Pengelompokan Pelanggaran Lalu Lintas Menggunakan Algoritma K-Means pada Data CCTV
DOI:
https://doi.org/10.32664/smatika.v15i02.1739Kata Kunci:
Pelanggaran Lalu Lintas, CCTV, K-Means Clustering, CRISP-DM, Silhouette Score, Polresta SidoarjoAbstrak
Penelitian ini bertujuan untuk mengelompokkan data pelanggaran lalu lintas yang terekam oleh CCTV di wilayah Sidoarjo menggunakan algoritma K-Means Clustering. Dataset yang digunakan dalam penelitian ini diperoleh dari Polresta Sidoarjo, mencakup 43.055 catatan pelanggaran lalu lintas pada periode Januari 2023 hingga Juli 2024. Pendekatan CRISP-DM diterapkan untuk memastikan alur penelitian yang sistematis, dimulai dari pemahaman masalah, pengumpulan data, hingga evaluasi hasil. Setelah tahap seleksi dan transformasi data, dataset diproses menjadi 14.386 data. Klasterisasi dilakukan untuk membagi pelanggaran ke dalam tiga kategori berdasarkan tingkat keparahan, yaitu tinggi, sedang, dan rendah. Evaluasi kualitas klaster menggunakan Silhouette Score menunjukkan hasil terbaik dengan nilai 0,9916 pada k=9, mengindikasikan pembentukan klaster yang optimal. Hasil klasterisasi menunjukkan bahwa pelanggaran tertinggi terjadi pada kategori "tidak menggunakan sabuk pengaman" dengan 8.710 kasus, sedangkan pelanggaran sedang melibatkan "tidak mengenakan helm" dengan 5.522 kasus. Penelitian ini menegaskan efektivitas algoritma K-Means dalam mengelompokkan data pelanggaran lalu lintas dan memberikan wawasan berharga bagi Satlantas POLRES Sidoarjo dalam merancang program pengurangan pelanggaran lalu lintas secara lebih efisien.
Referensi
[1] R. Manaek, Richardus Eko Indrajit, and Erick Dazki, “Arsitektur Perusahaan Untuk Infrastuktur Telekomunikasi Di Daerah Pedalaman Indonesia,” SATIN - Sains Dan Teknol. Inf., vol. 9, no. 2, pp. 01–11, Dec. 2023, doi: 10.33372/stn.v9i2.1000.
[2] D. Wahyuni and A. Arianto, “PENERAPAN DATA MINING PADA DATA PELANGGARAN LALU LINTAS MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS : PENGADILAN NEGERI DUMAI)”.
[3] E. S. Wasih, S. Rahmatullah, and S. Mintoro, “Implementasi Data Mining Pada Data Pelanggaran Lalu Lintas di Lampung Utara Menggunakan Algoritma K-Means (Studi Kasus Kejaksaan Negeri Lampung Utara),” 2022.
[4] A. Yudhistira and R. Andika, “Pengelompokan Data Nilai Siswa Menggunakan Metode K-Means Clustering,” J. Artif. Intell. Technol. Inf. JAITI, vol. 1, no. 1, pp. 20–28, Feb. 2023, doi: 10.58602/jaiti.v1i1.22.
[5] D. Sartika and J. Jumadi, “IMPLEMENTASI DATA MINING UNTUK PENGELOMPOKKAN WILAYAH PELANGGARAN LALU LINTAS MENGGUNAKAN METODE K-MEANS PADA POLRES BENGKULU”.
[6] R. Saragih, S. Kom, M. Kom, J. N. Sitompul, and M. Pd, “Analisis Perbandingan Data Mining Mengidentifikasi Pola Keterkaitan Variabel Kecelakaan Lalu Lintas Di Polresta Kota Medan,” Inf. Syst. Dev., vol. 4.
[7] J. Rahmasari, “HALAMAN PERNYATAAN KEASLIAN SKRIPSI”.
