jurnal - repository.bsi.ac.id · informasi, dan sistem informasi, yang berorientasi pada...
TRANSCRIPT
JURNAL
Diterbitkan Oleh: Pusat Penelitian Pengabdian Masyarakat STMIK Nusa Mandiri Jl. Damai No. 8 (Margasatwa) Pasar Minggu
http://ejournal.nusamandiri.ac.id/index.php/jitk/index
&
VOL. 5. NO. 1 AGUSTUS 2019 P-ISSN: 2685-8223 | E-ISSN: 2527-4864
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
ii
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
VOL. 5. NO. 1 AGUSTUS 2019 P-ISSN: 2685-8223 | E-ISSN: 2527-4864
iii
DEWAN REDAKSI
Penasehat : Ketua STMIK Nusa Mandiri Penanggung Jawab : Ketua PPPM STMIK Nusa Mandiri Editor In Chief : Nurajijah, M.Kom Profile: ID Scopus: 57208282684 | STMIK Nusa Mandiri Associate Editors : Daning Nur Sulistyowati, M.Kom Profile: Scopus ID: 57208283626 | STMIK Nusa Mandiri Esron Rikardo Nainggolan, M.Kom Profile: ID Scopus: 57208281339 | STMIK Nusa Mandiri Board of Editors : Dinar Ajeng Kristiyanti, M.Kom
Profile: Scopus ID: 57191189495 | STMIK Nusa Mandiri
Anggi Oktaviani, M.Kom
Profile: Scopus ID: 57205210550 | STMIK Nusa Mandiri
Mohammad Badrul, M.Kom
Profile: Scopus ID: 57208284399 | STMIK Nusa Mandiri
Sopiyan Dalis, M.Kom
Profile: Scopus ID: 57208282541 | Universitas Bina Sarana Informatika
Rani Irma Handayani, M.Kom
Profile: Universitas Bina Sarana Informatika
Ninuk Wiliani, M.Kom
Profile: Institut Sains & Teknologi Nasional
Nurvi Oktiani, MM
Profile: Universitas Bina Sarana Informatika
Ari Pambudi, M.Kom
Profile: Univ. Indonusa Esa Unggul
Reviewer : Dr. Didi Rosiyadi, M.Kom
Profile: ID Scopus: 55355563700 | Pusat Penelitian Informatika LIPI
Dr. Windu Gata, M.Kom
Profile: Scopus ID: 57193213766 | STMIK Nusa Mandiri
Dr. Sfenrianto, M.Kom
Profile: ID Scopus: 55371811200 | Universitas Bina Nusantara
Dr Hilman Ferdinandus Pardede, S.T, MEICT
Profile: ID Scopus: 55351397700 | Pusat Penelitian Informatika LIPI
VOL. 5. NO. 1 AGUSTUS 2019 P-ISSN: 2685-8223 | E-ISSN: 2527-4864
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
iv
Agung Wibowo, M.Kom
Profile: ID Scopus: 57203100012 | Universitas Bina Sarana Informatika
Taufik Baidawi, M.Kom
Profile: ID Scopus: 57200216518 | Universitas Bina Sarana Informatika
Frieyadie, M.Kom
Profile: ID Scopus: 57200212078| ORCID | STMIK Nusa Mandiri
Sukmawati Anggraeni Putri, M.Kom
Profile: ID Scopus: 57200216199 | STMIK Nusa Mandiri
Sopiyan Dalis, M.Kom
Profile: ID Scopus: 57208282541 | Universitas Bina Sarana Informatika
Bambang Krismono Triwijoyo, M.Kom
Profile: ID Scopus: 57193868829 | STMIK Bumi Gora Mataram
Alamat Redaksi : Kampus STMIK Nusa Mandiri
Jl. Kramat Raya No, 18, Kwitang Senen Jakarta Pusat
Indonesia
Website : http://ejournal.nusamandiri.ac.id/index.php/jitk
Email Redaksi : [email protected] or [email protected]
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
VOL. 5. NO. 1 AGUSTUS 2019 P-ISSN: 2685-8223 | E-ISSN: 2527-4864
v
PRAKATA REDAKSI Redaksi JITK (Jurnal Ilmu Pengetahuan Dan Teknologi Komputer), mengucapakan puji dan syukur kehadirat Allah S.W.T, pencipta alam semesta yang menguasai ilmu seluas langit dan bumi, atas limpahan rahmat dan karunia yang telah diberikan kepada redaksi JITK untuk menerbitkan JITK Vol. 5, No. 1, Agustus 2019 yang digunakan oleh para dosen, meneliti, dan profesional sebagai wadah atau media untuk menerbitkan publikasi temuan-temuam hasil penelitian yang dilakukan disetiap semesternya. JITK diterbitkan 1 (satu) tahun sebanyak 2 (dua) kali disetiap diakhir semester, redaksi JITK menerima artikel ilmiah dari hasil penelitian, laporan/studi kasus, kajian teknologi informasi, dan sistem informasi, yang berorientasi pada kemutakhiran ilmu pengetahuan dan teknologi informasi agar dapat menjadi sumber informasi ilmiah yang mampu memberikan kontribusi dalam