STMIK BANJARBARUSTMIK BANJARBARU

Progresif: Jurnal Ilmiah KomputerProgresif: Jurnal Ilmiah Komputer

Dengan tingginya arus lalu lintas pada kecamatan Bawen, kecelakaan lalu lintas adalah salah satu kejadian yang tidak dapat dipisahkan. Dengan banyaknya kasus kecelakaan pada kecamatan Bawen, penggunaan data kecelakaan dalam melakukan identifikasi daerah berdasarkan kerawanan kecelakaan lalu lintas masih sangat minim. Oleh karena itu, penelitian ini dilakukan untuk melakukan pengelompokkan dan pemetaan daerah kecamatan Bawen berdasarkan tingkat rawan kecelakaan lalu lintas menggunakan algoritma k-means clustering. Hasil dari penelitian ini membagi daerah-daerah pada kecamatan Bawen menjadi tiga klaster, yaitu sangat rawan kecelakaan, rawan kecelakaan dan agak rawan kecelakaan. Untuk memvalidasi penggunaan K-means Clustering, digunakan metode Davies Boulder index. Dari penggunaan metode ini, didapatkan hasil bahwa penggunaan K-means Clustering dengan jumlah 3 klaster lebih optimal dibandingkan jumlah klaster yang lainnya. Dengan adanya penelitian ini, diharapkan dapat membantu pemerintah dan kepolisian setempat dalam membuat kebijakan dalam berkendara pada area tersebut.

Hasil akhir penelitian ini membagi desa atau kelurahan di Kecamatan Bawen menjadi tiga klaster.klaster pertama sangat rawan kecelakaan (kelurahan Bawen), klaster kedua rawan kecelakaan (kelurahan Harjosari), dan klaster ketiga agak rawan kecelakaan (tujuh kelurahan).Validasi model melalui Davies Boulder Index menunjukkan bahwa jumlah tiga klaster menghasilkan nilai terkecil (0.Penelitian ini dapat menjadi dasar bagi pemerintah dan kepolisian setempat dalam merancang kebijakan keselamatan berkendara serta memberikan informasi penting bagi masyarakat umum tentang tingkat kecelakaan di wilayahnya.

Penelitian selanjutnya dapat memperluas cakupan data dengan memasukkan variabel kelainan kondisi jalan, kondisi cuaca, dan kepadatan kendaraan untuk menguji apakah faktor-faktor tersebut dapat memperbaiki akurasi model clustering; serta mengembangkan model clustering berlapis dengan metode machine learning berbasis waktu seperti LSTM untuk memprediksi titik rawan kecelakaan di masa depan; dan juga melakukan analisis sensitivitas antara jumlah cluster dan indeks Davies-Bouldin melalui pendekatan cross-validation, sehingga dapat menentukan strategi optimalisasi cluster secara empiris di wilayah lain yang memiliki karakteristik serupa.

  1. Implementation of K-Means Clustering Algorithm for Grouping Traffic Violation Levels in Siak | JURNAL... doi.org/10.36378/jtos.v5i1.2427Implementation of K Means Clustering Algorithm for Grouping Traffic Violation Levels in Siak JURNAL doi 10 36378 jtos v5i1 2427
  2. Metode Algoritma K-Means Untuk Clustering Data Produk Paling Laku Pada Toko Tono Grosir Plumbon Cirebon... jurnal.syntaxliterate.co.id/index.php/syntax-literate/article/view/15144Metode Algoritma K Means Untuk Clustering Data Produk Paling Laku Pada Toko Tono Grosir Plumbon Cirebon jurnal syntaxliterate index php syntax literate article view 15144
  3. K-Means Clustering for Identifying Traffic Accident Hotspots in Depok City | Journal of Applied Research... doi.org/10.61098/jarcis.v2i1.182K Means Clustering for Identifying Traffic Accident Hotspots in Depok City Journal of Applied Research doi 10 61098 jarcis v2i1 182
Read online
File size501.13 KB
Pages11
DMCAReport

Related /

ads-block-test