Pemetaan Kecelakaan Lalu Lintas

8/20/2019 Pemetaan Kecelakaan Lalu Lintas

http://slidepdf.com/reader/full/pemetaan-kecelakaan-lalu-lintas 1/6

PEMETAAN KECELAKAAN LALU LINTAS BERBASIS

KLASIFIKASI NAIVE BAYES DENGAN PARAMETER

INFRASTRUKTUR JALAN

Wawan Yunanto1,2) Mochamad Hariadi 1) Mauridhi Hery Purnomo 1) 1) Jurusan Teknik Elektro ITS, Surabaya 60111, email: [email protected], [email protected]

2) Jurusan Komputer, Politeknik Caltex Riau, email: [email protected]

Abstrak – Keadaan infrastruktur jalan sangatmempengaruhi tingkat kecelakaan lalu lintas, namun

sulit untuk dicari seberapa besar pengaruh tersebut

secara manual karena ribuan data kecelakaan

muncul setiap tahunnya. Metode komputasi

memberikan kemudahan dalam mengestrak informasidari sekumpulan data yang besar sehinggainformasi-informasi tersembunyi yang terkandung di

dalamnya bisa didapatkan. Metode Naive Bayes

digunakan untuk klasifikasi data-data kecelakaan

lalu lintas secara cerdas dan hasilnya digunakan

untuk melakukan prediksi tingkat kecelakaan pada

berbagai macam infrastruktur jalan. Akurasi dari

prediksi yang dilakukan paling rendah adalah

28.37%, yaitu pada infrastruktur jalan berupa

simpang dan yang paling tinggi adalah 78.04% pada

infrastruktur jalan berupa arus lalu lintas. Hasil

prediksi ini kemudian dibandingkan dengan metode

klasifikasi lain yang umum digunakan, yaitu DecisionTree dan SVM.

Kata Kunci : kecelakaan lalu lintas, klasifikasi, naive

bayes, infrastruktur jalan

1. PENDAHULUAN

Badan Pusat Statistik [1] mencatat bahwa angka

kecelakaan lalu lintas yang terjadi di Indonesia masih

cukup tinggi seiring dengan pertumbuhan jumlah

kendaraan bermotor yang sangat pesat. Kecelakaan

melibatkan berbagai jenis kendaraan bermotor,

terjadi di berbagai jenis jalan, dan melibatkan pelaku/korban dari berbagai usia. Angka kecelakaan

yang terus meningkat membuat semua pihak merasa

perlu untuk dilakukan langkah-langkah pencegahan.

Supaya kebijakan yang dihasilkan relevan dengan

permasalahan yang dihadapi dalam upaya

menurunkan angka kecelakaan, maka kebijakan

tersebut harus didukung dengan informasi-informasi

yang berasal dari data-data kecelakaan yang selama

ini sudah terjadi.Kepolisian Republik Indonesia memiliki data-data

kecelakaan lalu lintas hasil dari pencatatan setiap

peristiwa kecelakaan yang terjadi. Data-data tersebut

perlu dikelola dalam suatu basis data untukmemudahkan proses penggalian informasi-informasi

yang ada didalamnya. Agar lebih mudah dipahami

maka informasi yang didapatkan dikelola

menggunakan suatu metode komputasi data miningyang membuat data-data kecelakaan menjadi sumber

untuk suatu model yang bisa digunakan untuk

memprediksi suatu kejadian.

Proses penggalian informasi bisa dilakukan dengan

berbagai cara, salah satunya adalah denganmelakukan klasifikasi data-data kecelakaan

berdasarkan parameter tertentu. Dengan

mengklasifikasikan data maka proses pencarian data

menjadi lebih mudah dan cepat karena data sudah

terkelompokan ke dalam kelas-kelas tertentu.

Klasifikasi bisa dilakukan secara manual dengan

menentukan parameter-parameter beserta nilainya

masing-masing atau dilakukan secara otomatis

dengan menggunakan metode-metode data mining.