perkembangan teknologi informasi yang semakin kompleks. Redaksi mengundang rekan-rekan peneliti, ilmuwan dari berbagai lembaga pendidikan tinggi untuk memberikan sumbangan ilmiah, baik berupa hasil penelitian maupun kajian ilmiah dibidang ilmu manajemen, pendidikan, dan teknologi informasi. Redaksi sangat mengharapkan masukan-masukan dari para pembaca, professional bidang teknologi informasi, atau yang terkait dengan penerbitan, demi makin meningkatnya kualitas jurnal sebagaimana harapan kita bersama. Redaksi berharap semoga artikel-artikel ilmiah yang termuat dalam Jurnal ilmiah JITK bermanfaat bagi para akademisi dan professional yang berkecimpung dalam dunia manajemen, pendidikan, dan teknologi informasi Chief Editor
VOL. 5. NO. 1 AGUSTUS 2019 P-ISSN: 2685-8223 | E-ISSN: 2527-4864
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
vi
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
VOL. 5. NO. 1 AGUSTUS 2019 P-ISSN: 2685-8223 | E-ISSN: 2527-4864
vii
DAFTAR ISI HALAMAN COVER .................................................................................................................................................................................. i DEWAN REDAKSI ................................................................................................................................................................................. iii PRAKATA REDAKSI ............................................................................................................................................................................... v DAFTAR ISI .............................................................................................................................................................................................. vii 1. ANALISIS PENGGUNAAN SISTEM BARCODE UNTUK MENDUKUNG PAPERLESS DALAM
MENINGKATKAN KEUNTUNGAN FINANSIAL DAN OPERASIONAL Danny Ong .................................................................................................................................................................................. 1-6 DOI : https://doi.org/10.33480/jitk.v5i1.587
2. PENERAPAN METODE K-NEAREST NEIGHBOR DAN INFORMATION GAIN PADA KLASIFIKASI
KINERJA SISWA Tyas Setiyorini, & Rizky Tri Asmono .......................................................................................................................... 7-14 DOI : https://doi.org/10.33480/jitk.v5i1.613
3. RANCANG BANGUN SISTEM INFORMASI AKUNTANSI PENJUALAN DENGAN MODEL WATERFALL BERBASIS JAVA DESKTOP Nurul Muthia, Hilda Amalia, Ari Puspita, & Ade Fitria Lestari ...................................................................... 15-22 DOI : https://doi.org/10.33480/jitk.v5i1.582
4. ANALISIS KINERJA ALGORITMA C4.5 DAN NAÏVE BAYES UNTUK MEMPREDIKSI PRESTASI SISWA SEKOLAH MENENGAH KEJURUAN Astrid Noviriandini, & Nurajijah ................................................................................................................................. 23-28 DOI : https://doi.org/10.33480/jitk.v5i1.607
5. SISTEM INFORMASI PENGELOLAAN DATA LAUNDRY PADA RUMAH LAUNDRY BEKASI Susy Rosyida, Verry Riyanto ........................................................................................................................................ 29-36 DOI : https://doi.org/10.33480/jitk.v5i1.611
6. ANALISIS PERFORMA ALGORITMA NAIVE BAYES PADA DETEKSI OTOMATIS CITRA MRI Fajar Akbar, Amin Nur Rais, Irwan Agus Sobari, Robi Aziz Zuama, & Biktra Rudiarto ..................... 37-42 DOI : https://doi.org/10.33480/jitk.v5i1.586
7. SISTEM INFORMASI APLIKASI PELAYANAN PANTI SOSIAL Roida Pakpahan, Yuni Fitriani, & Mahdiyyah ....................................................................................................... 43-48 DOI : https://doi.org/10.33480/jitk.v5i1.588
