ABSTRAK
Niken Aprillia (11150268),
Penerapan Metode K-Means Untuk
Analisis Faktor Penyebab Kasus Kecelakaan Pada Jalan Tol
Terjadi nya kecelakaan
lalu lintas semakin tinggi yang bisa saja diakibatkan oleh faktor yang memicu
kecelakaan tersebut diantaranya cuaca, lingkungan, kendaraan bahkan pengemudi
itu sendiri. Kecelakaan lalu lintas merupakan peristiwa di jalan raya yang tidak
diduga dan tidak disengaja yang mengakibatkan korban manusia dan kerugian harta
benda. Menganalisa tingkat faktor penyebab terjadinya kecelakaan pada ruas
jalan tol dengan menggunakan metode k-means
dan software rapidminer untuk
mempermudah Assistance Manager T
raffic
Service System dalam mengelompokkan data dengan jumlah
terbilang banyak. K-Means merupakan
salah satu metode clustering
non-hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau
lebih cluster. Hasil dari penelitian
yaitu mengetahui tingkatan faktor penyebab kecelakaan pada jalan tol dari
tingkat tertinggi, sedang, hingga terendah sehingga memudahkan pihak tertentu
dalam menanggulangi kasus kecelakaan berdasarkan faktor-faktor penyebab yang
telah dikelompokkan.
Abstrak
Daftar Pustaka
Daftar Isi
Lembar Judul
DAFTAR PUSTAKA
Anggara, M., Sujiani, H., & Nasution, H. (2016). Pemilihan Distance
Measure Pada K-Means Clustering Untuk Pengelompokkan Member Di Alvaro Fitness.
1(1), 1–6.
Aprianti, W., & Permadi, J. (2018). K-Means Clustering
Untuk Data Kecelakaan Lalu Lintas K-Means Clustering for Highway Traffic
Accident Data in Pelaihari Sub District. 5(5), 613–620.
https://doi.org/10.25126/jtiik2018551113
Azzirrahman, M., Normelani, E., & Arisanty, D. (2015).
Faktor Penyebab Terjadinya Kecelakaan Lalu Lintas pada Daerah Rawan Kecelakaan
di Kecamatan Banjarmasin Tengah Kota Banjarmasin. Jurnal Pendidikan Geografi,
2(3), 20–37.
C.T.I., B. R., Gafar, A. A., Fajriani, N., Ramdanif, U.,
Uyun, F. R., P, Y. P., & Ransi, N. (2017). Implemetasi k-means clustering
pada rapidminer untuk analisis daerah rawan kecelakaan. Seminar Nasional
Riset Kuantitatif Terapan 2017, (April), 58–60.
Eko, W. A. (2016). Implementasi data mining dalam
pengelompokan data peserta didik di sekolah untuk memprediksi calon penerima
beasiswa dengan menggunakan algoritma k- means (studi kasus sman 16 bekasi).
21(3).
Endra, F. (2017). Pengantar Metodologi Penelitian
(Statiska Praktis). zifatama jawara.
Haryati, S., & SudarsonHaryati, S., Sudarsono, A., &
Suryana, E. (2015). Implementasi Data Mining untuk Memprediksi Masa Studi
Mahasiswa Menggunakan Algoritma C4.5. Jurnal Media Infotama, 11(2),
130–138.
Iswari, L., & Ayu, E. G. (2015). Pemanfaatan Algoritma
K-Means Untuk Pemetaan Hasil Klasterisasi Data Kecelakaan Lalu Lintas. Pemanfaatan
Algoritma K-Means Untuk Pemetaan Hasil Klasterisasi Data Kecelakaan Lalu Lintas,
21(1), 1–13. https://doi.org/10.20885/teknoin.vol21.iss1.art7
Lailil muflikhah, dian eka ratna wati, rekyan regasari mardi putri. (2018). DATA
MINING. malang: UB Press.
Prasetyo, E. (2015). TERNYATA PENELITIAN ITU MUDAH (I;
S. Bukhori, ed.). Lumajang: Edunomi.
Rusmin, S., & Sitompul, J. N. (2019). Analisis
Perbandingan Data Mining Mengidentifikasi Pola Keterkaitan Variabel Kecelakaan
Lalu Lintas Di Polresta Kota Medan. 4(1), 39–45.
Sarwandi. (2017). Jago Microsoft Excel 2016 (I; C.
Creative, ed.). jakarta: PT ELEX Media Komputindo.
Sibarani, R. (2018). ALGORITHMA K-MEANS CLUSTERING
STRATEGI PEMASARAN PENERIMAAN MAHASISSWA BARU UNIVERSITAS SATYA NEGARA
INDONDESIA [ ALGORITHMA K-MEANS CLUSTERING STRATEGY MARKETING ADMISSION
UNIVERSITAS SATYA NEGARA INDONESIA ]. 685–690.
Tri Vulandari, R. (2017). Data Mining Teori dan Aplikasi
Rapidminer (1st ed.; Turi, ed.). surakarta: GAVA MEDIA.
Widiarina. (2015). Klastering Data Menggunakan Algoritma
Dynamic K-Means. Klastering Data Menggunakan Algoritma Dynamic K-Means, I(2),
260–265.