Berdasarkan kebutuhan akan pencarian informasi

tentang kecelakaan yang melibatkan beberapa

kriteria yang tidak bisa ditentukan sebelumnya, maka

penggunakan metode data mining merupakan solusiyang layak untuk diajukan.

Penelitian ini mengusulkan penggunaan Naive Bayes

untuk klasifikasi data-data kecelakaan lalu lintas di

Indonesia yang sepanjang penelusuran penulis belum

pernah dilakukan sebelumnya. Klasifikasi dilakukan berdasarkan keadaan infrastruktur jalan dan hasilnya

diharapkan bisa digunakan untuk memprediksi

tingkat kecelakaan lalu lintas.

2. METODE NAIVE BAYES

Bayesian merupakan sebuah metode dalam bidang

probabilitas dan statistik, yang dinamai sesuai dengan penemunya, yaitu Thomas Bayes. Metode ini berawal

dari teori probabilitas dan ditambah dengan

kemampuan untuk menangani suatu ketidakpastian

yang memang sering terjadi di kehidupan [2].

Teorema Bayes dinotasikan seperti pada Persamaan

(1).

)(

)()|()|(

B P

A P A B P B A P (1)

Teorema Bayes merupakan suatu metode untuk

memperbaharui tingkat kepercayaan kita terhadap

kemungkinan terjadinya peristiwa A yang

dipengaruhi oleh peritiwa yang lain, misal B. Dalam

hal ini, P(A) biasanya disebut dengan prior

mailto:[email protected]





probability dari A, P(A|B) disebut posterior

probability dari A yang dipengaruhi B, sementara

P(B|A) disebut likelihood dari A yang dipengaruhi

B.

Menurut [3], probabilitas bersyarat memberikan

gambaran bahwa suatu kejadian itu bisa dipengaruhioleh kejadian yang lain, dan kejadian yang

mempengaruhi tersebut bisa juga dipengaruhi olehkejadian yang lain lagi. Jika hal itu berlaku terus

menerus, maka akan didapatkan rangkaian peristiwa

yang saling terkait dan memiliki hubungan sebab-

akibat. Peristiwa A menyebabkan terjadinya

peristiwa B, peristiwa B menyebakan terjadinya

peristiwa C, begitu seterusnya. Hal ini

menggambarkan kenyataan yang terjadi di dunia

nyata, banyak sekali peristiwa yang merupakan

kejadian sebab-akibat (causality). Masalah seperti di

atas menggambarkan suatu kumpulan peristiwa

beserta statusnya masing-masing dimana peristiwasatu menyebabkan terjadinya peristiwa yang lain,

begitu terus-menerus secara berantai membentuk

suatu rangkaian peristiwa, dan disebut sebagai jaring

sebab-akibat (causal network).

Dalam suatu graf, jika A parent dari B maka bobot

link antara A dan B diambil dari nilai P(B|A).Sekarang jika ada C yang ternyata juga parent dari B

maka P(B|C) juga menjadi bobot dari link antara C

dan B. Jadi ada 2 kejadian (A dan C) yang

mempengaruhi B, tetapi kita tidak mengetahui

bagaimana pengaruh A ke B berinteraksi dengan

pengaruh C ke B. Bisa saja 2 pengaruh tersebut

saling menguatkan, tetapi bisa juga saling berlawanan. Oleh karena itu diperlukan

penghitungan P(A|A,C), tetapi hal ini hanya bisa

dilakukan apabila dalam graf-nya tidak terdapat

siklus. Sebuah jaring sebab-akibat yang dihadirkan

dalam bentuk graf berarah tanpa siklus disebut

dengan Bayesian Network (BN), yang memodelkan

probabilitas hubungan antar variabel, bisa dipadukan

dengan teknik-teknik statistik dan sangat berguna

untuk analisa data [4].

