodelan Spasial Tingkat Kerawanan
Kecelakaan Lalu Lintas di Kota Depok. Hasil
yang diperoleh dari penelitian ini adalah Salah
satu permasalahan dalam transportasi adalah
kecelakaan lalu lintas, hal ini pada umumnya
terjadi ketika sarana transportasi, baik dari segi
jalan, kendaraan, dan sarana pendukung
lainnya
belum
mampu
mengimbangi
perkembangan yang ada di masyarakat.
Berdasarkan uraian tersebut, akan
dilakukanpenelitiantentang“Implementas Data
Mining untuk Menentukan Daerah Rawan
Kecelakaan menggunakan Algoritma C4.5”
2. METODE PENELITIAN
2.1
Sistem Informasi Geografis (GIS)
Pengertian geografis dapat disimpulkan
sebagai suatu ilmu yang mempelajari tentang
lokasi di mana suatu objek terletak di
permukaan bumi beserta keterangan objek
tersebut. SIG dapat berfungsi sebagai bank
data terpadu, yaitu dapat memandu data
spasial dan non spasial dalam suatu basis data
terpadu [3].
2.2
Data Mining
Data Mining (DM) adalah salah satu
bidang yang berkembang pesat karena
besarnya kebutuhan akan nilai tambah dari
database dengan skala besar. DM adalah
serangkaian proses untuk menggali nilai
tambah berupa pengetahuan yang selama ini
tidak diketahui secara manual dari suatu
kumpulan data. DM memiliki hubungan dari
bidang ilmu seperti artificial intelligent,
machine learning, statistik dan database [4].
2.3 Metode
Decesion
Tree
(Pohon
Keputusan)
Pohon keputusan merupakan metode
klasifikasi dan prediksi yang sangat kuat dan
terkenal. Metode pohon keputusan mengubah
fakta yang sangat besar menjadi pohon
keputusan yang merepresentasikan aturan.
Pohon
keputusan
merupakan
metode
klasifikasi dan prediksi yang sangat kuat dan
terkenal. Metode pohon keputusan mengubah
fakta yang sangat besar menjadi pohon
keputusan yang merepresentasikan aturan [5].
2.4
Algoritma C4.5
Algoritma
C4.5
secara
rekursif
mengunjungi tiap simpul keputusan, memilih
percabangan optimal, sampai tidak ada cabang
lagi yang mungkin dihasilkan. Secara umum
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Oktavia, Sutardi dan Nangi IJCCSISSN: 1978-1520
algoritma C4.5 untuk membangun pohon
keputusan adalah sebagai berikut :pilih atribut
sebagai akar, buat cabang untuk tiap-tiap nilai,
bagi kasus dalam cabang, dan ulangi proses
untuk setiap cabang sampai semua kasus pada
cabang memiliki kelas yang sama.
a. Konsep Entropy
Konsep entropy yaitu :
1. Entropy (S) merupakan jumlah bit yang
diperkirakan dibutuhkan untuk dapat
mengekstrak suatu kelas (+ atau -) dari
sejumlah data acak pada ruang sampel S.
2. Entropy
dapat
dikatakan
sebagai
kebutuhan bit untuk menyatakan suatu
kelas.
3. Entropy digunakan untuk mengukur
ketidakaslian S.
Persamaan (1) menunjukkan perhitungan
nilai Entropy.
( ) = ∑
−
∗ log
(1)
Keterangan :
log2 bisa diartikan sebagai berikut =
log2 ( ) = ln ( ) / ln( 2)
= Himpunan Kasus
= Fitur
= Jumlah Partisi
= Proporsi dari terhadap
b. Konsep Gain
Konsep Gain yaitu :
1. Gain
(S,A)
merupakan
perolehan
informasi dari atribut A relative terhadap
output data S.
2. Perolehan informasi didapat dari output
data atau variable dependent S yang
dikelompokkan berdasarkan atribut A,
dinotasikan dengan gain (S,A).
Untuk memilih atribut sebagai akar,
didasarkan pada nilai gain tertinggi dari
atribut-atribut yang ada. Persamaan (2)
menunjukkan perhitungan nilai Gain.
( , ) =
( ) −∑
|
| |
|
∗
(
Keterangan :
= Himpunan Kasus
= Atribut
= Jumlah Partisi Atribut
| | = Jumlah Kasus pada Partisi ke-i
| | = Jumlah Kasus dalam
) (2)
97
2.5
Google Maps
Google Maps adalah peta online atau
membuka peta secara online, dapat dilakukan
secara mudah melalui layanan gratis dari
Google. TampilanGoogle Mapspun dapat
dipilih, berdasarkan foto asli atau peta gambar
rute saja. Google Maps adalah layanan gratis
yang diberikan oleh Google dan sangatpopular
[6].
2.6
Rational Unified Process (RUP)
Rational Unified Process (RUP)
merupakan suatu metode rekayasa perangkat
lunak
yang
dikembangkan
dengan
mengumpulkan berbagai best practises yang
terdapat dalam industri pengembangan
perangkat lunak. Ciri utama metode ini adalah
menggunakan use case driven dan pendekatan
iteratif untuk siklus pengembangan perangkat
lunak [7].
Fase RUP yaitu :
1. Inception/Insepsi
a. Menentukan ruang lingkup proyek.
b. Membuat Business Case.
c. Menjawab pertanyaan “apakah yang
dikerjakan dapat menciptakan good
business sense” sehingga proyek dapat
dilanjutkan.
2. Elaboration/Elaborasi
a. Menganalisa berbagai persyaratan dan
resiko.
b. Menetapkan base line.
c. Merencanakan fase berikutnya yaitu
construction.
3. Construction/Konstruksi
a. Melakukan sederetan iterasi.
b. Pada setiap iterasi akan melibatkan
proses berikut: analisa desain,
implementasi, dan testing.
4. Transition/Transisi
a. Membuat apa yang sudah dimodelkan
menjadi suatu produk jadi.
b. Dalam fase ini dilakukan:
1. Beta dan performance testing.
2. Membuat dokumentasi tambahan
seperti: training, user guides, dan
sales kit.
3. Membuat rencana peluncuran
produk ke komunitas pengguna.
Title of manuscript is short and clear, implies research results (First Author)
98
Implementasi Data Mining untuk Menentukan Daerah Rawan Kecelakaan…
3. HASIL DAN PEMBAHASAN
3.1
AnalisaSistem
Analisis sistem merupakan suatu
tahapan yang bertujuan untuk mengetahui dan
mengamati apa saja yang terlibat dalam suatu
sistem. Pembahasan yang ada pada analisis
sistem ini yaitu analisis masalah, analisis
kebutuhan fungsional dan analisis kebutuhan
nonfungsional.
1. Uji Coba dalam Menetukan Daerah
Rawan Kecelakaan
Pengklasifikasian yang dilakukan dengan
menggunakan 6 atribut sebagai kriteria dalam
menentukan daerah rawan kecelakaan di
wilayah Kota Kendari. Atribut yang digunakan
dalam penelitian ini adalah nama lokasi, waktu
kecelakaan, korban, posisi kecelakaan, kondisi
permukaan jalan, dan atribut yang terakhir
kendaraan yang terlibat.
3.2
Analisa Masalah
Berdasarkan studi literatur dan hasil
observasi yang dilakukan, dari hasil
pengamatan diperoleh permasalahan yaitu
kurang inisiatifnya pihak Polres Kendari untuk
membuat informasi tentang daerah-daerah
yang rawan kecelakaan lalu lintas di wilayah
kota Kendari.
3.3
Use Case Diagram
Gambaran
Use
Case
ditunjukan pada Gambar 1.
Diagram
Gambar 2. Flowchart Sistem
Tabel 1 menunjukkan tabel daftar data
blackspot tahun 2015.
Tabel 1 Daftar Data Blackspot Tahun 2015
Gambar 1. Use Case Diagram
3.4
Perancangan Sistem
Tujuan utama dari perancangan sistem
adalah memberikan gambaran perancangan
sistem
yang
akan
dibangun
atau
dikembangkan serta untuk memahami alur
informasi dan proses dalam sistem.
Gambaran flowchart sistem ditunjukan pada
Gambar 2.
Implementasi dan Pengujian Sistem
Dalam bab ini dibahas mengenai
pembuatan program dan hasil uji coba
program
yang
telah
dirancang
dan
diimplementasikan dengan menggunakan web
browser dan xampp . Uji coba dilakukan untuk
mengetahui apakah program dapat berjalan
sebagaimana mestinya dengan lingkungan uji
coba yang telah ditentukan serta dilakukan
sesuai dengan skenario uji coba.
No
Kec.
1
Kadia
2
Kadia
3
Kadia
4
Kadia
5
Kadia
6
Kadia
7
Kadia
3.5
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Nama
Jalan
Jalan Saosao depan
Kantor
BPK
Jalan Saosao depan
perumaha
n
Kejaksaa
n
Jalan Saosao
Pertigaan
STM
Jalan SaoSaodekat
Kantor
Pajak
Jl. MT
Haryono Jl. Laode
Hadi (
Lampu
Merah
Pasar
Baru)
Jl. MT
Haryono Jl. Laode
Hadi (
Lampu
Merah
Pasar
Baru)
Jl. MT
Haryono Jl. Laode
Hadi (
Lampu
Merah
Pasar
Baru)
Wak
tu
Keja
dian
Ke ndara
an yang
Te rlibat
Permu
kaan
Jalan
Posisi
Kecela
kaan
Korb
an
(Bob
ot)
Hasil
Siang
Roda
empat
Baik
Tabrak
manusi
a
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
Baik
Tabrak
lari
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
vs Roda
empat
Rusak
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
vs Roda
empat
Rusak
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
vs Roda
dua
Rusak
Depan
belakan
g
2
(LB)
Kecela
kaan
berat
Siang
Roda dua
vs Roda
empat
Rusak
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
vs Roda
empat
Rusak
Depan
sampin
g
2
(LB)
Kecela
kaan
berat
Kondisi
Oktavia, Sutardi dan Nangi IJCCSISSN: 1978-1520
8
9
Mand
onga
Mand
onga
10
Mand
onga
11
Mand
onga
12
Mand
onga
13
Mand
onga
14
Mand
onga
15
Mand
onga
16
Mand
onga
17
Mand
onga
18
Mand
onga
19
Mand
onga
20
Mand
onga
21
Puwat
u
22
Puwat
u
23
Puwat
u
24
Puwat
u
25
Puwat
u
26
Puwat
u
27
Kend
ari
Barat
28
Kend
ari
Barat
29
Kend
ari
Barat
Jalan ZA.
Sugianto
dekat
SPBU
Tapak
Kuda
Jalan ZA.
Sugianto
depan
SPBU
Tapak
Kuda
Jl. ZA.
Sugianto
dekat
SPBU
Tapak
Kuda
Jalan
Brigjend
Z.A
Sugianto
Jalan Z.A
Sugianto
Kota
Kendari.(
depan
SPBU
tapak
Kuda)
Perempat
an jalan
Abdulah
Silondae Tebau
Nunggu
Perempat
an jalan
abdullah
silondae –
abunawas
Perempat
an Jalan
Abdullah
Silondae Made
Sabara
Perempat
an Jalan
Abd.Silon
daeTebau
nunggu
Perempat
an Jalan
Abdullah
Silondae
Made
Sabara
Perempat
an Jalan
Abdullah
Silondae Made
Sabara
Perempat
an Jalan
Abdullah
Silondae
– Made
Sabara
Perempat
an jalan
Abd.
Silondae Made
Sabara
Jalan
Pprof. M.
Yamin
Jl. M.
Yamin
dekat
Terminal
Puuwatu
Jalan
Prof. M.
Yamin
dekat Pos
Pol
Jalan Prof
M.Yamin
Jalan
Muh.
Yamin
depan
terminal
Jalan M.
