KLUSTERISASI OPTIMAL DENGAN ELBOW METHOD UNTUK PENGELOMPOKAN DATA KECELAKAAN LALU LINTAS DI KOTA SEMARANG
Abstract
Kota Semarang merupakan kota metropolitan terbesar ke-5 se-Indonesia dengan angka kecelakaan lalu lintas yang dapat dikatakan tinggi. Dalam laporan tahunan Satlantas Kota Semarang dari tahun 2017, 2018 berurutan telah terjadi sebanyak 936 kasus dan 1.008 kasus. Kemudian pada tahun 2019 dengan hasil rekap sampai dengan bulan Agustus terjadi sebanyak 909 kasus.
Untuk mengetahui pola kecelakaan dalam mengolah data Laka Lantas dapat menggunakan sebuah metode penambangan data yang disebut data mining. Menggunakan teknik clustering dengan algoritma K-Means untuk menghasilkan pola dalam ekstraksi informasi, yang dikombinasikan dengan teknik optimasi kluster yaitu metode Elbow.
Penelitian ini menggunakan proses uji coba manual dan aplikasi RStudio. Perhitungan manual menggunakan uji coba jumlah K=2 sampai K=10 dengan penerapan metode Elbow menggunakan perhitungan nilai SSE (Sum of Square Error) pada tiap kluster. Pada grafik selisih SSE tiap kluster menunjukan patahan siku pada jumlah K=3. Perhitungan komputasi dengan aplikasi RStudio menghasilkan grafik selisih SSE dengan patahan siku pada jumlah K=3. Kemudian dengan menggunakan jumlah K=3 diimplementasikan kedalam Algoritma K-Means pada RStudio. Berdasarkan analisis yang dilakukan dengan data Laka Lantas periode bulan Oktober 2018 sampai bulan Juli 2019 menghasilkan tiga segmentasi data.
References
[2] Retnosari, P. and Jananto, A. (2013), Implementasi Data Mining Untuk Menemukan Hubungan Antara Kota Kelahiran Mahasiswa Dengan Tingkat Kelulusan Mahasiswa Pada Fakultas Teknologi Informasi Unisbank, Jurnal Dinamika Informatika, vol. 5(2), pp. 112–121.
[3] Han, J., Kamber, M., & Pei, J. (2012), Data Mining : Concepts and Techniques (Third Edition), Waltham, MA: Morgan Kaufmann Publishers.
[4] Prasetyo, Eko. (2012). DATA MINING - Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta : ANDI.
[5] Shearer, Colin. (2000). The CRISP-DM Model: The New Blueprint for Data Mining. JOURNAL of Data Warehousing, vol. 5(4), p. 13-22.
[6] Bahri, S. (2019). Optimasi Cluster K-Means dengan Modifikasi Metode Elbow untuk Menganalisis Disrupsi Pendidikan Tinggi, Tesis, Program Studi Teknik Informatika FASILKOM USU, Sumatera Utara
[7] Syakur, M. A., Khotimah, B. K., Rochman, E. M. S., & Satoto, B. D. (2018). Integration k-means clustering method and elbow method for identification of the best customer profile cluster. IOP Conference Series: Materials Science and Engineering, vol. 336(1), p. 012017
[8] Alatubir, D. A. V. (2017). Penerapan Algoritma K-Means Untuk Pengelompokan Sekolah Menengah Atas Di Provinsi Daerah Istimewa Yogyakarta Berdasarkan Nilai Daya Serap Ujian Nasional Bahasa Indonesia, Skripsi, Program Studi Teknik Informatika FST Universitas Sanata Dharma, Yogyakarta.
[9] Bholowalia, P., & Kumar, A. (2014). EBK-means: A clustering technique based on elbow method and k-means in WSN. International Journal of Computer Applications, vol. 105(9), p. 17-24.
[10] Merliana, N. P. E., & Santoso, A. J. (2015), Analisa Penentuan Jumlah Cluster Terbaik Pada Metode K-means Clustering, Prosiding Seminar Nasional Multi Disiplin Ilmu & Call For Papers Unisbank (SENDI-U). ISBN: 978-979-3649-81-8
