Penerapan K-Means Clustering dalam Pemetaan Titik Kecelakaan Lalu Lintas di Kecamatan Bawen
Abstract
With the high traffic flow in Bawen sub-district, traffic accidents are one of the unavoidable events. With so many accident cases in Bawen sub-district, the use of accident data in identifying areas based on traffic accident vulnerability is still very minimal. Therefore, this study was conducted to group and map the Bawen sub-district area based on the level of vulnerability to traffic accidents using the k-means clustering algorithm. The results of this study divide the areas in Bawen sub-district into three clusters, namely very accident-prone, accident-prone and somewhat accident-prone. To validate the use of K-means clustering, the Davies Boulder index method was used. From the use of this method, it is found that the use of K-means clustering with the number of 3 clusters is more optimal than the number of other clusters. With this research, it is hoped that it can help the local government and police in making policies for driving in the area.
Keywords: Accidents hotspots; Geographic Information System; K-Means Clustering
Abstrak
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
Kata Kunci: K-Means Clustering; Sistem Informasi Geografis; Titik rawan kecelakaan
References
H. Wahyono, H. Setiaji, T. Hartati, and N. Wiliani, “K-Means Clustering for Identifying Traffic Accident Hotspots in Depok City,” vol. 2, no. 1, pp. 159–170, 2024, doi: 10.61098/jarcis.v2i1.182.
D. Puspitasari, M. Wahyudi, M. Rizaldi, A. Nurhadi, K. Ramanda, and Sumanto, “K-Means Algorithm for Clustering the Location of Accident-Prone on the Highway,” J. Phys. Conf. Ser., vol. 1641, no. 1, pp. 1–6, 2020, doi: 10.1088/1742-6596/1641/1/012086.
C. Sinclair and S. Das, “Traffic Accidents Analytics in UK Urban Areas using k-means Clustering for Geospatial Mapping,” 2021 Int. Conf. Sustain. Energy Futur. Electr. Transp., pp. 1–7, 2021, doi: 10.1109/SeFet48154.2021.9375817.
B. A. Fauzan, M. Jamaris, and J. Junadhi, “Implementation of K-Means Clustering Algorithm for Grouping Traffic Violation Levels in Siak,” J. Teknol. Dan Open Source, vol. 5, no. 1, pp. 81–88, 2022, doi: 10.36378/jtos.v5i1.2427.
H. Kamh, S. H. Alyami, A. Khattak, M. Alyami, and H. Almujibah, “Exploring Road Traffic Accidents Hotspots Using Clustering Algorithms and GIS-based Spatial Analysis,” IEEE Access, vol. PP, p. 1, 2024, doi: 10.1109/ACCESS.2024.3443245.
A. Pratama, M. D. Irawan, and S. D. Andriana, “Implementation of K-Means Clustering in Recognizing Crime Hotspots and Traffic Issues Through GIS,” J. Comput. Networks, Archit. High Perform. Comput., vol. 6, no. 2, pp. 771–782, 2024, doi: 10.47709/cnahpc.v6i2.3771.
K. P. Siregar et al., “Implementation Of Purity K-Means Algorithm In Accident Data Clustering In North Padang Lawas,” 2nd Int. Conf. Multidiscip. Eng., vol. 2, pp. 1–11, 2024.
W. F. W. Yaacob, S. B. Ibrahim, A. S. Afizan, N. A. F. Azran, S. A. Md Nasir, and N. C. Harun, “Spatio-Temporal Clustering of Road Accidents in Kelantan, Malaysia,” Int. J. Acad. Res. Bus. Soc. Sci., vol. 11, no. 9, pp. 522–534, 2021, doi: 10.6007/ijarbss/v11-i9/11036.
L. L. Latifah, S. A. Hudjimartsu, and I. Yanuarsyah, “Analisis Daerah Rawan Kecelakaan Lalu Lintas Menggunakan Cluster Analysis Di Kota Bogor Berbasis Webgis,” J. Ilm. Teknol. Infomasi Terap., vol. 8, no. 2, pp. 235–244, 2022, doi: 10.33197/jitter.vol8.iss2.2022.760.
N. Rahmadani, E. Rahayu, and A. Lestari, “K-Means Clustering Areas Prone To Traffic Accidents in Asahan Regency,” JITK (Jurnal Ilmu Pengetah. dan Teknol. Komputer), vol. 6, no. 2, pp. 181–186, 2021, doi: 10.33480/jitk.v6i2.1519.K-MEANS.
A. A. Vernanda, A. Faisol, and N. Vendyansyah, “Penerapan Metode K-Means Clustering Untuk Pemetaan Daerah Rawan Kecelakaan Lalu Lintas Di Kota Malang Berbasis Website,” JATI (Jurnal Mhs. Tek. Inform., vol. 5, no. 2, pp. 836–844, 2021, doi: 10.36040/jati.v5i2.3791.
V. Irawan, A. Rizal, and I. Purnamasari, “Penerapan Algoritma K-Mean Clustering Pada Kecelakaan Lalu Lintas Berdasarkan Kabupaten/Kota Di Provinsi Jawa Tengah Tahun 2020,” J. Ilm. Wahana Pendidik., vol. 8, no. July 2020, pp. 293–300, 2022, doi: https://doi.org/10.5281/zenodo.6820090.
A. H. A. N. Karsa and A. R. Hidayat, “Metode Algoritma K-Means Untuk Clustering Data Produk Paling Laku Pada Toko Tono Grosir Plumbon Cirebon,” Syntax Lit. ; J. Ilm. Indones., vol. 7, no. 9, pp. 15984–15996, 2024, doi: 10.36418/syntax-literate.v7i9.15144.
D. Remawati, D. J. Aji Putra, and T. Irawati, “Metode K-Means Untuk Pemetaan Persebaran Usaha Mikro Kecil Dan Menengah,” J. Teknol. Inf. dan Komun., vol. 9, no. 2, pp. 39–46, 2021, doi: 10.30646/tikomsin.v9i2.574.
Y. Sopyan, A. D. Lesmana, and C. Juliane, “Analisis Algoritma K-Means dan Davies Bouldin Index dalam Mencari Cluster Terbaik Kasus Perceraian di Kabupaten Kuningan,” Build. Informatics, Technol. Sci., vol. 4, no. 3, pp. 1464–1470, 2022, doi: 10.47065/bits.v4i3.2697.
D. A. Tarigan, “Optimization of the K-Means Clustering Algorithm Using Davies Bouldin Index in Iris Data Classification,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 4, no. 1, pp. 545–552, 2023, doi: 10.30865/klik.v4i1.964.
S. Kumar and D. Toshniwal, “A data mining approach to characterize road accident locations,” J. Mod. Transp., vol. 24, no. 1, pp. 62–72, 2016, doi: 10.1007/s40534-016-0095-5.
B. Topcuoglu, T. Memisoglu Baykal, and H. Tuydes Yaman, “Speed-Related Traffic Accident Analysis Using Gis-Based Dbscan and Nnh Clustering,” Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. - ISPRS Arch., vol. 48, no. 4/W1-2022, pp. 487–494, 2022, doi: 10.5194/isprs-archives-XLVIII-4-W1-2022-487-2022.
How To Cite This :
Refbacks
- There are currently no refbacks.