Yamin
depan
Kantor
Camat
Jalan
Sultan
Hasanudd
in dekat
Hotel
Sultra
Jalan
Sultan
Hasanudd
in
Jalan
Sultan
Hasanudd
in
Mala
m
Roda dua
vs Roda
empat
Baik
Depan
Depan
1
(LR)
Kecela
kaan
sedang
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Baik
Depan
Depan
3
(MD)
Kecela
kaan
berat
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
vs Roda
dua
Baik
Tabrak
lari
1
(LR)
Kecela
kaan
sedang
Dini
hari
Roda
empat vs
Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Mala
m
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Mala
m
Roda
empat vs
Roda
empat
Baik
Depan
sampin
g
3
(LB,
LR)
Kecela
kaan
berat
Pagi
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
5
(MD,
LB)
Kecela
kaan
berat
Pagi
Roda dua
Baik
Tabrak
lari
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
vs Roda
dua
Baik
Depan
sampin
g
2
(LB)
Kecela
kaan
berat
Mala
m
Roda dua
vs Roda
dua
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
vs Roda
dua
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
Baik
Tabrak
manusi
a
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
vs Roda
empat
Baik
Depan
Depan
3
(LB,
LR)
Kecela
kaan
berat
Roda dua
vs Roda
dua
Baik
Dini
hari
Roda dua
vs Roda
dua
Pagi
Pagi
30
Kend
ari
Barat
31
Kend
ari
Barat
Roda dua
Baik
Tabrak
lari
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
Baik
Tabrak
manusi
a
3
(MD)
Kecela
kaan
berat
Dini
hari
Roda dua
vs Roda
dua
Baik
Depan
Depan
1
(LR)
Kecela
kaan
sedang
Pagi
Roda
empat
Baik
Tabrak
manusi
a
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
Baik
Tabrak
manusi
a
1
(LR)
Kecela
kaan
sedang
2. Data Mining dengan Menggunakan
Algoritma C4.5
Tahapan selanjutnya adalah melakukan
proses pengolahan Data Miningdengan
menggunakan algoritma C4.5. Pengolahan
Data Mining dengan menggunakan algoritma
C4.5 dilakukan dengan perhitungan Entrophy
dan Gain untuk menentukan akar (root) dari
pohon keputusan.
Langkah-langkah
pengolahan
Data
Miningdengan menggunakan algoritma C4.5
adalah sebagai berikut :
a. Pilih atribut sebagai akar
Data dikelompokkan terlebih dahulu
dengan menghitung jumlah kasus, jumlah
kasus untuk data yang berpotensi tinggi,
sedang dan rendah. Selanjutnya dihitung nilai
Entrophy dan Gain dari semua atribut. Untuk
menentukan akar ditentukan dari nilai Gain
tertinggi.
b. Buat cabang untuk tiap-tiap nilai
c. Bagi kasus dalam cabang
d. Ulangi proses untuk setiap cabang sampai
semua kasus pada cabang memiliki kelas
yang sama.
Kemudian melakukan perhitungan node
untuk mendapatkan nilai entropy dan nilai
gain dari masing-masing atribut. Perhitungan
Entropy untuk data tahun 2015, yaitu sebagai
berikut :
(
=
=
Siang
Jalan
Sultan
Hasanudd
in
Jalan S.
Hasanudi
n
99
1
3
3
− ∗ l og
1
− ×
)
,
1
(1
3
+ − ∗ log
3
3)
+
( 2)
= 0,918295834
2
2
− ×
3
2
3
(2
3)
( 2)
Tabel 2 menunjukkan tabel
perhitungan node 1 untuk tahun 2015.
hasil
Tabel 2 Hasil Perhitungan Node 1 Tahun 2015
Jumlah
Kasus
Node
1
Nama Jalan
Jalan Sao-sao
Total
Waktu
Kejadian
Dini hari
Pagi
Siang
Malam
Ke ndaraan
yang Terlibat
Roda dua
Roda empat
Potensi
Lokasi
KB
0
Entropy
4
KS
4
0
2
2
0
0
2
2
0
0
0
0
0
0
0
0
0
1
1
1
1
0
0
0
0
Gain
0
0
0
Title of manuscript is short and clear, implies research results (First Author)
Implementasi Data Mining untuk Menentukan Daerah Rawan Kecelakaan…
100
2
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Pe rmukaan
Jalan
Baik
Rusak
Posisi
Ke celakaan
Tunggal
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
Tabrak Lari
Tabrak Manusia
Korban
MD
LB
LR
Nama Jalan
Total
Jl. MT
Haryono - Jl.
Laode Hadi
Waktu
Kejadian
Dini hari
Pagi
0
0
0
0
0
0
0
2
2
0
0
2
2
2
2
0
0
0
0
0
0
0
2
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
4
0
0
4
0
0
0
3
1
2
0
0
0
0,918295
834
0
0
0
0
0
0
0
0
Siang
3
1
2
0
0
0
0
0
0,918295
834
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
2
1
1
1
0
0
0
Rusak
3
1
2
0
0
1
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
Nama Jalan
Jalan ZA.
Sugianto
MD
LB
LR
0
2
1
0
0
1
0
2
0
Total
5
4
1
Dini hari
Pagi
Siang
Malam
0
3
0
1
1
0
0
0
0
0
0
0
0
0
3
2
1
0
0
0
0
2
2
0
0
Baik
5
4
1
Rusak
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0,721
9280
95
Korban
4
Nama Jalan
MD
LB
LR
Total
6
0
1
0
0
0
1
0
4
8
0
0
4
6
1
0
0
2
0
0
0
0
0
0
0,918295
834
3
2
1
1
1
0
0
4
3
1
0,811278
124
Baik
8
6
2
Rusak
Posisi
Ke celakaan
Tunggal
Depan Depan
Depan Belakang
0
0
0
0
0
0
0
0
0
0
0
0
Depan Samping
8
6
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0,811278
124
0
0
0
0
0
0,811278
124
0,811
2781
24
Total
6
4
2
0
0
0
0,918295
834
0,918
2958
34
Dini hari
Pagi
Siang
Malam
Ke ndaraan
yang Terlibat
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda dua
Kondisi
Pe rmukaan
Jalan
0
3
2
1
0
3
0
1
0
0
2
0
0
0
0
0
2
0
2
0
0
0
0
0
0,918295
834
0
3
2
1
0
0
0
0
1
0
1
0
Baik
6
4
2
Rusak
Posisi
Ke celakaan
Tunggal
Depan Depan
Depan Belakang
0
0
0
0
1
0
0
0
0
0
1
0
0
0,918295
834
0
0
0
0
0
0,918295
834
3
2
1
0
0
0
0
1
1
1
1
0
0
0
0
0,918
2958
34
Korban
0,721928
095
0
1
0
0
0
Samping
Samping
Tabrak Lari
Tabrak Manusia
0,721
9280
95
0
1
0
2
0
0,918295
834
0
1
0,466
9171
87
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Pe rmukaan
Jalan
Depan Samping
0
0
2
0
2
0
1
Waktu
Kejadian
0
0
0,918295
834
Posisi
Ke celakaan
2
1
Nama Jalan
0,170
9505
94
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Pe rmukaan
Jalan
2
2
Jalan Prof. M.
Yamin
0
0
0
0
Ke ndaraan
yang Terlibat
Tunggal
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
Tabrak Lari
Tabrak Manusia
5
0,721
9280
95
1
3
0
1
Siang
Malam
1
1
0
0
0
0
0,721928
095
Waktu
Kejadian
1
0
0
6
0,918
2958
34
Korban
0
2
1
1
6
0,918
2958
34
0
0
0
1
1
3
MD,LB
LB,LR
LR
0
0,918295
834
0
0
1
2
1
Pagi
Korban
0
Posisi
Ke celakaan
Dini hari
Samping
Samping
Tabrak Lari
Tabrak Manusia
0,918
2958
34
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Pe rmukaan
Jalan
Baik
0,466
9171
87
Waktu
Kejadian
Ke ndaraan
yang Terlibat
0
Ke ndaraan
yang Terlibat
3
Perempatan
Jalan
Abdullah
Silondae
0
Malam
Tunggal
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
Tabrak Lari
Tabrak Manusia
124
0
0
0
0
0,811278
IJCCS Vol. x, No. x, July 201x : first_page – end_page
LB
LB,LR
LR
1
1
4
0
0
4
1
1
0
Nama Jalan
Total
5
4
1
Jalan Sultan
Hasanuddin
Waktu
Kejadian
0
0
0
0,721928
095
0,170
9505
94
Dini hari
Pagi
1
1
1
1
0
0
Siang
3
2
1
Malam
0
0
0
0
0
0,918295
834
0
0,170
9505
94
Ke ndaraan
yang Terlibat
Roda dua
3
2
1
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Pe rmukaan
Jalan
1
1
0
Baik
0,918295
834
0
1
1
0
0
0
0
0
0
0
0
0
0
5
4
1
0,721928
095
0
101
Oktavia, Sutardi dan Nangi IJCCSISSN: 1978-1520
Rusak
0
0
0
0
0,170
9505
94
Posisi
Ke celakaan
Tunggal
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
Tabrak Lari
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
Tabrak Manusia
3
2
1
0
0,918295
834
0,721
9280
95
Korban
MD
LB
LR
1
0
4
0
0
4
1
0
0
0
0
0
Tabel 3 menunjukkan tabel daftar data
blackspot tahun 2016.
No.
1
2
Ke c.
Barug
a
Barug
a
3
Barug
a
4
Barug
a
5
Barug
a
6
Barug
a
7
Barug
a
8
Barug
a
9
Barug
a
10
Barug
a
11
Barug
a
12
Barug
a
13
Barug
a
14
Barug
a
15
Mand
onga
16
Mand
onga
17
Mand
onga
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
piere
tendean
Jalan
Kapten
Piere
Tendea
n
Jalan
Pierre
Tendea
n
Jalan
Pierre
Tendee
an
Jalan
Piere
tendean
depan
RS.
Bahtra
mas
Jalan
ZA.
Sugiant
o
Jalan
ZA.
Sigiant
o
Jalan
ZA.