8. FAKTOR KESIAPAN DAN ADOPSI TEKNOLOGI INFORMASI DALAM KONTEKS TEKNOLOGI SERTA LINGKUNGAN PADA UMKM DI JAKARTA Asrul Sani, & Ninuk Wiliani .......................................................................................................................................... 49-56 DOI : https://doi.org/10.33480/jitk.v5i1.616
9. SISTEM INFORMASI GEOGRAFIS PERINGATAN DINI BENCANA GEOLOGI BERBASIS MOBILE Faisal Al Isfahani, Herman Sugiharto, Siti Nur Aisah, & Rohmat Gunawan ............................................ 57-64 DOI : https://doi.org/10.33480/jitk.v5i1.634
10. RANCANG BANGUN INFORMATION RETRIEVAL SYSTEM (IRS) KAMUS BAHASA-SUNDA.COM DENGAN METODE VECTOR SPACE MODEL (VSM) Sujiliani Heristian, Hanggoro Aji Al Kautsar, & Asep Sayfulloh .................................................................... 65-72 DOI : https://doi.org/10.33480/jitk.v5i1.677
11. PROTOTIPE APLIKASI UJIAN CODING PHP BERBASIS WEB INTRANET DI STMIK ATMA LUHUR Yohanes Setiawan Japriadi, & Lukas Tommy ........................................................................................................ 73-80 DOI : https://doi.org/10.33480/jitk.v5i1.681
VOL. 5. NO. 1 AGUSTUS 2019 P-ISSN: 2685-8223 | E-ISSN: 2527-4864
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
viii
12. PENGARUH PELAYANAN SALES ASISTEN TERHADAP KEPUASAN PELAGGAN PADA PT. PASARAYA
BLOK M JAKARTA SELATAN Aan Rahman, Lutfi Dzulkhan Zakir ........................................................................................................................... 81-88 DOI : https://doi.org/10.33480/jitk.v5i1.673
13. KLASIFIKASI KERUSAKAN DENGAN JARINGAN SYARAF BACKPROPAGATION PADA PERMUKAAN SOLAR PANEL Ninuk Wiliani, Asrul Sani, & Achmad Taufiq Andyanto ................................................................................... 89-94 DOI : https://doi.org/10.33480/jitk.v5i1.662
14. MENGUKUR TINGKAT KENYAMANAN PENGUNJUNG TAMAN BUAH MEKARSARI BOGOR MENGGUNAKAN METODE FUZZY MAMDANI Samsul Ma’arif, Sfenrianto, & Edhi Prayitno ...................................................................................................... 95-102 DOI : https://doi.org/10.33480/jitk.v5i1.620
15. APLIKASI SISTEM INFORMASI RAPORT ONLINE (STUDI KASUS: MI DARUL MUTA’ALLIMIEN LEUWILIANG BOGOR) Fizri Ayu Wijasty, Lila Dini Utami, Rahmat Tri Yunandar, & Priyono .................................................. 103-110 DOI : https://doi.org/10.33480/jitk.v5i1.685
16. PROTOTIPE SISTEM CRM BERBASIS E-COMMERCE MENGGUNAKAN METODE USER CENTERED DESIGN DENGAN CODEIGNITER FRAMEWORK William Frado Pattipeilohy, & Sanwani ............................................................................................................ 111-118 DOI : https://doi.org/10.33480/jitk.v5i1.687
17. MEDIA PENGENALAN BARONG BANGKUNG NGELAWANG DENGAN GAME 3D BARONG BANGKUNG RUNNER BERBASIS ANDROID I Gede Suardika, I.G.P Ditha Satria Dana, & I.G.N Wikranta Arsa ........................................................... 119-126 DOI : https://doi.org/10.33480/jitk.v5i1.641
18. PERANCANGAN TATA KELOLA SISTEM INFORMASI MANAJEMEN RUMAH SAKIT (SIMRS) BERBASIS ITIL V3 & SERVICE DESK STANDART (STUDI KASUS : RSUD KOTA KEDIRI) Anita Sari Wardani ..................................................................................................................................................... 127-132 DOI : https://doi.org/10.33480/jitk.v5i1.710
19. PEMANFAATAN MINI KOMPUTER RASPBERRY SEBAGAI NETWORK MONITORING TOOL PORTABLE Cosmas Eko Suharyanto, & Viriyadharma Gopama ..................................................................................... 133-138 DOI : https://doi.org/10.33480/jitk.v5i1.707
