K-Means Clustering Untuk Data Kecelakaan Lalu Lintas Jalan Raya Di Kota Samarinda

Koban, Agnes Novalista (2026) K-Means Clustering Untuk Data Kecelakaan Lalu Lintas Jalan Raya Di Kota Samarinda. S1 Teknik Informatika thesis, STMIK Widya Cipta Dharma.

	Text 1943089-S1-Jurnal.pdf Download (760kB)
	Text 1943089-S1-Teknik Informatika.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Agnes Novalista Koban, 2026, K-Means Clustering Untuk Data Kecelakaan Lalu Lintas Jalan Raya Di Kota Samarinda, Sekolah Tinggi Manajemen Informatika dan Komputer, Widya Cipta Dharma, Dosen Pembimbing utama : Eka Arryanti, S.Pd., M.Kom, Dosen Pembimbing pendamping : Pitrasacha Adytia, S.T., M.T Kata kunci: K-Means Clustering, Knowledge Discovery in Database (KDD), kecelakaan lalu lintas, metode Elbow, evaluasi cluster. Kecelakaan lalu lintas merupakan salah satu permasalahan yang berdampak terhadap keselamatan masyarakat sehingga diperlukan analisis untuk mengetahui karakteristik penyebab kecelakaan sebagai dasar pengambilan keputusan dalam upaya pencegahan. Penelitian ini bertujuan menerapkan algoritma K-Means Clustering untuk mengelompokkan data kecelakaan lalu lintas jalan raya di Kota Samarinda berdasarkan faktor lingkungan dan faktor manusia. Metode penelitian menggunakan tahapan Knowledge Discovery in Database (KDD) yang meliputi data selection, data cleaning, data transformation, data mining, dan evaluation. Atribut kategorikal terlebih dahulu dikonversi menjadi data numerik menggunakan Attribute Value Weighting, kemudian diringkas menjadi dua variabel utama, yaitu Faktor Lingkungan (X) yang terdiri atas bentuk geometri jalan, kondisi permukaan jalan, kemiringan jalan, kondisi cahaya, dan cuaca, serta Faktor Manusia (Y) yang terdiri atas perilaku, usia, dan jenis kelamin. Selanjutnya dilakukan proses clustering menggunakan algoritma K-Means. Hasil penelitian menunjukkan bahwa jumlah cluster optimal adalah lima cluster, dengan karakteristik yang berbeda pada setiap kelompok. Cluster 1 memiliki faktor lingkungan dan faktor manusia yang sama-sama tinggi, Cluster 2 didominasi oleh faktor lingkungan tinggi dan faktor manusia sedang, Cluster 3 menunjukkan faktor lingkungan rendah dan faktor manusia tinggi, Cluster 4 memiliki faktor lingkungan sedang dan faktor manusia rendah, sedangkan Cluster 5 menunjukkan faktor lingkungan sedang dan faktor manusia tinggi. Evaluasi hasil clustering menggunakan Silhouette Score, Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI) menghasilkan nilai masing-masing sebesar 0,5012, 0,6800, dan 141,8924, yang menunjukkan bahwa model mampu membentuk cluster dengan kualitas yang baik. Hasil penelitian ini diharapkan dapat menjadi informasi pendukung bagi Polresta Samarinda dan instansi terkait dalam menentukan prioritas penanganan lokasi rawan kecelakaan serta menyusun strategi pencegahan kecelakaan lalu lintas secara lebih efektif. ============================================================ Agnes Novalista Koban, 2026, K-Means Clustering for Road Traffic Accident Data in Samarinda City, Widya Cipta Dharma School of Informatics and Computer Management, Main Supervisor: Eka Arryanti, S.Pd., M.Kom, Co-Supervisor: Pitrasacha Adytia, S.T., M.T. Keywords: K-Means Clustering, Knowledge Discovery in Databases (KDD), traffic accidents, Elbow method, cluster evaluation. Traffic accidents are one of the major issues affecting public safety, making it necessary to analyze the characteristics of accident causes as a basis for decision-making in prevention efforts. This study aims to implement the K-Means Clustering algorithm to classify road traffic accident data in Samarinda City based on environmental and human factors. The research employed the Knowledge Discovery in Databases (KDD) methodology, which consists of data selection, data cleaning, data transformation, data mining, and evaluation. Categorical attributes were first converted into numerical values using the Attribute Value Weighting method and then summarized into two main variables: Environmental Factors (X), consisting of road geometry, road surface condition, road gradient, lighting condition, and weather, and Human Factors (Y), consisting of behavior, age, and gender. The clustering process was subsequently performed using the K-Means algorithm. The results indicate that the optimal number of clusters is five, with each cluster exhibiting distinct characteristics. Cluster 1 is characterized by high environmental and high human factors. Cluster 2 is dominated by high environmental factors and moderate human factors. Cluster 3 is characterized by low environmental factors and high human factors. Cluster 4 exhibits moderate environmental factors and low human factors, while Cluster 5 is characterized by moderate environmental factors and high human factors. The clustering performance was evaluated using the Silhouette Score, Davies–Bouldin Index (DBI), and Calinski–Harabasz Index (CHI), yielding values of 0.5012, 0.6800, and 141.8924, respectively. These results indicate that the proposed model produced clusters with good quality. The findings of this study are expected to provide supporting information for the Samarinda Police Department (Polresta Samarinda) and other relevant agencies in determining priority locations for accident prevention and developing more effective road traffic accident prevention strategies.

Item Type:	Thesis (S1 Teknik Informatika)
Additional Information:	Pembimbing 1: Eka Arriyanti, S.Pd., M.Kom Pembimbing 2: Pitrasacha Adytia, S.T., M.T
Uncontrolled Keywords:	K-Means Clustering, Knowledge Discovery in Database (KDD), kecelakaan lalu lintas, metode Elbow, evaluasi cluster.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Teknik Informatika
Depositing User:	Ms Agnes Koban
Date Deposited:	11 Aug 2026 08:40
Last Modified:	11 Aug 2026 08:40
URI:	http://repository.wicida.ac.id/id/eprint/6479

Actions (login required)

View Item