Naive Bayes merupakan model yang sangat

sederhana sehingga memberikan keuntungan yang

sangat signifikan dibandingkan dengan model sebab-

akibat atau BN. Kesederhanaan tersebut bisadinotasikan dengan Persamaan (2).

i

in C A P C A A P )|()|,...,( 1 (2)

Hal ini menunjukan bahwa parameter yang

dibutuhkan jauh lebih sedikit daripada BN, yang

berarti data yang dievaluasi menjadi lebih sedikit

sehingga Naive Bayes bisa mempelajari data dengan

lebih cepat dibandingkan model lain.

Naive Bayes banyak digunakan dalam penelitian

yang behubungan dengan proses klasifikasi,

prediksi, dan deteksi. Referensi [5] menggunakan Naive Bayes untuk ¬anti-spam filtering dan hal inimerupakan awal dari perkembangan teknologi anti-

spam berbasis metaheuristic. Referensi [6]

melakukan perbaikan klasifikasi teks menggunakan

Naive Bayes. Masalah transportasi yang pernah

diteliti menggunakan metode Bayesian antara lain

tentang pemodelan informasi lalu lintas [7].

3. DESAIN SISTEM

Desain sistem bisa dilihat pada Gambar 1, terdiri

dari 3 bagian yaitu bagian penyimpanan data, bagian

klasifikasi data dan bagian prediksi kecelakaan lalu

lintas. Data kecelakaan lalu lintas disimpan dalam

aplikasi basis data Oracle Database. Proses

klasifikasi data dilakukan menggunakan Oracle Data

Miner yang dihubungkan dengan Oracle Database.

Klasifikasi dilakukan untuk mengelompokan data-

data kecelakaan sesuai dengan kelasnya masing-

masing berdasarkan parameter tertentu, yaitu

infrastruktur jalan.

Gambar 1: Desain Sistem Prediksi Kecelakaan Lalu Lintas

Detail dari proses-proses yang dilakukan mulai dariekstraksi sumber data sampai bisa diperoleh hasil

prediksi kecelakaan lalu lintas dihadirkan dalam

bentuk diagram alir pada Gambar 2.

3.1. Eksplorasi dan Transformasi Data Sumber

Sumber data kecelakaan lalu lintas yang digunakan

berbentuk dump file sehingga harus diekstrak

terlebih dahulu sebelum diolah. Ekstraksi dilakukandengan fasilitas import yang dimiliki Oracle

Database. Oracle Database mengharuskan setiap

data berada dalam skema salah satu usernya

Oracle

Database

Prediksi Kecelakaan

Lalu Lintas

BerdasarkanInfrastruktur Jalan

Naive Bayes Classifier

Data Exploration

Data Transformation

Data Classification



sehingga dump file yang sudah diekstrak akan

menjadi milik salah satu user di Oracle. Setelah

proses ekstraksi, data siap untuk diolah, baik secara

manual menggunakan bahasa pemrograman SQL

[8] atau menggunakan aplikasi-aplikasi client tools

yang dihubungkan dengan Oracle Database. Dalam penelitian ini digunakan client tool Oracle

Developer 3.0 untuk melakukan eksplorasi dan

transformasi data sumber yang sudah diekstrak

sebelumnya.

Gambar 2: Diagram Alir Sistem Prediksi Kecelakaan

Data hasil ekstraksi berupa kumpulan tabel berjumlah

284 yang mencakup data-data kecelakaan lengkap

dengan informasi yang berhubungan dengan

infrastruktur jalan, pengemudi, keadaan cuaca, danlain-lain. Dalam penelitian ini, prediksi dilakukandengan melihat korelasi antara kecelakaan yang terjadi

dengan kondisi infrastruktur jalan dimana kecelakaan

itu terjadi.

Informasi kecelakaan tercatat dalam tabel T_LP yang

berisi laporan dari masyarakat, polisi, ataupun pihak

lain. Tabel ini tidak menampung semua informasikecelakaan tetapi membagi informasi tersebut ke

dalam beberapa tabel lain sesuai dengan kaidah

normalisasi untuk keperluan pembuatan aplikasi.

Sedangkan untuk keperluan prediksi kecelakaan

menggunakan Naive Bayes diperlukan sebuah sumber

data yang menyatu dalam format tertentu, misalnyatabel, untuk kemudian diklasifikasi berdasarkan target

tertentu.