20. ANALISIS KECELAKAAN BERLALU LINTAS DI KOTA JAKARTA DENGAN MENGGUNAKAN METODE K-MEANS Esty Purwaningsih ...................................................................................................................................................... 139-144 DOI : https://doi.org/10.33480/jitk.v5i1.712
21. PERANCANGAN SISTEM INFORMASI PENJUALAN PADA KOPERASI SERBA USAHA RANCAGE CITEREUP KABUPATEN BOGOR Fitria Ramdani, & Laila Septiana ........................................................................................................................... 145-150 DOI : https://doi.org/10.33480/jitk.v5i1.692
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
VOL. 5. NO. 1 AGUSTUS 2019 E-ISSN: 2527-4864
1
ANALISIS KECELAKAAN BERLALU LINTAS DI KOTA JAKARTA DENGAN MENGGUNAKAN METODE K-MEANS
Esty Purwaningsih
Program Studi Sistem Informasi
Universitas Bina Sarana Informatika www.bsi.ac.id
[email protected] Abstract— In the Jakarta city area, accidents in traffic enter problems that almost always occur at any time. Not a few victims suffered property damage, but victims also suffered minor injuries, serious injuries and even lost their lives. The purpose of this study is to determine the level of traffic accident events especially in the Jakarta city area and determine the performance of the K-Means method in clustering the level of traffic accident events. From the clustering of traffic accidents data obtained accuracy level in cluster 0, cluster 1 and cluster 2 get the same accuracy value that is 33.33% where in cluster 0 there are 2 data, cluster 1 there are 2 data and cluster 2 there are 2 data. Keyword: Traffic Accident, K-Means, Rapid Miner
Intisari— Di wilayah kota Jakarta, kecelakaan dalam berlalu lintas masuk kedalam masalah yang hampir sering terjadi setiap saat. Tidak sedikit korban mengalami kerugian harta benda, tetapi korban juga mengalami luka ringan, luka berat bahkan sampai kehilangan nyawa. Tujuan dari penelitian ini adalah untuk mengetahui tingkat kejadian kecelakaan lalu lintas khususnya di wilayah kota Jakarta dan mengetahui kinerja dari metode K-Means dalam mengkluster tingkat kejadian kecelakaan berlalu lintas. Dari pengklusteran data kecelakaan berlalu lintas didapat tingkat nilai akurasi pada cluster 0, cluster 1 dan cluster 2 mendapatkan nilai akurasi yang sama yaitu sebesar 33.33% dimana pada cluster 0 terdapat 2 data, cluster 1 terdapat 2 data dan cluster 2 terdapat 2 data. Kata Kunci: Kecelakaan Lalu Lintas, K-Means, Rapid Miner.
PENDAHULUAN
Beberapa kali kita mendapatkan informasi atau bahkan melihat secara langsung adanya kejadian kecelakaan lalu lintas bagian wilayah yang ramai kendaraan. Kecelakaan lalu lintas adalah indikator utama dalam tingkat keselamatan di jalan raya. Keselamatan jalan sangat diperhatikan oleh
negara-negara maju dalam mengurangi jumlah kecelakaan lalu lintas dan jumlah korban dari kecelakaan lalu lintas yang terjadi (P. G. G. Saragih, 2013).
Berdasarkan Undang-Undang Republik Indonesia No. 22 tahun 2009 tentang Lalu Lintas dan Angkutan Jalan, dinyatakan bahwa kecelakaan lalu lintas merupakan peristiwa yang terjadi di jalan raya baik yang tidak diduga maupun tidak disengaja yang dapat mengakibatkan korban juga kerugian harta benda.
Menurut Hobs dalam (Azzirrahman, Normelani, & Arisanty, 2015), Faktor penyebab kecelakaan lalu lintas dapat dikelempokkan menjadi 3 kelompok, diantaranya faktor manusia seperti menggunakan kendaraan berkecapatan tinggi,/ugal-ugalan, membawa muatan yang berlebihan dan tidak tertib pada aturan. Faktor yang kedua adalah kendaraan, seperti kaca spion, lampu kendaraan dan faktor yang ketiga faktor lingkungan fisik jalan seperti jalan rusak, berlubang, gelap, tidak ada rambu lalu lintas serta tikungan tajam.