[8] I. Budiman, T. Prahasto, and Y. Christyono, “Data Clustering Menggunakan Metodologi CRISP-DM Untuk Pengenalan Pola Proporsi Pelaksanaan Tridharma,” J. Sist. Inf. BISNIS, vol. 1, no. 3, pp. 129–134, Jan. 2014, doi: 10.21456/vol1iss3pp129-134.
[9] A. D. Adhi Putra, “Analisis Sentimen pada Ulasan pengguna Aplikasi Bibit Dan Bareksa dengan Algoritma KNN,” JATISI J. Tek. Inform. Dan Sist. Inf., vol. 8, no. 2, pp. 636–646, Jun. 2021, doi: 10.35957/jatisi.v8i2.962.
[10] M. Y. Nurzaman and B. N. Sari, “Implementasi K-Means Clustering Dalam Pengelompokkan Banyaknya Jumlah Petani Berdasarkan Kecamatan Di Provinsi Jawa Barat,” vol. 10, no. 3, 2023.
[11] A. Pambudi, “PENERAPAN CRISP-DM MENGGUNAKAN MLR K-FOLD PADA DATA SAHAM PT. TELKOM INDONESIA (PERSERO) TBK (TLKM) (STUDI KASUS: BURSA EFEK INDONESIA TAHUN 2015-2022),” J. Data Min. Dan Sist. Inf., vol. 4, no. 1, p. 1, Mar. 2023, doi: 10.33365/jdmsi.v4i1.2462.
[12] I. Fitrianti, A. Voutama, and Y. Umaidah, “Clustering Film Populer Pada Aplikasi Netflix Dengan Menggunakan Algoritma K-Means Dan Metode CRISP- DM,” vol. 4, no. 2.
[13] F. N. Dhewayani, D. Amelia, D. N. Alifah, B. N. Sari, and M. Jajuli, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM,” J. Teknol. Dan Inf., vol. 12, no. 1, pp. 64–77, Mar. 2022, doi: 10.34010/jati.v12i1.6674.
[14] M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Inform. Comput., vol. 5, no. 2, pp. 103–108, Oct. 2021, doi: 10.30871/jaic.v5i2.3200.
[15] A. S. Ritonga and I. Muhandhis, “Clustering Data Tweet E-Commerce Menggunakan Metode K-Means (Studi Kasus Akun Twitter Blibli Indonesia),” SMATIKA J., vol. 12, no. 01, pp. 75–84, Jun. 2022, doi: 10.32664/smatika.v12i01.665.
[16] N. Saniyah, N. Suarna, and W. Prihartono, “CLUSTERING PELANGGARAN LALU LINTAS PADA KENDARAAN BERMOTOR MENGGUNKAN ALGORITMA K-PROTOTYPE (STUDI KASUS: PENGADILAN NEGERI CIREBON),” vol. 8, no. 1, 2024.
[17] F. A. Nisa, A. Susanto, E. R. Pramudya, and U. W. Mulyono, “KLASTERISASI PERKARA PELANGGARAN LALU LINTAS MENGGUNAKAN ALGORITMA K-MEANS DAN DAVIES- BOULDIN INDEX,” 2020.
[18] M. R. Muttaqin, T. I. Hermanto, and M. A. Sunandar, “PENERAPAN K-MEANS CLUSTERING DAN CROSS-INDUSTRY STANDARD PROCESS FOR DATA MINING (CRISP-DM) UNTUK MENGELOMPOKAN PENJUALAN KUE,” 2022.
[19] I. F. Anshori and Y. Nuraini, “Pengelompokan Data Kecelakaan Lalu Lintas di Kota Tasikmalaya Menggunakan Algoritma K-Means,” J. Responsif Ris. Sains Dan Inform., vol. 2, no. 1, pp. 118–127, Mar. 2020, doi: 10.51977/jti.v2i1.198.
[20] R. Adha, N. Nurhaliza, and U. Soleha, “Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Kasus Covid-19 di Dunia,” vol. 18, no. 2, 2021.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 SMATIKA JURNAL : STIKI Informatika Jurnal
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Penulis telah menyetujui bahwa pemegang hak cipta adalah SMATIKA Jurnal. Dan Author berhak menyebarkan artikel tanpa seijin SMATIKA jurnal.