Sugiant
Wak
tu
Keja
dian
Kenda
raan
yang
Terliba
t
Kondis
i
Permu
kaan
Jalan
Dini
hari
Roda
dua vs
Roda
empat
Baik
Siang
Roda
dua vs
Roda
empat
Baik
Posisi
Kece la
kaan
Korban
(Bobot)
Hasil
Tabrak
lari
2 (LB)
Kecel
akaan
berat
Depan
sampin
g
1 (LR)
Kecel
akaan
sedan
g
Siang
Roda
dua
Baik
Tungga
l
1 (LR)
Kecel
akaan
sedan
g
Pagi
Roda
dua vs
Roda
empat
Baik
Depan
belakan
g
4
(MD,LR)
Kecel
akaan
berat
Mala
m
Roda
dua
Baik
Tungga
l
5
(MD,LB)
Kecel
akaan
berat
Mala
m
Roda
dua
Baik
Tungga
l
2 (LB)
Kecel
akaan
berat
Siang
Roda
dua vs
Roda
empat
Baik
Depan
sampin
g
1 (LR)
Kecel
akaan
sedan
g
Pagi
Roda
dua vs
Roda
empat
Baik
Depan
belakan
g
3 (MD)
Kecel
akaan
berat
1 (LR)
Kecel
akaan
sedan
g
Baik
Tabrak
manusi
a
1 (LR)
Kecel
akaan
sedan
g
Roda
dua
Baik
Tabrak
lari
1 (LR)
Kecel
akaan
sedan
g
Siang
Roda
empat
Baik
Tungga
l
1 (LR)
Pagi
Roda
empat
Baik
Tabrak
lari
Mala
m
Roda
dua vs
Roda
dua
Baik
Mala
m
Roda
empat
vs
Roda
empat
Baik
Depan
sampin
g
3 (MD)
Kecel
akaan
berat
Mala
m
Roda
dua
Baik
Tungga
l
3 (MD)
Kecel
akaan
berat
Dini
hari
Roda
dua
Baik
Tungga
l
3 (MD)
Kecel
akaan
berat
Siang
Roda
dua
Baik
Tungga
l
Siang
Roda
dua
Mala
m
Depan
Depan
1 (LR)
3
(LB,LR)
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
berat
Pagi
Roda
dua vs
Roda
empat
Baik
Depan
belakan
g
1 (LR)
Kecel
akaan
sedan
g
Pagi
Roda
dua
Baik
Depan
sampin
g
3 (MD)
Kecel
akaan
berat
Baik
Depan
sampin
g
1 (LR)
Kecel
akaan
sedan
g
Baik
Depan
sampin
g
3
(LB,LR)
Kecel
akaan
berat
Baik
Depan
Depan
3
(LB,LR)
Kecel
akaan
berat
Baik
Tabrak
manusi
a
1 (LR)
Baik
Depan
Depan
1 (LR)
Baik
Tabrak
lari
1 (LR)
Baik
Depan
sampin
g
1 (LR)
Roda
dua
Baik
Tungga
l
1 (LR)
Roda
dua
Baik
Tabrak
manusi
a
1 (LR)
Baik
Depan
sampin
g
1 (LR)
Baik
Depan
sampin
g
1 (LR)
Baik
Depan
Depan
1 (LR)
18
19
Poasi
a
20
Puwa
tu
Jalan
Pattimu
ra
Mala
m
21
Puwa
tu
Jalan
Pattimu
ra
Pagi
22
Puwa
tu
Jalan
Patimur
a
Mala
m
23
Puwa
tu
Jalan
Patimur
a
Siang
24
Puwa
tu
Jalan
Pattimu
ra
Mala
m
25
Puwa
tu
Jalan
Patimur
a
Dini
hari
26
Puwa
tu
Jalan
Patimur
a
Mala
m
27
Puwa
tu
Jalan
Patimur
a
Pagi
28
Puwa
tu
Jalan
Patimur
a
Pagi
Tabel 3 Daftar Data Blackspot Tahun 2016
Nama
Jalan
o
Jalan
Z.A.
Sugiant
o
Jalan
ZA.
Sugiant
o
Poasi
a
29
Puwa
tu
Jalan
Pattimu
ra
Pagi
30
Puwa
tu
Jalan
Prof M.
Yamin
Pagi
31
Puwa
tu
32
Puwa
tu
33
Puwa
tu
34
Puwa
tu
35
Puwa
tu
36
Kadia
37
Kadia
38
Kadia
39
Kadia
40
Kadia
41
Kadia
42
Kadia
43
Mand
onga
44
Mand
Jalan
Prof.
Muh.
Yamin
Jalan
Prof.
M.
Yamin
Jalan
Prof.M
uh
Yamin
Jalan
M.
Yamin
dekat
Termin
al
Lama
Jalan
M.
Yamin
depan
Kios
Farhat
Jalan
MT.
Haryon
o depan
Lippo
Plaza
Jalan
MT.
Haryon
o
Jalan
MT.
Haryon
o
Jalan
M.T.
Haryon
o
Jalan
M.T.
Haryon
o
Jalan
M.T.
Haryon
o
Jalan
MT.
Haryon
o
Jl.
Abdulla
h
Silonda
e – Jl.
Tebeu
Nunggu
Jl.
Dini
hari
Roda
dua vs
Roda
empat
Roda
dua vs
Roda
dua
Roda
dua vs
Roda
dua
Roda
dua
Roda
dua vs
Roda
empat
Roda
dua vs
Roda
dua
Roda
dua vs
Roda
empat
Roda
dua vs
Roda
dua
Roda
dua vs
Roda
empat
Roda
dua vs
Roda
empat
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Mala
m
Roda
dua
Baik
Tungga
l
2 (LB)
Kecel
akaan
berat
Mala
m
Roda
dua vs
Roda
dua
Baik
Depan
sampin
g
1 (LR)
Kecel
akaan
sedan
g
Siang
Roda
dua vs
Roda
empat
Baik
Depan
sampin
g
1 (LR)
Kecel
akaan
sedan
g
Mala
m
Roda
dua vs
Roda
dua
Baik
Depan
sampin
g
3 (MD)
Kecel
akaan
berat
Pagi
Roda
dua vs
Roda
empat
Rusak
Tabrak
lari
1 (LR)
Kecel
akaan
sedan
g
Siang
Roda
dua
Rusak
Tabrak
manusi
a
3 (MD)
Kecel
akaan
berat
Pagi
Roda
dua
Rusak
Tabrak
manusi
a
3
(LB,LR)
Kecel
akaan
berat
Rusak
Sampin
g
Sampin
g
1 (LR)
Rusak
Depan
Depan
1 (LR)
Rusak
Depan
belakan
g
1 (LR)
Rusak
Depan
sampin
g
1 (LR)
Siang
Dini
hari
Siang
Pagi
Roda
dua vs
Roda
empat
Roda
dua vs
Roda
empat
Roda
dua vs
Roda
dua
Roda
dua vs
Roda
dua
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Siang
Roda
dua vs
Roda
empat
Baik
Depan
sampin
g
1 (LR)
Kecel
akaan
sedan
g
Siang
Roda
Baik
Depan
1 (LR)
Kecel
Title of manuscript is short and clear, implies research results (First Author)
Implementasi Data Mining untuk Menentukan Daerah Rawan Kecelakaan…
102
onga
45
46
dua vs
Roda
empat
Abdulla
h
Silonda
e – Jl.
Tebeu
Nunggu
Jl.
Abdulla
h
Silonda
e – Jl.
Tebeu
Nunggu
Jl.
Abdulla
h
Silonda
e – Jl.
Tebeu
Nunggu
Mand
onga
Mand
onga
sampin
g
Roda
empat
vs
Roda
empat
Siang
Mala
m
Depan
sampin
g
Baik
Roda
dua vs
Roda
empat
akaan
sedan
g
3 (MD)
Depan
sampin
g
Baik
1 (LR)
Kecel
akaan
berat
Kecel
akaan
sedan
g
Kemudian melakukan perhitungan node
untuk mendapatkan nilai entropy dan nilai
gain dari masing-masing atribut. Perhitungan
Entropy untuk data tahun 2015, yaitu sebagai
berikut :
(
=
=
−
−
8
14
8
14
8
∗ log
×
14
+ −
( 8 14)
+
( 2)
= 0,985228136
6
14
−
6
∗ l og
14
×
6
3
14
( 6 14)
( 2)
Tabel 4 menunjukkan tabel
perhitungan node 1 untuk tahun 2016.
Nama
Jalan
Jalan
Patimura
Node
1
Nama
Jalan
Jalan
Kapten
Piere
Tendean
Total
14
Pote nsi
Lokasi
KS
KB
8
6
Entropy
hasi
0,788450
457
Dini hari
1
0
1
Pagi
3
1
2
0
0,918295
834
0
0,812278
124
Siang
6
6
0
Malam
4
1
3
Roda dua
6
4
2
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Permukaan
Jalan
2
2
0
0
0
0
0
0
0
0
0
Kendaraan
yang Terlibat
0,591672
779
2
4
0,918295
834
0
Baik
14
8
6
Rusak
Posisi
Kecelakaan
0
0
0
0,985228
136
0
0,788450
457
Tunggal
5
3
2
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
1
2
2
0
0
2
1
2
0
0
0
0
Tabrak Lari
3
2
1
Tabrak Manusia
1
1
0
0,970950
594
0
0
0
0
0,918295
834
0
0,985228
136
Nama
Jalan
Jalan
Z.A.
Sugianto
MD
LB
LR
MD,LB
MD,LR
LB,LR
1
2
8
1
1
1
0
0
8
0
0
0
1
2
0
1
1
1
Total
5
1
4
0
0
0
0
0
0
0,721928
095
Waktu
Ke jadian
Dini hari
0,321928
095
1
0
1
1
0
0
3
0
0
0
3
0
0
0
0,721928
095
0
0
0
0
1
0
1
0
1
1
0
0
Baik
5
1
4
Rusak
Posisi
Kecelakaan
Tunggal
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
Tabrak Lari
Tabrak Manusia
0
0
0
0,721928
095
0
2
0
2
2
0
0
1
0
2
0
1
2
0
0
0
0
0
0,721928
095
0
0
0
0
0
0
0
0
0
0
0
0
MD
LB
LR
4
0
1
0
0
1
4
0
0
Total
10
8
2
0
0
0
0,721928
095
Waktu
Ke jadian
Dini hari
1
1
0
0,721928
095
0,397416
845
Pagi
4
3
1
Siang
1
1
0
Malam
4
3
1
3
0
3
0
0
0
0
0,811278
124
0
0,811278
124
0,321928
095
0
0
4
2
2
1
0
0
0
0
3
3
0
0
0
0,721928
095
0
Baik
10
8
2
Rusak
Posisi
Kecelakaan
Tunggal
Depan Depan
Depan Belakang
0
0
0
1
2
0
1
1
0
0
1
0
Depan Samping
4
3
1
0
0
0
0
1
2
1
2
0
0
0
0
MD
LB
LR
1
0
4
0
0
4
1
0
0
Total
6
4
2
0
0
0
0,918295
834
Dini hari
Pagi
Siang
1
1
1
1
1
1
0
0
0
Malam
3
1
2
1
0
0
0
1
0
0,397416
845
0
1
0
0,811278
124
0,721928
095
Korban
4
6
1
0
2
Samping
Samping
Tabrak Lari
Tabrak Manusia
0,918295
834
0
Korban
2
Gain
0,985228
136
Waktu
Ke jadian
1
0
0
Kendaraan
yang Terlibat
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Permukaan
Jalan
Tabel 4 Hasil Perhitungan Node 1 Tahun 2016
Jumlah
Kasus
2
0
2
Korban
)
,
Pagi
Siang
Malam
Kendaraan
yang Terlibat
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Permukaan
Jalan
0
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Nama
Jalan
Jalan
Prof M.
Yamin
Waktu
Ke jadian
Kendaraan
yang Terlibat
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Permukaan
Jalan
0,459147
917
0
0
0
0,918295
834
0,584962
501
0
0
2
1
1
1
0
0
0
0
3
3
0
0
0
0,918295
834
0
Baik
6
4
2
Rusak
Posisi
Kecelakaan
Tunggal
Depan Depan
Depan Belakang
0
0
0
1
1
0
0
1
0
1
0
0
Depan Samping
4
3
1
0
0
0
0
0
0
0
0
0
0
0
0
Samping
Samping
Tabrak Lari
Tabrak Manusia
0,377443
751
0
0
0
0,811278
124
103
Oktavia, Sutardi dan Nangi IJCCSISSN: 1978-1520
0,721928
095
Korban
5
Nama
Jalan
Jalan
MT.
Haryono
MD
LB
LR
1
1
4
0
0
4
1
1
0
Total
7
5
2
0
0
0
0,863120
569
Waktu
Ke jadian
1
1
0
Pagi
3
2
1
Siang
3
2
1
Malam
Kendaraan
yang Terlibat
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda dua
Kondisi
Permukaan
Jalan
Baik
0
0
0
0
0,918295
834
0,918295
834
0
2
0
0
0
2
0
0
0
2
2
0
0
0
0
0
0
3
3
0
0
Rusak
Posisi
Kecelakaan
Tunggal
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
Tabrak Lari
Tabrak Manusia
Nama
Jalan
Jl.
Abdullah
Silondae
– Jl.
TebeuNu
nggu
0
7
5
2
0
1
1
1
0
1
1
1
0
0
0
0
Jalan beraspal,
arus lalu lintas
sepi.
0
Siang
hari,
trafig
light
berfungsi,
persimpanganj
alan
lurus
beraspal, arus
lalu
lintas
ramai.