Penelitian dilakukan (Iswari & Ayu, 2015) dengan mengambil dataset kecelakaan lalu lintas dan penyajian informasi melalui sejumlah ruas jalan utama di Kabupaten Sleman Daerah Istimewa Yogyakarta (DIY). Pada penelitiannya menggunakan metode klasterisasi yang popular yaitu metode K-Means dengan tujuan dapat membantu memonitoring terhadap keselamatan pengendara di jalan raya. Hasil dari penelitiannya berupa sistem klasterisasi dengan mengelompokkan objek jalan dengan dasar jumlah korban, kendaraan yang terlibat, dan jumlah kecelakaan yang terjadi pada rentang waktu tertentu. Visualisasi dari hasil pengelompokkan dengan metode K-Means berupa peta yang efektif dalam menunjukkan jalan yang memiliki tingkat kerawanan yang sama.
Analisis data kecelakaan lalu lintas dapat membantu mengidentifikasi penyebab terjadinya kecelakaan yang membuat kecelakaan lalu lintas lebih sering terjadi. Pada penelitian ini diambil dari basis data Resor Kendari yang tercatat sebanyak 2620 data kecelakaan, namun data diseleksi
VOL. 5. NO. 1 AGUSTUS 2019 E-ISSN: 2527-4864
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
2
menjadi 500 data. Metode yang dipakai menggunakan algoritma K-Means Clustering yang diolah dengan melalui aplikasi Rapid Miner. Hasil penelitian menunjukkan frekuensi tingkat kecelakaan di tiap lokasi dan waktu rawan yang dianggap berpotensi terjadi kecelakaan (Rahmat C.T. I et al., 2017).
Penelitian mengenai kecelakaan lalu lintas pernah dilakukan (Aprianti & Permadi, 2018), Data diambil dari Kepolisian Resor (Polres) Tanah Laut. Peneliti melakukan analisa kasus kecelakaan lalu lintas dengan pengelompokkan (klusterisasi) melalui metode K-Means. Tujuan dari pengklusteran dengan metode K-means yaitu untuk mencari hasil kluster dengan kualitas terbaik. Dan menghasilkan informasi terkait dengan kecelakaan lalu lintas yang sering terjadi di area Polres Tanah Laut.
Penelitian yang dilakukan (R. Saragih & Sitompul, 2019) dengan menganalisis perbandingan dari metode apriori dan metode k-means clustering terhadap faktor-faktor yang berkaitan dengan kejadian kecelakaan berlalu lintas di wilayah Polresta Medan. Tujuan dari penelitian yang dilakukan (R. Saragih & Sitompul, 2019) yaitu untuk menghasilkan pola asosiasi dan klusterisasi yang terdapat pada data kecelakaan yang ada di wilayah tersebut. Hasil dari penelitiannya berupa aplikasi identifikasi keterkaitan antara variabel penyebab kecelakaan lalu lintas dengan variabel pelaku kecelakaan lalu lintas serta memberikan informasi mengenai variabel yang berpengaruh terhadap angka kecelakaan lalu lintas.
Data mining merupakan serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basis data. Informasi yang dihasilkan diperoleh dengan cara mengekstrasi dan mengenali pola yang penting atau menarik dari data yang terdapat pada basis data (Vulandari, 2017).
Menurut Aggarwal & Reddy dalam (Ayu, Wati, Puspitasari, & Purwaningsih, 2019), Pengelompokkan atau clustering berguna pada pembelajaran mesin dan tugas penambangan data. Bisa dilihat sebagai tugas eksplorasi atau langkah sebelum pemrosesan.
Algoritma K-Means membagi data ke dalam cluster sehingga data yang memiliki karakteristik yang sama dikelompokan ke dalam satu cluster yang sama dan data yang mempunyai karateristik yang berbeda di kelompokan ke dalam cluster yang lain (Eko, 2016).
Menurut (Vulandari, 2017), Algoritma k-means menetapkan nilai-nilai cluster (K) secara acak, hasil sementara ari nilai tersebut menjadi pusat cluster atau bisa disebut sebagai centroid,
mean, atau “means”. Selanjutnya menghitung jarak setiap data dengan masing-masing centroid menggunakan rumus Euclidian sampai ditemukan jarak terdekat dari setiap data dengan centroid. Klasifikasikan setiap data berdasarkan kedekatannya dengan centroid. Lakukan langkah tersebut sampai nilai centroid tidak berubah.
Peneliti menganalisis kejadian kecelakaan lalu lintas khususnya di wilayah Jakarta dengan menggunakan metode K-Means. Dimana pada metode K-Means merupakan algoritma clustering yang cukup sederhana untuk mempartisi dataset kedalm beberapa cluster k dan algoritmanya cukup mudah untuk dimplementasikan, dijalankan, relatif cepat, mudah disesuaikan dan banyak digunakan.
