Penerapan K-Means Clustering dalam Pemetaan Titik Kecelakaan Lalu Lintas di Kecamatan Bawen

Doke, Christian Alessandro (Universitas Kristen Satya Wacana)
Chernovita, Hanna Prillysca (Universitas Kristen Satya Wacana)

Progresif: Jurnal Ilmiah Komputer
Vol 21, No 1: Februari 2025

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 AbstrakDengan 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 tersebutKata Kunci: K-Means Clustering; Sistem Informasi Geografis; Titik rawan kecelakaan