Transformasi data diperlukan untuk menyatukan

sumber-sumber data dari banyak tabel menjadi 1 tabel

saja. Transformasi dilakukan menggunakan query join

dan hasilnya langsung di-insert ke dalam tabel baru

yang diberi nama LAKA seperti yang terlihat pada

Gambar 3. Tidak semua informasi dilibatkan, hanya

data-data yang berhubungan dengan infrastruktur jalansaja.

create table LAKA asselectlp.id, lp.bln, lp.thnlp,lp.waktu_kejadian,lp.waktu_dilaporkan,lp.waktu_diterima, t_polres.namapolres, t_polda.nama polda, jl1jalan, kel, kec, berita, jasmani,t_jenislaka.nama jenis,t_gollaka.nama gol,t_statusjalan.nama statusjalan,t_kelasjalan.nama kelasjalan,t_tabraklari.nama tabraklari,t_keadaan.nama keadaan, t_waktu.namawaktu, t_penyebab.nama penyebab,t_kendaraan.nama kendaraan,t_jalan.nama jenisjalan,...t_lingkungan.nama lingkunganfromt_lp lp, t_polda, t_polres, t_jenislaka,t_gollaka, t_statusjalan, t_kelasjalan,t_tabraklari, t_keadaan, t_waktu,t_penyebab, t_kendaraan, t_jalan,t_alam, t_it, t_alinyemen,

t_jumlahlajur, t_pagarpengaman,t_penerangan, t_konstruksi, t_kualitas,t_permukaan, t_situasi, t_perbaikan,t_simpang, t_pengaturan, t_aruslantas,t_bataskec, t_cuaca, t_lokasi,t_lingkunganwherelp.id_polda = t_polda.id andlp.id_polres = t_polres.id andlp.jenislaka = t_jenislaka.id andlp.gollaka = t_gollaka.id andlp.statusjalan = t_statusjalan.id andlp.kelasjalan = t_kelasjalan.id..

.and lp.lokasi = t_lokasi.id andlp.lingkungan = t_lingkungan.id;

Gambar 3: Query Join

Tabel-tabel dieksplorasi untuk mencari informasi yang

selektif, sesuai dengan kebutuhan. Banyak dari tabel

tersebut yang merupakan hasil rekapitulasi dari tabel

lain sehingga bisa dikesampingkan. Informasi-

informasi lain yang tidak berhubungan dengan

infrastruktur jalan dan tidak berkaitan langsung dengankecelakaan lalu lintas (misal: user, polres, polsek) juga

dikesampingkan. Dari proses eksplorasi juga diketahui bahwa beberapa tabel ternyata belum terisi data sama

sekali, kemungkinan karena belum ada kecelakaan

yang berkaitan dengan data ini atau operator aplikasi

Ekstraksi Data Sumber

Transformasi data sumber

Query Join untuk membuat tabel baru

seba ai enam un hasil ekstraksi

Tabel baru dengan data bebas noise

Klasifikasi data dengan

metode Naïve Ba es

Data hasil klasifikasi

untuk rediksi

STOP

START



memang belum menginputkannya. Tabel yang seperti

ini juga dikesampingkan. Setelah diseleksi, terdapat 31

tabel yang harus dijoinkan sehingga menjadi 1 tabel

untuk proses klasifikasi.

Sebelum dilakukan proses klasifikasi, tabel LAKA

harus dibersihkan terlebih dahulu dulu dari data-datayang redundant, data-data yang kemungkinan memiliki

nilai sama tetapi dituliskan dalam bentuk yang berbeda. Beberapa data masih belum ada standarisasi

format, misal: laporan kecelakaan yang berasal dari

masyarakata kadang ditulis “laporan masyarakat” atau

“laporan masy” atau “lap masyarakat”, ketiga data

tersebut memiliki nilai sama sehingga harus

ditransformasikan ke bentuk yang konsisten, misal

dengan mengganti semuanya menjadi “laporan

masyarakat”. Data-data redundant bisa diamati dengan

melihat histogram dari data-data seperti pada Gambar

4. Langkah yang sama dilakukan untuk kolom-kolom

di tabel LAKA sampai semua data dalam keadaan bersih dari redundancy.