Tujuan dari penelitian pada studi kasus ini adalah untuk mengetahui tingkat kejadian kecelakaan lalu lintas khususnya di wilayah Jakarta dan mengetahui kinerja dari metode K-Means dalam mengkluster tingkat kejadian kecelakaan lalu lintas di sekitar wilayah Jakarta.
BAHAN DAN METODE
Peneliti menggunakan data sekunder dari sumber Badan Pusat Statistik Provinsi DKI Jakarta yang diambil melalui data.jakarta.go.id. Data yang diambil adalah dataset jumlah kejadian kecelakaan lalu lintas, korban dan kerugiannya tahun 2013. Pada dataset tersebut terdiri dari subsatuan kerja diantaranya subdit bin gakkum, satlantas wilayah Jakarta pusat, satlantas wilayah jakarta utara, satlantas wilayah jakarta barat, satlantas wilayah jakarta selatan, satlantas wilayah jakarta timur, satlantas wilayah kepulauan seribu. Dataset memiliki 6 (enam) variabel diantaranya jumlah kejadian, korban mati, korban luka berat, korban luka ringan, kerugian benda dan kerugian uang.
Namun pada penelitian ini, peneliti hanya mengambil sampel dengan wilayah subdit bin gakkum, satlantas wilayah Jakarta pusat, satlantas wilayah jakarta utara, satlantas wilayah jakarta barat, satlantas wilayah jakarta selatan, satlantas wilayah jakarta timur. Sedangkan variable yang digunakan diantaranya jumlah kejadian, korban mati, korban luka berat, korban luka ringan, dan kerugian benda.
Tabel 1. Sampel Data Kecelakaan Lalu Lintas
Wilayah Jakarta
tahun subsatuan
kerja
jumlah
kejadian
korban
mati
korban
luka berat
korban luka
ringan
kerugian
benda
2013 Subdit Bin Gakkum 590 41 73 455 942
2013 Satlantas Wil Jakarta Pusat 458 22 138 301 692
2013 Satlantas 747 155 32 709 1020
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
VOL. 5. NO. 1 AGUSTUS 2019 E-ISSN: 2527-4864
3
DL2 (X2, X1) = ||X2-X1||2
= √∑ (𝑋2𝑗 − 𝑋1𝑗)2𝑝𝑗=𝑖
Accurat𝒊𝒐𝒏 𝑹𝒂𝒕𝒆 =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑠𝑒𝑠𝑢𝑎𝑖 𝑙𝑎𝑏𝑒𝑙 𝑎𝑠𝑙𝑖𝑛𝑦𝑎
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 X 100%
Wil Jakarta Utara
2013 Satlantas Wil Jakarta Barat 566 74 427 117 775
2013 Satlantas Wil Jakarta Selatan 511 33 105 696 810
2013 Satlantas Wil Jakarta Timur 838 101 201 679 1201
Sumber: (BPS Provinsi DKI Jakarta, 2013)
Peneliti menggunakan metode clustering dengan algoritma K-Means untuk analisis kejadian kecelakaan lalu lintas di wilayah Jakarta. Agar penelitian menjadi lebih terarah dengan baik. Berikut adalah metodologi penelitian yang dilakukan peneliti:
Sumber: (Purwaningsih, 2019)
Gambar 1. Tahapan Penelitian
Langkah-langkah yang dilakukan dalam tahapan penelitian dapat dijelaskan sebagai berikut: 1. Identifikasi Masalah
Identifikasi masalah pada penelitian ini adalah menganalisa kejadian kecelakaan lalu lintas di wilayah Jakarta dengan menggunakan metode K-Means.
2. Pengumpulan Data Data yang dikumpulkan bersumber dari Badan Pusat Statistik Provinsi DKI Jakarta pada tahun 2013.
3. Pengolahan Data Pengolahan data pada penelitian ini menggunakan metode clustering dengan algoritma K-means pada data kejadian kecelakaan lalu lintas di wilayah Jakarta. Sehingga hasil dari penelitian ini dapat
berguna untuk dijadikan evaluasi dan agar dapat meminimalisir kejadian kecelakaan lalu lintas.
4. Evaluasi Hasil Penelitian Pada tahap ini penulis melakukan uji hasil penelitian menggunakan software RapidMiner dalam menghubungkan database yang akan diuji. Sehingga informasi yang dihasilkan oleh proses data mining dapat ditampilkan kedalam bentuk yang mudah dipahami bagi penelitian.
