PENERAPAN METODE K-MEANS UNTUK ANALISIS FAKTOR PENYEBAB KASUS KECELAAN PADA JALAN TOL

PENERAPAN METODE K-MEANS UNTUK ANALISIS FAKTOR PENYEBAB KASUS KECELAAN PADA JALAN TOL

• By Aprillia, Niken;
• S1- Sistem Infomasi
• 274

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.

 

 

• Katakunci Data Mining,Faktor penyebab kecelakaan, K-Means, RapidMiner
• URL http://
• Penerbit ,

REFERENSI

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.