Gambar 4: Histogram Data Jenis Jalan

3.2. Klasifikasi Data Klasifikasi dilakukan pada data yang sudah bersih dari

redundancy sehingga menghasilkan prediksi yang

akurat. Aplikasi Oracle Data Miner yang integrasikan

ke dalam Oracle SQL Developer digunakan untuk

mengklasifikasikan data kecelakaan berdasarkaninfrastruktur jalan. Workflow digunakan untuk

menggambarkan aliran data mulai dari data sumber

sampai dengan hasil prediksi, seperti pada Gambar 5.

Setiap node dalam proses flow mempunyai fungsi

masing-masing. Node LAKA digunakan menunjuk

sumber data dari proses yang akan dilakukan, yaitutabel LAKA yang sudah bersih. Untuk memastikan

kebersihan sumber data, bisa dilakukan evaluasi

kembali menggunakan node Explore Data. Metode

klasifikasi Naive Bayes dilakukan pada node Class

Build, dengan menggunakan sumber data dari node

LAKA, setelah itu data hasil klasifikasi ditampung

untuk keperluan pembuatan aplikasi dalam node

LAKA_APPLY.

Data diambil dari laporan kecelakaan lalu lintas di

bulan Juli 2009 sampai bulan Desember 2010, dengan

jumlah 18.374 baris data. Klasifikasi Naive Bayesdilakukan dengan membagi data menjadi 60% untuk

data latih dan 40% sisanya sebagai data uji. Target

yang menjadi acuan dalam melalukan klasifikasi

adalah hal-hal yang berhubungan dengan infrastruktur

jalan berdasarkan sumber data, meliputi: status jalan,

kelas jalan, keadaan jalan, jenis jalan, profil jalan,

jumlah lajur, pagar pengaman, penerangan,

konstruksi, kualitas, permukaan, situasi, perbaikan,

simpang, pengaturan, arus lantas, batas kecepatan,

lokasi, dan lingkungan di sekitar jalan.

Gambar 5: Proses Flow

Klasifikasi dilakukan satu persatu sampai semua target

yang berhubungan dengan infrastruktur jalan selesai

diproses. Pemilihan target dilakukan di node Class

Build, sekaligus pembagian porsi data untuk data latih

dan data uji. Hasil dari setiap target dicatat prosentase

akurasinya.

3.3. Prediksi kecelakaan Lalu Lintas Data hasil klasifikasi membentuk suatu

pengelompokan data berdasarkan target masing-

masing. Setelah model terbentuk, selanjutnya adalah

melakukan pengujian terhadap model tersebutmenggunakan 40% data uji yang sudah disiapkan.

Hasilnya dicatat untuk setiap target berupa

infrastruktur jalan, kemudian hasilnya dianalisa untuk

melihat tingkat akurasi prediksi kecelakaan

berdasarkan infrastruktur jalan.Tabel 1 menunjukkan hasil prediksi berdasarkan profil

jalan, meliputi jumlah kasus untuk setiap nilai profil

jalan beserta prediksi benarnya. Hal ini dilakukan

untuk setiap target klasifikasi yang termasuk dalam

kategori infrastruktur jalan. Hasil prediksi juga

dihadirkan dalam bentuk grafik, untuk profil jalan bisa

dilihat pada Gambar 6.

Tabel 1. Hasil prediksi kecelakaan berdasarkan profil jalan

Profil JalanTotal Case

CountCorrect Prediction

(%)

Lurus Datar 6,192 60.11

Lurus Naik/Turun 339 37.46

Tikungan Datar 528 22.34

Tikungan Naik/Turun 228 57.02

Seluruh hasil prediksi benar dirata-rata berdasarkantarget masing-masing dan dihadirkan dalam bentukgrafik. Hal ini untuk memudahkan dalammembandingkan antara target satu dengan lainnya,tetapi untuk mengevaluasi setiap nilai dari targettertentu akan lebih baik jika menggunakan hasil detailseperti sebelumnya. Rata-rata hasil prediksi benar bisa



dilihat pada Tabel 2, sedangkan grafiknya bisa dilihat pada gambar 7.