5. Kesimpulan Hasil Penelitian Pada tahap ini penelitian yang telah selesai akan diberikan kesimpulan dari permasalahan yang ada agar dapat digunakan oleh pihak yang berwenang.
Menurut Sugiyono dalam (Endra, 2017)
Sampling Jenuh Suatu teknik penentuan sampel jika semua anggota populasi digunakan sebagai sampel. Hal ini sering kali dilakukan jika jumlah populasi relatif kecil atau sedikit, yaitu kurang dari 30 orang, atau penelitian yang ingin membuat generalisasi, dengan kesalahan yang relatif kecil. Istilah lain sampel jenuh adalah sensus, dimana semua anggota populasi dijadikan sampel. Sampel jenuh dikenal pula dengan total sampel.
Maka dari itu penelitian ini menggunakan sampel yang berasal dari populasi tersebut. Dan pada penelitian ini sampel yang digunakan adalah data kejadian kecelakaan lau lintas di wilayah Jakarta pada tahun 2013 sebanyak 5 data yang diambil dari Jakarta Open Data melalui data.jakarta.go.id.
Dalam pengolahan data, penulis menggunakan metode clustering dengan algoritma K-Means untuk melakukan perhitungan pada kejadian kecelakaan lalu lintas di wilayah jakarta. a. Menghitung Jarak Terdekat
Untuk menghitung jarak terdekat, pada penelitian ini digunakan L2 (Euclidian) distance space, jarak antara dua titik hitung dengan rumus sebagai berikut :
..................................... (1)
b. Pengukuran Nilai Akurasi (Accuration Rate)
Nilai akurasi merupakan perbandingan antara jumlah cluster yang sesuai dengan label pada data asli dibandingkan dengan jumlah data keseluruhan.
.........(2)
VOL. 5. NO. 1 AGUSTUS 2019 E-ISSN: 2527-4864
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
4
HASIL DAN PEMBAHASAN Dalam penelitian ini penulis menggunakan
RapidMiner sebagai softwarre untuk implementasinya. Adapun langkah-langkah dan hasil implementasi menggunakan RapidMiner adalah sebagai berikut : a. Memilih Operator
Operator yang digunakan pada penelitian ini adalah : 1) Read Excel : berguna sebagai pembaca
data, data disini di olah dengan Microsoft Excel yang berarti memiliki fungsi format .xlsx.
2) Clustering : berguna sebagai implementasi algoritma k-means.
Pada langkah ini, peneliti memasukkan data yang akan diolah berupa excel dengan menggunakan Rapid Miner dan memilih operator clustering untuk mengelompokkan data dengan mengisi nilai parameter dan jumlah cluster (k) yang akan digunakan.
Sumber: (Purwaningsih, 2019)
Gambar 2. Pemilihan Operator
b. Hasil Olahan Setelah dilakukan pemilihan operator kemudian dijalankan dan menampilkan hasil example set.
Sumber: (Purwaningsih, 2019)
Gambar 3. Hasil Cluster Model
Pada hasil data ExampleSet (Clustering) data yang disajikan yaitu berupa penjabaran setiap cluster pada semua data .
Sumber: (Purwaningsih, 2019)
Gambar 4. Pusat Cluster Pada Data 1-6
Hasil statistic ExampleSet (Clustering) menyajikan data yang telah dikluster, dimana pada cluster 0 ada pada wilayah Subdit Bin Gakkum dan wilayah Satlantas Jakarta Selatan, cluster 1 ada pada wilayah Satlantas Jakarta Pusat dan wilayah Satlantas Jakarta Barat serta cluster 2 ada pada wilayah Satlantas Jakarta Utara dan wilayah Satlantas Jakarta Timur.
Scatter (Grafik Penyebaran), grafik ini menggambarkan penyebaran yang dilakukan dengan sampel kerugian benda (x) dan subsatuan kerja (y).
Sumber: (Purwaningsih, 2019)
Gambar 5. Scatter Chart Centroid Table, tabel yang menampilkan nilai
centroid dalam masing-masing cluster.
Sumber: (Purwaningsih, 2019)
Gambar 6. Table Centroid
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
VOL. 5. NO. 1 AGUSTUS 2019 E-ISSN: 2527-4864
5
Plot atau grafik yang menggambarkan titik centroid dengan tiap cluster. Dimana garis bewarna biru menunjukkan grafik untuk cluster 0 dan garis bewarna hijau pada grafik menunjukan cluster 1, dan garis bewarna merah pada grafik menunjukkan cluster 2.