Pagi
hari,
jalan
menikung
beraspal, arus
lalu
lintas
agak
ramai,
pandangan
terhalang.
Malam hari,
jalan
agak
menikung
beraspal, arus
lalu
lintas
ramai lancar,
lampu
penerang jalan
tidak
berfungsi.
Pagi
hari,
perempatan
jalan
lurus
beraspal,
pandangan
agak
terhalang, arus
lalu
agak
ramai.
Siang
hari,
situasi
arus
lalu
lintas
sepi.
Pagi
hari,
pertigaan jalan
lurus beraspal,
pandangan
agak
terhalang, arus
lalu
lintas
ramai lancar.
3
Jalan Prof.
M. Yamin
6
Jalan Sultan
Hasanudin
5
Perempatan
Jalan
Abdullah
Silondae
8
Jalan
Pattimura
0
Jalan
ZA.
Sugianto
5
0,863120
569
1
0
0
1
0
0
2
0
0
MD
LB,LR
LR
1
1
5
0
0
5
1
1
0
Total
4
3
1
0
0
0
0,811278
124
0,863120
569
Waktu
Ke jadian
0,122556
249
Dini hari
Pagi
0
0
0
0
0
0
Siang
3
2
1
Malam
Kendaraan
yang Terlibat
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Permukaan
Jalan
1
1
0
0
0
0,918295
834
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
3
1
0,811278
124
0
Baik
4
3
1
Rusak
Posisi
Kecelakaan
Tunggal
Depan Depan
Depan Belakang
0
0
0
0
0
0
0
0
0
0
0
0
0,811278
124
0
4
3
1
0
0
0
0
0
0
0
0
0
1
0
0
1
0
3
0
0
3
1
0
0
0
0
0
Tahun
Nama Jalan
Kejadian
Pe nyebab Laka
Jalan Sao-sao
0
Jalan
beraspal
diperlebar.
Lurus
dan
Jalan Kapten
Piere Tendean
14
Siang hari, jalan
beraspal
menikung,
arus
lalu lintas sedang.
Jalan
MT.
Haryono
8
Siang hari, jalan
lurus
beraspal,
jalur dua, arus lalu
lintas padat
Jalan Prof. M.
Yamin
6
Malam hari, jalan
lurus
beraspal,
arus lalu lintas
sedang,
penerangan jalan
tidak berfungsi.
Jalan Sultan
Hasanudin
0
Malam hari jalan
beraspal, arus lalu
lintas sepi.
Perempatan
Jalan
Abdullah
Silondae
4
Cuaca
Cerah,
perempatan jalan
Situasi arus lalu
lintas ramai.
Jalan
Pattimura
10
Siang hari, jalan
lurus
beraspal,
situasi arus lalu
lintas ramai.
Jalan
ZA.
Sugianto
5
Pagi hari, jalan
berapal
lurus,
pandangan bebas.
Setelah menampilkan data kecelakaan
pada tahun 2015 dan tahun 2016, kemudian
memprediski data kecelakaan untuk tahun
2017. Hal yang dilakukan yaitu menentukan
nilai k, nilai k yang digunakan sebagai contoh
adalah k = 2.
0
0
0
0
0,811278
124
−
( 2017) =
4+ 0
=
4
2
= 2
Tabel 6 menunjukkan hasil prediksi untuk
tahun 2016.
0,811278
124
Korban
MD
LB
LR
Jalan MT.
Haryono
0
0
0
0
1
Samping
Samping
Tabrak Lari
Tabrak Manusia
4
0
0,863120
569
1
2
Depan Samping
Sao-
Jalan Kapten
Piere
Tendean
0
0
Korban
6
Jalan
sao
Dua
Tahun 2016
Pe nye bab
Laka
Jalan
lurus
beraspal, arus
lalu
lintas
agak ramai.
Kejadian
0,863120
569
0
Kecelakaan
Tahun 2015
Nama Jalan
0,469565
211
Dini hari
Tabel 5 Data
Sebelumnya
Setelah itu membandingkan data tahun
2015 dengan data tahun 2016, untuk
memprediksikan data kecelakaan untuk tahun
2017.
Tabel 5 menunjukkan tabel data
kecelakaan untuk dua tahun sebelumnya yaitu
tahun 2015 dan 2016.
Tabel 6 Hasil Prediksi untuk Tahun 2017
Tahun 2015
Nama Jalan
Kejadian
Jalan Sao-sao
4
Jalan Kapten
0
Piere Tendean
Jalan MT.
3
Haryono
Jalan Prof. M.
6
Yamin
Jalan Sultan
5
Hasanudin
Tahun 2016
Nama Jalan
Kejadian
Jalan Sao-sao
0
Jalan Kapten
14
Piere Tendean
Jalan MT.
8
Haryono
Jalan Prof. M.
6
Yamin
Jalan Sultan
0
Hasanudin
Perempatan
Jalan Abdullah
Silondae
8
Perempatan
Jalan Abdullah
Silondae
4
Jalan Pattimura
0
Jalan Pattimura
10
Jalan ZA.
Sugianto
5
Jalan ZA.
Sugianto
5
Prediksi Tahun 2017
Nama Jalan
Kejadian
Jalan Sao-sao
2
Jalan Kapten
7
Piere Tendean
Jalan MT.
5,5
Haryono
Jalan Prof. M.
6
Yamin
Jalan Sultan
2,5
Hasanudin
Perempatan
Jalan
Abdullah
Silondae
Jalan
Pattimura
Jalan ZA.
Sugianto
6
5
5
Title of manuscript is short and clear, implies research results (First Author)
Implementasi Data Mining untuk Menentukan Daerah Rawan Kecelakaan…
104
Berdasarkan Tabel 6 hasil prediksi
tertinggi untuk tingkat kecelakaan pada tahun
2017 yaitu Jalan Kapt Piere Tendean, jadi
diprediksikan
jumlah
kejadian
untuk
tahun2017 pada Jalan Kapt Piere Tendean
sebanyak 7 kali.
Gambar 3 menunjukkan google maps
dalam menentukan daerah rawan kecelakaan.
Gambar 3. Google Maps dalam menentukan
Daerah Rawan Kecelakaan
dengan Algoritma Apriori. University
Research Colloquium 2015. ISSN 24079189.
[2]
Harahap, C. 2013. Perancangan Aplikasi
Prediksi Kecelakaan Lalu Lintas di
Percut Sei Tuan dengan menggunakan
Algoritma Apriori.Pelita Informatika
Budi Darma. ISSN :2301-9425.
[3]
Prahasta, E. 2009. Sistem Informasi
Geografis
Konsep-Konsep
Dasar,
Bandung.
[4]
Aradea. 2011. Pemodelan Requirements
dalam Mengkontruksi Perangkat Lunak
Self-Adaptive. Jurnal Ilmiah Teknologi
Informasi Terapan.
[5]
Sulistiono, H. 2015. Kajian Penerapan
Algoritma C4.5, Neural Network dan
Naive
Bayes
untuk
Klasifikasi
Mahasiswa yang Bermasalah dalam
Registrasi.
Universitas
Indraprasta
PGRI. ISSN: 1979-276.
[6]
Whisnu, 2012, GPS pada android,
Jasakom, Jakarta.
[7]
Ambler, S. 2005. A Manager’s
Introduction to The Rational Unified
Process (RUP).
4. KESIMPULAN
Berdasarkan
hasil
penelitian
ini,dapatdisimpulkan bahwa :
1. Sistem dapat menentukan daerah rawan
kecelakaan di wilayah Kota Kendari yang
lebih prioritas.
2. Metode pohon keputusan menggunakan
Algoritma C4.5 dapat membantu dalam
menentukan daerah rawan kecelakaan.
5. SARAN
Adapun saran penulis untuk penelitian
ini yaitu:
1. Dalam penelitian ini menggunakan
algoritma C4.5, diharapkan dalam
penelitian selanjutnya masalah ini
diselesaikan dengan algoritma lain seperti
apriori, K-Means dan lain-lain.
2. Sistem ini masih banyak kekurangan dan
keterbatasannya dalam mengolah data
kecelakaan sehingga diharapkan kepada
para
membaca
untuk
dapat
mengembangkannya lebih baik lagi.
DAFTAR PUSTAKA
[1]
Hakim, L. 2015. Penentuan Pola
Hubungan Kecelakaan Lalu Lintas
menggunakan Metode Association Rules
IJCCS Vol. x, No. x, July 201x : first_page – end_page
ISSN: 2502-8928 (Online)
95
IMPLEMENTASI DATA MINING UNTUK
MENENTUKAN DAERAH RAWAN KECELAKAAN
MENGGUNAKAN ALGORITMA C4.5
Rezki Oktavia*1, Sutardi2, Jumadil Nangi3
Jurusan Teknik Informatika, Fakultas Teknik, Universitas Halu Oleo, Kendari
e-mail : *1rezkioktavia19@gmail.com, 2sutardi_hapal@yahoo.com, 3jumadilnangi87@gmail.com
*1,2,3
Abstrak
Kecelakaan lalu lintas merupakan salah satu permasalahan global yang membutuhkan
penanganan yang serius. Kecelakaan terjadi di berbagai tempat dengan waktu kejadian yang berbeda,
hal ini menyebabkan sulitnya menentukan daerah mana yang memiliki tingkat kerawanan kecelakaan
lalu lintas. Tujuan penelitian Daerah Rawan Kecelakaan di wilayah Kota Kendari ini yaitu untuk
meningkatkan aspek keselamatan masyarakat dan dapat dijadikan bahan pertimbangan untuk
pengawasan maupun tindakan antisipasi khususnya bagi kepolisian pada lokasi studi.
Pemodelan daerah rawan kecelakaan berbasis Web Sistem Informasi Geografis dilakukan
dengan software GIS. Metode yang digunakan adalah Decesion Tree menggunakan Algoritma
C4.5,dimana membuat pohon keputusan untuk menentukan kerawanan suatu daerah. Hasil dari
penelitian ini adalah aplikasi yang menentukan tentang daerah-daerah mana yang termaksud rawan
kecelakaan di Kota Kendari beserta analisis data serta pemetaan daerah rawan kecelakaan.
Rekomendasi studi penelitian ini yaitu Pemerintah harus memperhatikan faktor keselamatan
pengguna jalan denganmemasang rambu-rambu lalu lintas dan fasilitas keamanan lainnya di Lokasi
studi yang rawan kecelakaan.
Kata kunci—Algoritma C4.5, Kecelakaan Lalu Lintas, SIG
Abstract
Traffic accident are one of the global issues that require serious handling. Accidents occur in
different place with different time events, this make it difficult to determine which areas that have the
level of vulnerabilityon traffic accident. The purpose of the study of accident-prone are as in Kendari
city was to improve the public safety aspect and it can be used as consideration for supervision and
anticipatory action especially for the police in the study area.
The modeling of accident prone Web-based Geographic Information System were done by
GIS software. The method used was Decesion Tree using C4.5 algorithm, which makes decesion tree
to determine the vulnerability of a region. The result of this study were the applications that determine
which areas are prone to accidents in Kendari city along with data analysis and mapping of accident
prone areas.
Recommendations this research study namely, the government should pay attention to the safety
of road users by installing traffic signs and all the other security in the study locations are avvidentprone.
Keywords— C4.5 Algorithm, Traffic Accident, GIS
1. PENDAHULUAN
ecelakaan lalu lintas menurut UU RI
No. 22 tahun 2009 adalah suatu
peristiwa di jalan raya tidak diduga dan
tidak disengaja melibatkan kendaraan dengan
atautanpa pengguna jalan lain yang
K
mengakibatkan korban manusia dan kerugian
harta benda.Kecelakaan lalu lintas berada pada
posisi 3 besar penyebab kematian. Secara
statistik, angka kecelakaan lalu lintas dominan
meningkat dari tahun ke tahun. Dibandingkan
tahun sebelumnya [1].