Gambar 6: Prediksi berdasarkan profil jalan

Tabel 2. Hasil prediksi rata-rata berdasarkan infrastruktur jalan

No. Classification TargetAverage CorrectPrediction (%)

1 Status Jalan 49.64

2 Kelas Jalan 58.67

3 Keadaan Jalan 50.00

4 Jenis Jalan 46.75

5 Profil Jalan 44.23

6 Jumlah Lajur 46.51

7 Pagar Pengaman 73.38

8 Penerangan 53.60

9 Konstruksi Jalan 56.73

10 Kualitas Jalan 54.92

11 Permukaan Jalan 35.89

12 Situasi Jalan 43.85

13 Perbaikan Jalan 60.39

14 Simpang 29.37

15 Pengaturan Jalan 41.47

16 Arus Lantas 78.04

17 Batas Kecepatan 38.98

18 Lokasi 75.82

19 Lingkungan 31.45

4. HASIL DAN PEMBAHASAN

Prediksi yang dilakukan dengan menggunakan metode

Naive Bayes ini mempunyai tingkat akurasi yang

diambilkan dari tingkat prediksi benar untuk setiap

nilai dari target. Hasil ini akan dibandingkan denganmetode-metode klasifikasi lain yang juga sering

digunakan untuk kasus-kasus semacam ini. Metode-

metode tersebut diimplementasikan dengan tools yang

sama dan data yang sama dengan sebelumnya sehingga

menjaga tingkat kepercayaan akan hasil yang

diperoleh.

Metode-metode yang digunakan sebagai pembanding Naive Bayes pada penelitian ini merupakan 2 metode

supervised learning, yaitu: Support Vector Machine(SVM) dan Decision Tree (DT) [9]. Sama seperti

Naive Bayes, SVM dan DT diukur tingkat akurasinya

kemudian hasil dari ketiga metode tersebut dihadirkan

dalam Tabel 3.

Tabel 3. Tingkat akurasi NB, SVM, dan DT

No.

ClassificationTarget

NB(%)

SVM(%)

DT(%)

1 Status Jalan 49.64 36.52 53.82

2 Kelas Jalan 58.67 50.66 63.13

3 Keadaan Jalan 50.00 67.18 61.96

4 Jenis Jalan 46.75 31.73 42.01

5 Profil Jalan 44.23 34.27 41.59

6 Jumlah Lajur 46.51 40.23 51.10

7 Pagar Pengaman 73.38 75.45 73.59

8 Penerangan 53.60 48.41 54.62

9 Konstruksi Jalan 56.73 46.92 49.23

10 Kualitas Jalan 54.92 51.20 53.27

11 Permukaan Jalan 35.89 30.19 24.84

12 Situasi Jalan 43.85 37.66 29.92

13 Perbaikan Jalan 60.39 60.62 61.92

14 Simpang 29.37 23.00 27.98

15 Pengaturan Jalan 41.47 31.60 36.31

16 Arus Lantas 78.04 79.47 78.66

17 Batas Kecepatan 38.98 21.56 37.42

18 Lokasi 75.82 81.03 78.70

19 Lingkungan 31.45 19.50 31.76

Hasil pengujian menunjukan bahwa Naive Bayes tidak

selalu memberikan hasil terbaik, begitu juga dengan

SVM maupun Decision Tree. Masing-masing metode

mempunyai keunggulan dan kekurangan dalam

melakukan prediksi. Untuk melihat pola dari target-

target mana saja yang memberikan keuntungan padasuatu metode tertentu, dilakukan perbandingan pada

ketiga metode tersebut.