Sumber: (Purwaningsih, 2019)
Gambar 7. Grafik Hasil Plot Adapun pengukuran nilai akurasi (Accuration Rate) dengan rincian sebagai berikut: 1) Data yang ada pada cluster 0, maka nilai
akurasinya adalah sebagai berikut :
Accurat𝑖𝑜𝑛 𝑅𝑎𝑡𝑒 =2
6 X 100% = 33.33%
Jadi nilai akurasi pada cluster 0 adalah 20%
2) Data yang ada pada cluster 1, maka nilai akurasinya adalah sebagai berikut :
𝐴𝑐𝑐𝑢𝑟𝑎𝑡𝑖𝑜𝑛 𝑅𝑎𝑡𝑒 =2
6 X 100% = 20%
Jadi nilai akurasi pada cluster 1 adalah 33.33%
3) Data yang ada pada cluster 2, maka nilai akurasinya adalah sebagai berikut :
𝐴𝑐𝑐𝑢𝑟𝑎𝑡𝑖𝑜𝑛 𝑅𝑎𝑡𝑒 =2
6 X 100% = 33.33%
Jadi nilai akurasi pada cluster 2 adalah 33.33%
KESIMPULAN
Data yang diambil dari data.jakarta.go.id merupakan data kejadian kecelakaan lalu lintas pada tahun 2013 dan data diolah dengan menggunakan metode K-Means melalui tools RapidMiner. Dari pengklusteran data kejadian kecelakaan berlalu lintas didapat tingkat nilai akurasi pada masing-masing cluster yaitu cluster 0 sebesar 33.33%, cluster 1 mendapat nilai akurasi sebsar 33.33% dan cluster 2 dengan nilai akurasi sebesar 33.33%. Sehingga dapat disimpulkan bahwa hasil perhitungan di setiap cluster memiliki hasil akurasi yang sama dimana cluster 0 terdapat
2 data, cluster 1 terdapat 2 data dan cluster 2 terdapat 2 data.
REFERENSI
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
Ayu, D., Wati, M., Puspitasari, D., & Purwaningsih, E.
(2019). Metode Clustering Pada Model Algoritma K-Means Untuk Pemilihan Alat Kontrasepsi, 3(2), 129–138.
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.
BPS Provinsi DKI Jakarta. (2013). Data Jumlah
Kejadian Kecelakaan Lalu Lintas, Korban dan Kerugian di Provinsi DKI Jakarta. Retrieved from http://data.jakarta.go.id/dataset/data-jumlah-kejadian-kecelakaan-lalu-lintas-korban-dan-kerugiannya
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. 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
Purwaningsih, E. (2019). Laporan Akhir Penelitian
PDY: Analisis Kecelakaan Berlalu Lintas Di Kota Jakarta Dengan Menggunakan Metode K-Means. Jakarta.
Rahmat C.T. I, B., Gafar, A. A., Fajriani, N., Ramdani,
U., Uyun, F. R., P, Y. P., & Ransi, N. (2017). IMPLEMETASI K-MEANS CLUSTERING PADA RAPIDMINER UNTUK ANALISIS DAERAH RAWAN KECELAKAAN. In Prosiding Seminar
VOL. 5. NO. 1 AGUSTUS 2019 E-ISSN: 2527-4864
JURNAL ILMU PENGETAHUAN DAN TEKNOLOGI KOMPUTER
6
Nasional Riset Kuantitatif Terapan 2017 (pp. 58–62). Kendari: Lembaga Pengembangan Sistem Informasi.
Saragih, P. G. G. (2013). ANALISA KECELAKAAN
LALU LINTAS DI KOTA PEMATANG SIANTAR. JURNAL TEKNIK SIPIL USU, 2(3). Retrieved from https://jurnal.usu.ac.id/index.php/jts/article/view/5676
Saragih, R., & Sitompul, J. N. (2019). Perbandingan
Data Mining Mengidentifikasi Pola Keterkaitan Variabel Kecelakaan Lalu Lintas Di Polresta Kota Medan. Journal Information System Development (ISD), 4(1), 39–45. Retrieved from https://ejournal.medan.uph.edu/index.php/isd/article/view/281
Vulandari, R. T. (2017). Data Mining Teori dan
Aplikasi Rapidminer. Yogyakarta: Gaava Media.