Received June 1st ,2012; Revised June 25th, 2012; Accepted July 10th, 2012
96
Implementasi Data Mining untuk Menentukan Daerah Rawan Kecelakaan…
Walaupun faktor manusia merupakan
faktor penyebab utama pada mayoritas
kejadian kecelakaan, namun mengingat
karakteristik dan perilaku manusia yang
bervariasi secara alamiah maka tidaklah
mudah mempelajari pengaruh faktor manusia
pada kejadian kecelakaan serta tidak ada
tindakan penanggulangan yang dapat secara
efektif diterapkan pada pengguna jalan. Oleh
sebab itu, strategi penanggulangan kecelakaan
umumnya diarahkan pada penerapan tindakan
perbaikan teknis pada infrastruktur jalan guna
mengurangi kemungkinan pengguna jalan
(pengemudi)
membuat
kesalahan
dan
membuat lingkungan jalan lebih dapat
mentolelir kesalahan yang dibuat pengguna
jalan (pengemudi).Kecelakaan akan cendrung
meningkat apabila arus jalan yang digunakan
juga meningkat pada saat pengendara sedang
aktifberaktifitas. Dari banyak faktor penyebab
kecelakaan lalu lintas, faktor kesalahan
pengendara masih merupakan faktor utama
[2].
Kota Kendari merupakan salah satu kota
di Provinsi Sulawesi Tenggara yang tiap
tahunnya jumlah penduduknya bertambah,
menyebabkan kebutuhan akan transportasi
juga
semakin
meningkat.Secara
tidak
langsung,
akan
memperbesar
resiko
tumbuhnya permasalahan lalu lintas, seperti
kemacetan dan kecelakaan, yang akan
berdampak pada turunnya kinerja pelayanan
jalan, serta berakibat timbulnya rawan
kecelakaan.
Muhammad Syaeful Fajar dan Feddy
Setyo Pribadi meneliti tentang Analisis
Kecelakaan Lalu Lintas Jalan Raya di Kota
Semarang menggunakanMetode K-Means
Clustering. Hasil yang diperoleh daripenelitian
ini adalah Dari hasil analisis pemetaan
penyebab kecelakaan diperoleh umur pelaku
dalam kategori berbahaya, yaitu rentang umur
18-24 tahun. Faktor pengemudi dengan
persentase rata-rata 96,57% dan terjadi pada
hari kerja dengan persentase rata-rata 67,33%
pada semua cluster.Dari data tersebut disusun
dalam database berbasis Sistem Informasi
Analisis Data Kecelakaan yang menggunakan
perangkat lunak berbasis web untuk
pembentukan kmeans clustering, pemetaan
data, editing variabel dan melakukan fungsi
analisis kmean clustering.
Eriza Siti Mulyani, Muhammad Arsah
dan Novel Simatupang meneliti tentang
Pemodelan Spasial Tingkat Kerawanan
Kecelakaan Lalu Lintas di Kota Depok. Hasil
yang diperoleh dari penelitian ini adalah Salah
satu permasalahan dalam transportasi adalah
kecelakaan lalu lintas, hal ini pada umumnya
terjadi ketika sarana transportasi, baik dari segi
jalan, kendaraan, dan sarana pendukung
lainnya
belum
mampu
mengimbangi
perkembangan yang ada di masyarakat.
Berdasarkan uraian tersebut, akan
dilakukanpenelitiantentang“Implementas Data
Mining untuk Menentukan Daerah Rawan
Kecelakaan menggunakan Algoritma C4.5”
2. METODE PENELITIAN
2.1
Sistem Informasi Geografis (GIS)
Pengertian geografis dapat disimpulkan
sebagai suatu ilmu yang mempelajari tentang
lokasi di mana suatu objek terletak di
permukaan bumi beserta keterangan objek
tersebut. SIG dapat berfungsi sebagai bank
data terpadu, yaitu dapat memandu data
spasial dan non spasial dalam suatu basis data
terpadu [3].
2.2
Data Mining
Data Mining (DM) adalah salah satu
bidang yang berkembang pesat karena
besarnya kebutuhan akan nilai tambah dari
database dengan skala besar. DM adalah
serangkaian proses untuk menggali nilai
tambah berupa pengetahuan yang selama ini
tidak diketahui secara manual dari suatu
kumpulan data. DM memiliki hubungan dari
bidang ilmu seperti artificial intelligent,
machine learning, statistik dan database [4].
2.3 Metode
Decesion
Tree
(Pohon
Keputusan)
Pohon keputusan merupakan metode
klasifikasi dan prediksi yang sangat kuat dan
terkenal. Metode pohon keputusan mengubah
fakta yang sangat besar menjadi pohon
keputusan yang merepresentasikan aturan.
Pohon
keputusan
merupakan
metode
klasifikasi dan prediksi yang sangat kuat dan
terkenal. Metode pohon keputusan mengubah
fakta yang sangat besar menjadi pohon
keputusan yang merepresentasikan aturan [5].
2.4
Algoritma C4.5
Algoritma
C4.5
secara
rekursif
mengunjungi tiap simpul keputusan, memilih
percabangan optimal, sampai tidak ada cabang
lagi yang mungkin dihasilkan. Secara umum
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Oktavia, Sutardi dan Nangi IJCCSISSN: 1978-1520
algoritma C4.5 untuk membangun pohon
keputusan adalah sebagai berikut :pilih atribut
sebagai akar, buat cabang untuk tiap-tiap nilai,
bagi kasus dalam cabang, dan ulangi proses
untuk setiap cabang sampai semua kasus pada
cabang memiliki kelas yang sama.
a. Konsep Entropy
Konsep entropy yaitu :
1. Entropy (S) merupakan jumlah bit yang
diperkirakan dibutuhkan untuk dapat
mengekstrak suatu kelas (+ atau -) dari
sejumlah data acak pada ruang sampel S.
2. Entropy
dapat
dikatakan
sebagai
kebutuhan bit untuk menyatakan suatu
kelas.
3. Entropy digunakan untuk mengukur
ketidakaslian S.
Persamaan (1) menunjukkan perhitungan
nilai Entropy.
( ) = ∑
−
∗ log
(1)
Keterangan :
log2 bisa diartikan sebagai berikut =
log2 ( ) = ln ( ) / ln( 2)
= Himpunan Kasus
= Fitur
= Jumlah Partisi
= Proporsi dari terhadap
b. Konsep Gain
Konsep Gain yaitu :
1. Gain
(S,A)
merupakan
perolehan
informasi dari atribut A relative terhadap
output data S.
2. Perolehan informasi didapat dari output
data atau variable dependent S yang
dikelompokkan berdasarkan atribut A,
dinotasikan dengan gain (S,A).
Untuk memilih atribut sebagai akar,
didasarkan pada nilai gain tertinggi dari
atribut-atribut yang ada. Persamaan (2)
menunjukkan perhitungan nilai Gain.
( , ) =
( ) −∑
|
| |
|
∗
(
Keterangan :
= Himpunan Kasus
= Atribut
= Jumlah Partisi Atribut
| | = Jumlah Kasus pada Partisi ke-i
| | = Jumlah Kasus dalam
) (2)
97
2.5
Google Maps
Google Maps adalah peta online atau
membuka peta secara online, dapat dilakukan
secara mudah melalui layanan gratis dari
Google. TampilanGoogle Mapspun dapat
dipilih, berdasarkan foto asli atau peta gambar
rute saja. Google Maps adalah layanan gratis
yang diberikan oleh Google dan sangatpopular
[6].
2.6
Rational Unified Process (RUP)
Rational Unified Process (RUP)
merupakan suatu metode rekayasa perangkat
lunak
yang
dikembangkan
dengan
mengumpulkan berbagai best practises yang
terdapat dalam industri pengembangan
perangkat lunak. Ciri utama metode ini adalah
menggunakan use case driven dan pendekatan
iteratif untuk siklus pengembangan perangkat
lunak [7].
Fase RUP yaitu :
1. Inception/Insepsi
a. Menentukan ruang lingkup proyek.
b. Membuat Business Case.
c. Menjawab pertanyaan “apakah yang
dikerjakan dapat menciptakan good
business sense” sehingga proyek dapat
dilanjutkan.
2. Elaboration/Elaborasi
a. Menganalisa berbagai persyaratan dan
resiko.
b. Menetapkan base line.
c. Merencanakan fase berikutnya yaitu
construction.
3. Construction/Konstruksi
a. Melakukan sederetan iterasi.
b. Pada setiap iterasi akan melibatkan
proses berikut: analisa desain,
implementasi, dan testing.
4. Transition/Transisi
a. Membuat apa yang sudah dimodelkan
menjadi suatu produk jadi.
b. Dalam fase ini dilakukan:
1. Beta dan performance testing.
2. Membuat dokumentasi tambahan
seperti: training, user guides, dan
sales kit.
3. Membuat rencana peluncuran
produk ke komunitas pengguna.
Title of manuscript is short and clear, implies research results (First Author)
98
Implementasi Data Mining untuk Menentukan Daerah Rawan Kecelakaan…
3. HASIL DAN PEMBAHASAN
3.1
AnalisaSistem
Analisis sistem merupakan suatu
tahapan yang bertujuan untuk mengetahui dan
mengamati apa saja yang terlibat dalam suatu
sistem. Pembahasan yang ada pada analisis
sistem ini yaitu analisis masalah, analisis
kebutuhan fungsional dan analisis kebutuhan
nonfungsional.
1. Uji Coba dalam Menetukan Daerah
Rawan Kecelakaan
Pengklasifikasian yang dilakukan dengan
menggunakan 6 atribut sebagai kriteria dalam
menentukan daerah rawan kecelakaan di
wilayah Kota Kendari. Atribut yang digunakan
dalam penelitian ini adalah nama lokasi, waktu
kecelakaan, korban, posisi kecelakaan, kondisi
permukaan jalan, dan atribut yang terakhir
kendaraan yang terlibat.
3.2
Analisa Masalah
Berdasarkan studi literatur dan hasil
observasi yang dilakukan, dari hasil
pengamatan diperoleh permasalahan yaitu
kurang inisiatifnya pihak Polres Kendari untuk
membuat informasi tentang daerah-daerah
yang rawan kecelakaan lalu lintas di wilayah
kota Kendari.
3.3
Use Case Diagram
Gambaran
Use
Case
ditunjukan pada Gambar 1.
Diagram
Gambar 2. Flowchart Sistem
Tabel 1 menunjukkan tabel daftar data
blackspot tahun 2015.
Tabel 1 Daftar Data Blackspot Tahun 2015
Gambar 1. Use Case Diagram
3.4
Perancangan Sistem
Tujuan utama dari perancangan sistem
adalah memberikan gambaran perancangan
sistem
yang
akan
dibangun
atau
dikembangkan serta untuk memahami alur
informasi dan proses dalam sistem.
Gambaran flowchart sistem ditunjukan pada
Gambar 2.
Implementasi dan Pengujian Sistem
Dalam bab ini dibahas mengenai
pembuatan program dan hasil uji coba
program
yang
telah
dirancang
dan
diimplementasikan dengan menggunakan web
browser dan xampp . Uji coba dilakukan untuk
mengetahui apakah program dapat berjalan
sebagaimana mestinya dengan lingkungan uji
coba yang telah ditentukan serta dilakukan
sesuai dengan skenario uji coba.
No
Kec.