Gambar 7 menunjukan hasil perbandingan ketiga

metode, dengan Naive Bayes unggul di 9 target

infrastruktur jalan, yaitu: jenis jalan, profil jalan,

konstruksi jalan, kualitas jalan, permukaan jalan,

situasi jalan, simpang, pengaturan jalan, dan batas

kecepatan.



Gambar 7: Perbandingan tingkat akurasi NB, SVM, dan DT

SVM unggul di 4 target, yaitu: keadaan jalan, pagar pengaman, arus lalu lintas, dan lokasi. Sementara itu,

DT unggul di 6 target, yaitu: status jalan, kelas jalan,

jumlah lajur, penerangan, perbaikan jalan, dan

lingkungan. Hasil perbandingan menunjukan bahwa

Naive Bayes mempunyai performa yang relatif baik

untuk melakukan prediksi kecelakaan lalu lintas berdasarkan infrastruktur jalan, walaupun ada beberapa

target dimana Naive Bayes tidak menunjukan hasil

yang maksimal.

5. KESIMPULAN

Hasil prediksi dengan Naive Bayes menunjukan

bahwa tingkat akurasi rata-rata berkisar antara

29.3653% sampai dengan 78.0415%, ini

menunjukan bahwa tidak semua infrastruktur jalan

bisa digunakan sebagai parameter sebuah

kecelakaan terjadi karena masih ada hasil prediksi

yang berada di bawah 50%. Namun ini bukan

merupakan hasil final yang langsung

diimplementasikan. Prediksi kecelakaan lalu lintas

ini masih merupakan penelitian yang sedang

berjalan dan belum sepenuhnya selesai. Selaininfrastruktur jalan, masih ada hal lain yang menjadi

target, antara lain dari sisi kendaraan yang

mengalami kecelakaan, manusia yang

mengemudikan kendaraan tersebut, dan cuaca

dimana kecelakaan itu terjadi. Penelitian lebih lanjut

sangat diperlukan untuk melihat seberapa besar

korelasi antara target-target tersebut dengan

kecelakaan lalu lintas.

DAFTAR REFERENSI

[1] Badan Pusat Statistik, Jumlah Kecelakaan,

Koban Mati, Luka Berat, Luka Ringan, dan

Kerugian Materi yang Diderita Tahun 1992-

2009, Diakses pada 14 Desember 2011 dari

http://www.bps.go.id, 2010

[2] D. Heckerman, “A Toturial on Learning with

Bayesian Networks”, Book Chapter

Innovations in Bayesian Networks, Springer

Berlin, 2008, p.33-82

[3] K.B. Korb, A.E. Nicholson, Bayesian

Artificial Intelligence , CRC Press, 2011

[4] F.D. Jensen, T.D. Nielsen, Bayesian

Networks and Decision Graphs, Springer,

2007

[5] I. Androutsopoulos, J. Kautsias, K.V.Chandrinos, G. Paliouras, C. Spyropoulos,

“An Evaluation of Naïve Bayes Anti-Spam

Filtering”, 11th European Conference on

Machine Learning , 2000

[6] G. Qiang, “An Effective Algorithm for

Improving the Performance of Naïve Bayes

for Text Classification”, Second

International Conference on Computer

Research and Development , IEEE Computer

Society, 2010

[7] P. Haak, Modell ing Traffic Information using

Bayesian Networks, Delft University og

Technology, 2010

[8] C. Ordones, S.K. Pitchaimalai, “Bayesian

Classifier Programmed in SQL”, IEEE

Transactions on Knowledge and Data

Engineering , Vol. 22, No. 1, 2010

[9] D. Widiastuti, Analisa Perbandingan

Algoritma SVM, Naive Bayes, dan Decision

Tree dalam Mengklasifikasikan Serangan

(Attacks) pada Sistem Pendeteksi Intrusi,

Universitas Gunadarma, 2008

http://www.bps.go.id/

http://www.bps.go.id/

Pemetaan Kecelakaan Lalu Lintas

Documents

Transcript of Pemetaan Kecelakaan Lalu Lintas