1
Kadia
2
Kadia
3
Kadia
4
Kadia
5
Kadia
6
Kadia
7
Kadia
3.5
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Nama
Jalan
Jalan Saosao depan
Kantor
BPK
Jalan Saosao depan
perumaha
n
Kejaksaa
n
Jalan Saosao
Pertigaan
STM
Jalan SaoSaodekat
Kantor
Pajak
Jl. MT
Haryono Jl. Laode
Hadi (
Lampu
Merah
Pasar
Baru)
Jl. MT
Haryono Jl. Laode
Hadi (
Lampu
Merah
Pasar
Baru)
Jl. MT
Haryono Jl. Laode
Hadi (
Lampu
Merah
Pasar
Baru)
Wak
tu
Keja
dian
Ke ndara
an yang
Te rlibat
Permu
kaan
Jalan
Posisi
Kecela
kaan
Korb
an
(Bob
ot)
Hasil
Siang
Roda
empat
Baik
Tabrak
manusi
a
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
Baik
Tabrak
lari
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
vs Roda
empat
Rusak
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
vs Roda
empat
Rusak
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
vs Roda
dua
Rusak
Depan
belakan
g
2
(LB)
Kecela
kaan
berat
Siang
Roda dua
vs Roda
empat
Rusak
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
vs Roda
empat
Rusak
Depan
sampin
g
2
(LB)
Kecela
kaan
berat
Kondisi
Oktavia, Sutardi dan Nangi IJCCSISSN: 1978-1520
8
9
Mand
onga
Mand
onga
10
Mand
onga
11
Mand
onga
12
Mand
onga
13
Mand
onga
14
Mand
onga
15
Mand
onga
16
Mand
onga
17
Mand
onga
18
Mand
onga
19
Mand
onga
20
Mand
onga
21
Puwat
u
22
Puwat
u
23
Puwat
u
24
Puwat
u
25
Puwat
u
26
Puwat
u
27
Kend
ari
Barat
28
Kend
ari
Barat
29
Kend
ari
Barat
Jalan ZA.
Sugianto
dekat
SPBU
Tapak
Kuda
Jalan ZA.
Sugianto
depan
SPBU
Tapak
Kuda
Jl. ZA.
Sugianto
dekat
SPBU
Tapak
Kuda
Jalan
Brigjend
Z.A
Sugianto
Jalan Z.A
Sugianto
Kota
Kendari.(
depan
SPBU
tapak
Kuda)
Perempat
an jalan
Abdulah
Silondae Tebau
Nunggu
Perempat
an jalan
abdullah
silondae –
abunawas
Perempat
an Jalan
Abdullah
Silondae Made
Sabara
Perempat
an Jalan
Abd.Silon
daeTebau
nunggu
Perempat
an Jalan
Abdullah
Silondae
Made
Sabara
Perempat
an Jalan
Abdullah
Silondae Made
Sabara
Perempat
an Jalan
Abdullah
Silondae
– Made
Sabara
Perempat
an jalan
Abd.
Silondae Made
Sabara
Jalan
Pprof. M.
Yamin
Jl. M.
Yamin
dekat
Terminal
Puuwatu
Jalan
Prof. M.
Yamin
dekat Pos
Pol
Jalan Prof
M.Yamin
Jalan
Muh.
Yamin
depan
terminal
Jalan M.
Yamin
depan
Kantor
Camat
Jalan
Sultan
Hasanudd
in dekat
Hotel
Sultra
Jalan
Sultan
Hasanudd
in
Jalan
Sultan
Hasanudd
in
Mala
m
Roda dua
vs Roda
empat
Baik
Depan
Depan
1
(LR)
Kecela
kaan
sedang
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Baik
Depan
Depan
3
(MD)
Kecela
kaan
berat
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
vs Roda
dua
Baik
Tabrak
lari
1
(LR)
Kecela
kaan
sedang
Dini
hari
Roda
empat vs
Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Mala
m
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Mala
m
Roda
empat vs
Roda
empat
Baik
Depan
sampin
g
3
(LB,
LR)
Kecela
kaan
berat
Pagi
Roda dua
vs Roda
empat
Baik
Depan
sampin
g
5
(MD,
LB)
Kecela
kaan
berat
Pagi
Roda dua
Baik
Tabrak
lari
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
vs Roda
dua
Baik
Depan
sampin
g
2
(LB)
Kecela
kaan
berat
Mala
m
Roda dua
vs Roda
dua
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
vs Roda
dua
Baik
Depan
sampin
g
1
(LR)
Kecela
kaan
sedang
Pagi
Roda dua
Baik
Tabrak
manusi
a
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
vs Roda
empat
Baik
Depan
Depan
3
(LB,
LR)
Kecela
kaan
berat
Roda dua
vs Roda
dua
Baik
Dini
hari
Roda dua
vs Roda
dua
Pagi
Pagi
30
Kend
ari
Barat
31
Kend
ari
Barat
Roda dua
Baik
Tabrak
lari
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
Baik
Tabrak
manusi
a
3
(MD)
Kecela
kaan
berat
Dini
hari
Roda dua
vs Roda
dua
Baik
Depan
Depan
1
(LR)
Kecela
kaan
sedang
Pagi
Roda
empat
Baik
Tabrak
manusi
a
1
(LR)
Kecela
kaan
sedang
Siang
Roda dua
Baik
Tabrak
manusi
a
1
(LR)
Kecela
kaan
sedang
2. Data Mining dengan Menggunakan
Algoritma C4.5
Tahapan selanjutnya adalah melakukan
proses pengolahan Data Miningdengan
menggunakan algoritma C4.5. Pengolahan
Data Mining dengan menggunakan algoritma
C4.5 dilakukan dengan perhitungan Entrophy
dan Gain untuk menentukan akar (root) dari
pohon keputusan.
Langkah-langkah
pengolahan
Data
Miningdengan menggunakan algoritma C4.5
adalah sebagai berikut :
a. Pilih atribut sebagai akar
Data dikelompokkan terlebih dahulu
dengan menghitung jumlah kasus, jumlah
kasus untuk data yang berpotensi tinggi,
sedang dan rendah. Selanjutnya dihitung nilai
Entrophy dan Gain dari semua atribut. Untuk
menentukan akar ditentukan dari nilai Gain
tertinggi.
b. Buat cabang untuk tiap-tiap nilai
c. Bagi kasus dalam cabang
d. Ulangi proses untuk setiap cabang sampai
semua kasus pada cabang memiliki kelas
yang sama.
Kemudian melakukan perhitungan node
untuk mendapatkan nilai entropy dan nilai
gain dari masing-masing atribut. Perhitungan
Entropy untuk data tahun 2015, yaitu sebagai
berikut :
(
=
=
Siang
Jalan
Sultan
Hasanudd
in
Jalan S.
Hasanudi
n
99
1
3
3
− ∗ l og
1
− ×
)
,
1
(1
3
+ − ∗ log
3
3)
+
( 2)
= 0,918295834
2
2
− ×
3
2
3
(2
3)
( 2)
Tabel 2 menunjukkan tabel
perhitungan node 1 untuk tahun 2015.
hasil
Tabel 2 Hasil Perhitungan Node 1 Tahun 2015
Jumlah
Kasus
Node
1
Nama Jalan
Jalan Sao-sao
Total
Waktu
Kejadian
Dini hari
Pagi
Siang
Malam
Ke ndaraan
yang Terlibat
Roda dua
Roda empat
Potensi
Lokasi
KB
0
Entropy
4
KS
4
0
2
2
0
0
2
2
0
0
0
0
0
0
0
0
0
1
1
1
1
0
0
0
0
Gain
0
0
0
Title of manuscript is short and clear, implies research results (First Author)
Implementasi Data Mining untuk Menentukan Daerah Rawan Kecelakaan…
100
2
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Pe rmukaan
Jalan
Baik
Rusak
Posisi
Ke celakaan
Tunggal
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
Tabrak Lari
Tabrak Manusia
Korban
MD
LB
LR
Nama Jalan
Total
Jl. MT
Haryono - Jl.
Laode Hadi
Waktu
Kejadian
Dini hari
Pagi
0
0
0
0
0
0
0
2
2
0
0
2
2
2
2
0
0
0
0
0
0
0
2
0
0
0
2
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
0
0
0
0
0
0
4
0
0
4
0
0
0
3
1
2
0
0
0
0,918295
834
0
0
0
0
0
0
0
0
Siang
3
1
2
0
0
0
0
0
0,918295
834
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
2
1
1
1
0
0
0
Rusak
3
1
2
0
0
1
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
Nama Jalan
Jalan ZA.
Sugianto
MD
LB
LR
0
2
1
0
0
1
0
2
0
Total
5
4
1
Dini hari
Pagi
Siang
Malam
0
3
0
1
1
0
0
0
0
0
0
0
0
0
3
2
1
0
0
0
0
2
2
0
0
Baik
5
4
1
Rusak
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0,721
9280
95
Korban
4
Nama Jalan
MD
LB
LR
Total
6
0
1
0
0
0
1
0
4
8
0
0
4
6
1
0
0
2
0
0
0
0
0
0
0,918295
834
3
2
1
1
1
0
0
4
3
1
0,811278
124
Baik
8
6
2
Rusak
Posisi
Ke celakaan
Tunggal
Depan Depan
Depan Belakang
0
0
0
0
0
0
0
0
0
0
0
0
Depan Samping
8
6
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0,811278
124
0
0
0
0
0
0,811278
124
0,811
2781
24
Total
6
4
2
0
0
0
0,918295
834
0,918
2958
34
Dini hari
Pagi
Siang
Malam
Ke ndaraan
yang Terlibat
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda dua
Kondisi
Pe rmukaan
Jalan
0
3
2
1
0
3
0
1
0
0
2
0
0
0
0
0
2
0
2
0
0
0
0
0
0,918295
834
0
3
2
1
0
0
0
0
1
0
1
0
Baik
6
4
2
Rusak
Posisi
Ke celakaan
Tunggal
Depan Depan
Depan Belakang
0
0
0
0
1
0
0
0
0
0
1
0
0
0,918295
834
0
0
0
0
0
0,918295
834
3
2
1
0
0
0
0
1
1
1
1
0
0
0
0
0,918
2958
34
Korban
0,721928
095
0
1
0
0
0
Samping
Samping
Tabrak Lari
Tabrak Manusia
0,721
9280
95
0
1
0
2
0
0,918295
834
0
1
0,466
9171
87
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Pe rmukaan
Jalan
Depan Samping
0
0
2
0
2
0
1
Waktu
Kejadian
0
0
0,918295
834
Posisi
Ke celakaan
2
1
Nama Jalan
0,170
9505
94
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Pe rmukaan
Jalan
2
2
Jalan Prof. M.
Yamin
0
0
0
0
Ke ndaraan
yang Terlibat
Tunggal
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
Tabrak Lari
Tabrak Manusia
5
0,721
9280
95
1
3
0
1
Siang
Malam
1
1
0
0
0
0
0,721928
095
Waktu
Kejadian
1
0
0
6
0,918
2958
34
Korban
0
2
1
1
6
0,918
2958
34
0
0
0
1
1
3
MD,LB
LB,LR
LR
0
0,918295
834
0
0
1
2
1
Pagi
Korban
0
Posisi
Ke celakaan
Dini hari
Samping
Samping
Tabrak Lari
Tabrak Manusia
0,918
2958
34
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Pe rmukaan
Jalan
Baik
0,466
9171
87
Waktu
Kejadian
Ke ndaraan
yang Terlibat
0
Ke ndaraan
yang Terlibat
3
Perempatan
Jalan
Abdullah
Silondae
0
Malam
Tunggal
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
Tabrak Lari
Tabrak Manusia
124
0
0
0
0
0,811278
IJCCS Vol. x, No. x, July 201x : first_page – end_page
LB
LB,LR
LR
1
1
4
0
0
4
1
1
0
Nama Jalan
Total
5
4
1
Jalan Sultan
Hasanuddin
Waktu
Kejadian
0
0
0
0,721928
095
0,170
9505
94
Dini hari
Pagi
1
1
1
1
0
0
Siang
3
2
1
Malam
0
0
0
0
0
0,918295
834
0
0,170
9505
94
Ke ndaraan
yang Terlibat
Roda dua
3
2
1
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Pe rmukaan
Jalan
1
1
0
Baik
0,918295
834
0
1
1
0
0
0
0
0
0
0
0
0
0
5
4
1
0,721928
095
0
101
Oktavia, Sutardi dan Nangi IJCCSISSN: 1978-1520
Rusak
0
0
0
0
0,170
9505
94
Posisi
Ke celakaan
Tunggal
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
Tabrak Lari
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
Tabrak Manusia
3
2
1
0
0,918295
834
0,721
9280
95
Korban
MD
LB
LR
1
0
4
0
0
4
1
0
0
0
0
0
Tabel 3 menunjukkan tabel daftar data
blackspot tahun 2016.
No.
1
2
Ke c.
Barug
a
Barug
a
3
Barug
a
4
Barug
a
5
Barug
a
6
Barug
a
7
Barug
a
8
Barug
a
9
Barug
a
10
Barug
a
11
Barug
a
12
Barug
a
13
Barug
a
14
Barug
a
15
Mand
onga
16
Mand
onga
17
Mand
onga
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
Piere
Tendea
n
Jalan
Kapten
piere
tendean
Jalan
Kapten
Piere
Tendea
n
Jalan
Pierre
Tendea
n
Jalan
Pierre
Tendee
an
Jalan
Piere
tendean
depan
RS.
Bahtra
mas
Jalan
ZA.
Sugiant
o
Jalan
ZA.
Sigiant
o
Jalan
ZA.
Sugiant
Wak
tu
Keja
dian
Kenda
raan
yang
Terliba
t
Kondis
i
Permu
kaan
Jalan
Dini
hari
Roda
dua vs
Roda
empat
Baik
Siang
Roda
dua vs
Roda
empat
Baik
Posisi
Kece la
kaan
Korban
(Bobot)
Hasil
Tabrak
lari
2 (LB)
Kecel
akaan
berat
Depan
sampin
g
1 (LR)
Kecel
akaan
sedan
g
Siang
Roda
dua
Baik
Tungga
l
1 (LR)
Kecel
akaan
sedan
g
Pagi
Roda
dua vs
Roda
empat
Baik
Depan
belakan
g
4
(MD,LR)
Kecel
akaan
berat
Mala
m
Roda
dua
Baik
Tungga
l
5
(MD,LB)
Kecel
akaan
berat
Mala
m
Roda
dua
Baik
Tungga
l
2 (LB)
Kecel
akaan
berat
Siang
Roda
dua vs
Roda
empat
Baik
Depan
sampin
g
1 (LR)
Kecel
akaan
sedan
g
Pagi
Roda
dua vs
Roda
empat
Baik
Depan
belakan
g
3 (MD)
Kecel
akaan
berat
1 (LR)
Kecel
akaan
sedan
g
Baik
Tabrak
manusi
a
1 (LR)
Kecel
akaan
sedan
g
Roda
dua
Baik
Tabrak
lari
1 (LR)
Kecel
akaan
sedan
g
Siang
Roda
empat
Baik
Tungga
l
1 (LR)
Pagi
Roda
empat
Baik
Tabrak
lari
Mala
m
Roda
dua vs
Roda
dua
Baik
Mala
m
Roda
empat
vs
Roda
empat
Baik
Depan
sampin
g
3 (MD)
Kecel
akaan
berat
Mala
m
Roda
dua
Baik
Tungga
l
3 (MD)
Kecel
akaan
berat
Dini
hari
Roda
dua
Baik
Tungga
l
3 (MD)
Kecel
akaan
berat
Siang
Roda
dua
Baik
Tungga
l
Siang
Roda
dua
Mala
m
Depan
Depan
1 (LR)
3
(LB,LR)
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
berat
Pagi
Roda
dua vs
Roda
empat
Baik
Depan
belakan
g
1 (LR)
Kecel
akaan
sedan
g
Pagi
Roda
dua
Baik
Depan
sampin
g
3 (MD)
Kecel
akaan
berat
Baik
Depan
sampin
g
1 (LR)
Kecel
akaan
sedan
g
Baik
Depan
sampin
g
3
(LB,LR)
Kecel
akaan
berat
Baik
Depan
Depan
3
(LB,LR)
Kecel
akaan
berat
Baik
Tabrak
manusi
a
1 (LR)
Baik
Depan
Depan
1 (LR)
Baik
Tabrak
lari
1 (LR)
Baik
Depan
sampin
g
1 (LR)
Roda
dua
Baik
Tungga
l
1 (LR)
Roda
dua
Baik
Tabrak
manusi
a
1 (LR)
Baik
Depan
sampin
g
1 (LR)
Baik
Depan
sampin
g
1 (LR)
Baik
Depan
Depan
1 (LR)
18
19
Poasi
a
20
Puwa
tu
Jalan
Pattimu
ra
Mala
m
21
Puwa
tu
Jalan
Pattimu
ra
Pagi
22
Puwa
tu
Jalan
Patimur
a
Mala
m
23
Puwa
tu
Jalan
Patimur
a
Siang
24
Puwa
tu
Jalan
Pattimu
ra
Mala
m
25
Puwa
tu
Jalan
Patimur
a
Dini
hari
26
Puwa
tu
Jalan
Patimur
a
Mala
m
27
Puwa
tu
Jalan
Patimur
a
Pagi
28
Puwa
tu
Jalan
Patimur
a
Pagi
Tabel 3 Daftar Data Blackspot Tahun 2016
Nama
Jalan
o
Jalan
Z.A.
Sugiant
o
Jalan
ZA.
Sugiant
o
Poasi
a
29
Puwa
tu
Jalan
Pattimu
ra
Pagi
30
Puwa
tu
Jalan
Prof M.
Yamin
Pagi
31
Puwa
tu
32
Puwa
tu
33
Puwa
tu
34
Puwa
tu
35
Puwa
tu
36
Kadia
37
Kadia
38
Kadia
39
Kadia
40
Kadia
41
Kadia
42
Kadia
43
Mand
onga
44
Mand
Jalan
Prof.
Muh.
Yamin
Jalan
Prof.
M.
Yamin
Jalan
Prof.M
uh
Yamin
Jalan
M.
Yamin
dekat
Termin
al
Lama
Jalan
M.
Yamin
depan
Kios
Farhat
Jalan
MT.
Haryon
o depan
Lippo
Plaza
Jalan
MT.
Haryon
o
Jalan
MT.
Haryon
o
Jalan
M.T.
Haryon
o
Jalan
M.T.
Haryon
o
Jalan
M.T.
Haryon
o
Jalan
MT.
Haryon
o
Jl.
Abdulla
h
Silonda
e – Jl.
Tebeu
Nunggu
Jl.
Dini
hari
Roda
dua vs
Roda
empat
Roda
dua vs
Roda
dua
Roda
dua vs
Roda
dua
Roda
dua
Roda
dua vs
Roda
empat
Roda
dua vs
Roda
dua
Roda
dua vs
Roda
empat
Roda
dua vs
Roda
dua
Roda
dua vs
Roda
empat
Roda
dua vs
Roda
empat
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Mala
m
Roda
dua
Baik
Tungga
l
2 (LB)
Kecel
akaan
berat
Mala
m
Roda
dua vs
Roda
dua
Baik
Depan
sampin
g
1 (LR)
Kecel
akaan
sedan
g
Siang
Roda
dua vs
Roda
empat
Baik
Depan
sampin
g
1 (LR)
Kecel
akaan
sedan
g
Mala
m
Roda
dua vs
Roda
dua
Baik
Depan
sampin
g
3 (MD)
Kecel
akaan
berat
Pagi
Roda
dua vs
Roda
empat
Rusak
Tabrak
lari
1 (LR)
Kecel
akaan
sedan
g
Siang
Roda
dua
Rusak
Tabrak
manusi
a
3 (MD)
Kecel
akaan
berat
Pagi
Roda
dua
Rusak
Tabrak
manusi
a
3
(LB,LR)
Kecel
akaan
berat
Rusak
Sampin
g
Sampin
g
1 (LR)
Rusak
Depan
Depan
1 (LR)
Rusak
Depan
belakan
g
1 (LR)
Rusak
Depan
sampin
g
1 (LR)
Siang
Dini
hari
Siang
Pagi
Roda
dua vs
Roda
empat
Roda
dua vs
Roda
empat
Roda
dua vs
Roda
dua
Roda
dua vs
Roda
dua
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Kecel
akaan
sedan
g
Siang
Roda
dua vs
Roda
empat
Baik
Depan
sampin
g
1 (LR)
Kecel
akaan
sedan
g
Siang
Roda
Baik
Depan
1 (LR)
Kecel
Title of manuscript is short and clear, implies research results (First Author)
Implementasi Data Mining untuk Menentukan Daerah Rawan Kecelakaan…
102
onga
45
46
dua vs
Roda
empat
Abdulla
h
Silonda
e – Jl.
Tebeu
Nunggu
Jl.
Abdulla
h
Silonda
e – Jl.
Tebeu
Nunggu
Jl.
Abdulla
h
Silonda
e – Jl.
Tebeu
Nunggu
Mand
onga
Mand
onga
sampin
g
Roda
empat
vs
Roda
empat
Siang
Mala
m
Depan
sampin
g
Baik
Roda
dua vs
Roda
empat
akaan
sedan
g
3 (MD)
Depan
sampin
g
Baik
1 (LR)
Kecel
akaan
berat
Kecel
akaan
sedan
g
Kemudian melakukan perhitungan node
untuk mendapatkan nilai entropy dan nilai
gain dari masing-masing atribut. Perhitungan
Entropy untuk data tahun 2015, yaitu sebagai
berikut :
(
=
=
−
−
8
14
8
14
8
∗ log
×
14
+ −
( 8 14)
+
( 2)
= 0,985228136
6
14
−
6
∗ l og
14
×
6
3
14
( 6 14)
( 2)
Tabel 4 menunjukkan tabel
perhitungan node 1 untuk tahun 2016.
Nama
Jalan
Jalan
Patimura
Node
1
Nama
Jalan
Jalan
Kapten
Piere
Tendean
Total
14
Pote nsi
Lokasi
KS
KB
8
6
Entropy
hasi
0,788450
457
Dini hari
1
0
1
Pagi
3
1
2
0
0,918295
834
0
0,812278
124
Siang
6
6
0
Malam
4
1
3
Roda dua
6
4
2
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Permukaan
Jalan
2
2
0
0
0
0
0
0
0
0
0
Kendaraan
yang Terlibat
0,591672
779
2
4
0,918295
834
0
Baik
14
8
6
Rusak
Posisi
Kecelakaan
0
0
0
0,985228
136
0
0,788450
457
Tunggal
5
3
2
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
1
2
2
0
0
2
1
2
0
0
0
0
Tabrak Lari
3
2
1
Tabrak Manusia
1
1
0
0,970950
594
0
0
0
0
0,918295
834
0
0,985228
136
Nama
Jalan
Jalan
Z.A.
Sugianto
MD
LB
LR
MD,LB
MD,LR
LB,LR
1
2
8
1
1
1
0
0
8
0
0
0
1
2
0
1
1
1
Total
5
1
4
0
0
0
0
0
0
0,721928
095
Waktu
Ke jadian
Dini hari
0,321928
095
1
0
1
1
0
0
3
0
0
0
3
0
0
0
0,721928
095
0
0
0
0
1
0
1
0
1
1
0
0
Baik
5
1
4
Rusak
Posisi
Kecelakaan
Tunggal
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
Tabrak Lari
Tabrak Manusia
0
0
0
0,721928
095
0
2
0
2
2
0
0
1
0
2
0
1
2
0
0
0
0
0
0,721928
095
0
0
0
0
0
0
0
0
0
0
0
0
MD
LB
LR
4
0
1
0
0
1
4
0
0
Total
10
8
2
0
0
0
0,721928
095
Waktu
Ke jadian
Dini hari
1
1
0
0,721928
095
0,397416
845
Pagi
4
3
1
Siang
1
1
0
Malam
4
3
1
3
0
3
0
0
0
0
0,811278
124
0
0,811278
124
0,321928
095
0
0
4
2
2
1
0
0
0
0
3
3
0
0
0
0,721928
095
0
Baik
10
8
2
Rusak
Posisi
Kecelakaan
Tunggal
Depan Depan
Depan Belakang
0
0
0
1
2
0
1
1
0
0
1
0
Depan Samping
4
3
1
0
0
0
0
1
2
1
2
0
0
0
0
MD
LB
LR
1
0
4
0
0
4
1
0
0
Total
6
4
2
0
0
0
0,918295
834
Dini hari
Pagi
Siang
1
1
1
1
1
1
0
0
0
Malam
3
1
2
1
0
0
0
1
0
0,397416
845
0
1
0
0,811278
124
0,721928
095
Korban
4
6
1
0
2
Samping
Samping
Tabrak Lari
Tabrak Manusia
0,918295
834
0
Korban
2
Gain
0,985228
136
Waktu
Ke jadian
1
0
0
Kendaraan
yang Terlibat
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Permukaan
Jalan
Tabel 4 Hasil Perhitungan Node 1 Tahun 2016
Jumlah
Kasus
2
0
2
Korban
)
,
Pagi
Siang
Malam
Kendaraan
yang Terlibat
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Permukaan
Jalan
0
IJCCS Vol. x, No. x, July 201x : first_page – end_page
Nama
Jalan
Jalan
Prof M.
Yamin
Waktu
Ke jadian
Kendaraan
yang Terlibat
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Permukaan
Jalan
0,459147
917
0
0
0
0,918295
834
0,584962
501
0
0
2
1
1
1
0
0
0
0
3
3
0
0
0
0,918295
834
0
Baik
6
4
2
Rusak
Posisi
Kecelakaan
Tunggal
Depan Depan
Depan Belakang
0
0
0
1
1
0
0
1
0
1
0
0
Depan Samping
4
3
1
0
0
0
0
0
0
0
0
0
0
0
0
Samping
Samping
Tabrak Lari
Tabrak Manusia
0,377443
751
0
0
0
0,811278
124
103
Oktavia, Sutardi dan Nangi IJCCSISSN: 1978-1520
0,721928
095
Korban
5
Nama
Jalan
Jalan
MT.
Haryono
MD
LB
LR
1
1
4
0
0
4
1
1
0
Total
7
5
2
0
0
0
0,863120
569
Waktu
Ke jadian
1
1
0
Pagi
3
2
1
Siang
3
2
1
Malam
Kendaraan
yang Terlibat
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda dua
Kondisi
Permukaan
Jalan
Baik
0
0
0
0
0,918295
834
0,918295
834
0
2
0
0
0
2
0
0
0
2
2
0
0
0
0
0
0
3
3
0
0
Rusak
Posisi
Kecelakaan
Tunggal
Depan Depan
Depan Belakang
Depan Samping
Samping
Samping
Tabrak Lari
Tabrak Manusia
Nama
Jalan
Jl.
Abdullah
Silondae
– Jl.
TebeuNu
nggu
0
7
5
2
0
1
1
1
0
1
1
1
0
0
0
0
Jalan beraspal,
arus lalu lintas
sepi.
0
Siang
hari,
trafig
light
berfungsi,
persimpanganj
alan
lurus
beraspal, arus
lalu
lintas
ramai.
Pagi
hari,
jalan
menikung
beraspal, arus
lalu
lintas
agak
ramai,
pandangan
terhalang.
Malam hari,
jalan
agak
menikung
beraspal, arus
lalu
lintas
ramai lancar,
lampu
penerang jalan
tidak
berfungsi.
Pagi
hari,
perempatan
jalan
lurus
beraspal,
pandangan
agak
terhalang, arus
lalu
agak
ramai.
Siang
hari,
situasi
arus
lalu
lintas
sepi.
Pagi
hari,
pertigaan jalan
lurus beraspal,
pandangan
agak
terhalang, arus
lalu
lintas
ramai lancar.
3
Jalan Prof.
M. Yamin
6
Jalan Sultan
Hasanudin
5
Perempatan
Jalan
Abdullah
Silondae
8
Jalan
Pattimura
0
Jalan
ZA.
Sugianto
5
0,863120
569
1
0
0
1
0
0
2
0
0
MD
LB,LR
LR
1
1
5
0
0
5
1
1
0
Total
4
3
1
0
0
0
0,811278
124
0,863120
569
Waktu
Ke jadian
0,122556
249
Dini hari
Pagi
0
0
0
0
0
0
Siang
3
2
1
Malam
Kendaraan
yang Terlibat
Roda dua
Roda empat
Roda dua vs
Roda dua
Roda empat vs
Roda empat
Roda empat vs
Roda Dua
Kondisi
Permukaan
Jalan
1
1
0
0
0
0,918295
834
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4
3
1
0,811278
124
0
Baik
4
3
1
Rusak
Posisi
Kecelakaan
Tunggal
Depan Depan
Depan Belakang
0
0
0
0
0
0
0
0
0
0
0
0
0,811278
124
0
4
3
1
0
0
0
0
0
0
0
0
0
1
0
0
1
0
3
0
0
3
1
0
0
0
0
0
Tahun
Nama Jalan
Kejadian
Pe nyebab Laka
Jalan Sao-sao
0
Jalan
beraspal
diperlebar.
Lurus
dan
Jalan Kapten
Piere Tendean
14
Siang hari, jalan
beraspal
menikung,
arus
lalu lintas sedang.
Jalan
MT.
Haryono
8
Siang hari, jalan
lurus
beraspal,
jalur dua, arus lalu
lintas padat
Jalan Prof. M.
Yamin
6
Malam hari, jalan
lurus
beraspal,
arus lalu lintas
sedang,
penerangan jalan
tidak berfungsi.
Jalan Sultan
Hasanudin
0
Malam hari jalan
beraspal, arus lalu
lintas sepi.
Perempatan
Jalan
Abdullah
Silondae
4
Cuaca
Cerah,
perempatan jalan
Situasi arus lalu
lintas ramai.
Jalan
Pattimura
10
Siang hari, jalan
lurus
beraspal,
situasi arus lalu
lintas ramai.
Jalan
ZA.
Sugianto
5
Pagi hari, jalan
berapal
lurus,
pandangan bebas.
Setelah menampilkan data kecelakaan
pada tahun 2015 dan tahun 2016, kemudian
memprediski data kecelakaan untuk tahun
2017. Hal yang dilakukan yaitu menentukan
nilai k, nilai k yang digunakan sebagai contoh
adalah k = 2.
0
0
0
0
0,811278
124
−
( 2017) =
4+ 0
=
4
2
= 2
Tabel 6 menunjukkan hasil prediksi untuk
tahun 2016.
0,811278
124
Korban
MD
LB
LR
Jalan MT.
Haryono
0
0
0
0
1
Samping
Samping
Tabrak Lari
Tabrak Manusia
4
0
0,863120
569
1
2
Depan Samping
Sao-
Jalan Kapten
Piere
Tendean
0
0
Korban
6
Jalan
sao
Dua
Tahun 2016
Pe nye bab
Laka
Jalan
lurus
beraspal, arus
lalu
lintas
agak ramai.
Kejadian
0,863120
569
0
Kecelakaan
Tahun 2015
Nama Jalan
0,469565
211
Dini hari
Tabel 5 Data
Sebelumnya
Setelah itu membandingkan data tahun
2015 dengan data tahun 2016, untuk
memprediksikan data kecelakaan untuk tahun
2017.
Tabel 5 menunjukkan tabel data
kecelakaan untuk dua tahun sebelumnya yaitu
tahun 2015 dan 2016.
Tabel 6 Hasil Prediksi untuk Tahun 2017
Tahun 2015
Nama Jalan
Kejadian
Jalan Sao-sao
4
Jalan Kapten
0
Piere Tendean
Jalan MT.
3
Haryono
Jalan Prof. M.
6
Yamin
Jalan Sultan
5
Hasanudin
Tahun 2016
Nama Jalan
Kejadian
Jalan Sao-sao
0
Jalan Kapten
14
Piere Tendean
Jalan MT.
8
Haryono
Jalan Prof. M.
6
Yamin
Jalan Sultan
0
Hasanudin
Perempatan
Jalan Abdullah
Silondae
8
Perempatan
Jalan Abdullah
Silondae
4
Jalan Pattimura
0
Jalan Pattimura
10
Jalan ZA.
Sugianto
5
Jalan ZA.
Sugianto
5
Prediksi Tahun 2017
Nama Jalan
Kejadian
Jalan Sao-sao
2
Jalan Kapten
7
Piere Tendean
Jalan MT.
5,5
Haryono
Jalan Prof. M.
6
Yamin
Jalan Sultan
2,5
Hasanudin
Perempatan
Jalan
Abdullah
Silondae
Jalan
Pattimura
Jalan ZA.
Sugianto
6
5
5
Title of manuscript is short and clear, implies research results (First Author)
Implementasi Data Mining untuk Menentukan Daerah Rawan Kecelakaan…
104
Berdasarkan Tabel 6 hasil prediksi
tertinggi untuk tingkat kecelakaan pada tahun
2017 yaitu Jalan Kapt Piere Tendean, jadi
diprediksikan
jumlah
kejadian
untuk
tahun2017 pada Jalan Kapt Piere Tendean
sebanyak 7 kali.
Gambar 3 menunjukkan google maps
dalam menentukan daerah rawan kecelakaan.
Gambar 3. Google Maps dalam menentukan
Daerah Rawan Kecelakaan
dengan Algoritma Apriori. University
Research Colloquium 2015. ISSN 24079189.
[2]
Harahap, C. 2013. Perancangan Aplikasi
Prediksi Kecelakaan Lalu Lintas di
Percut Sei Tuan dengan menggunakan
Algoritma Apriori.Pelita Informatika
Budi Darma. ISSN :2301-9425.
[3]
Prahasta, E. 2009. Sistem Informasi
Geografis
Konsep-Konsep
Dasar,
Bandung.
[4]
Aradea. 2011. Pemodelan Requirements
dalam Mengkontruksi Perangkat Lunak
Self-Adaptive. Jurnal Ilmiah Teknologi
Informasi Terapan.
[5]
Sulistiono, H. 2015. Kajian Penerapan
Algoritma C4.5, Neural Network dan
Naive
Bayes
untuk
Klasifikasi
Mahasiswa yang Bermasalah dalam
Registrasi.
Universitas
Indraprasta
PGRI. ISSN: 1979-276.
[6]
Whisnu, 2012, GPS pada android,
Jasakom, Jakarta.
[7]
Ambler, S. 2005. A Manager’s
Introduction to The Rational Unified
Process (RUP).
4. KESIMPULAN
Berdasarkan
hasil
penelitian
ini,dapatdisimpulkan bahwa :
1. Sistem dapat menentukan daerah rawan
kecelakaan di wilayah Kota Kendari yang
lebih prioritas.
2. Metode pohon keputusan menggunakan
Algoritma C4.5 dapat membantu dalam
menentukan daerah rawan kecelakaan.
5. SARAN
Adapun saran penulis untuk penelitian
ini yaitu:
1. Dalam penelitian ini menggunakan
algoritma C4.5, diharapkan dalam
penelitian selanjutnya masalah ini
diselesaikan dengan algoritma lain seperti
apriori, K-Means dan lain-lain.
2. Sistem ini masih banyak kekurangan dan
keterbatasannya dalam mengolah data
kecelakaan sehingga diharapkan kepada
para
membaca
untuk
dapat
mengembangkannya lebih baik lagi.
DAFTAR PUSTAKA
[1]
Hakim, L. 2015. Penentuan Pola
Hubungan Kecelakaan Lalu Lintas
menggunakan Metode Association Rules
IJCCS Vol. x, No. x, July 201x : first_page – end_page