Perbandingan Metode Machine Learning Dan Ensemble Learning Dalam Klasifikasi Tingkat Luka Korban Kecelakaan (Studi Kasus : Data Kecelakaan Lalu Lintas Di Polres Kudus Tahun 2019 - 2021)
Abstract
Kecelakaan lalu lintas merupakan kejadian yang tidak terduga dan tidak disengaja
yang melibatkan kendaraan bermotor maupun pejalan kaki. Berdasarkan data pada
Badan Pusat Statistik (BPS), kabupaten Kudus merupakan salah satu kabupaten di
Jawa Tengah yang memiliki tingkat kasus kecelakaan yang tergolong tinggi. Kasus
kecelakaan di kabupaten Kudus termasuk tinggi karena lebih besar dibandingkan
kabupaten lainnya dengan kasus 964 pada tahun 2019, 831 kasus pada tahun 2020
dan 841 kasus pada tahun 2021. Kasus kecelakaan yang tinggi mengakibatkan
korban mengalami luka ringan, luka berat, maupun meninggal dunia. Oleh karena
itu, peneliti ingin mengetahui prediksi dari klasifikasi tingkat luka korban
kecelakaan di kabupaten Kudus, dan mengidentifikasi faktor apa yang paling
berpengaruh dalam penentuan tingkat luka korban. Menggunakan metode
klasifikasi machine dan ensemble learning dengan menggabungkan metode
klasifikasi seperti decision tree , dan naïve bayes. Hasil klasifikasi tunggal
menggunakan data sebelum oversampling, didapatkan akurasi metode decision tree
sebesar 95% dan naïve bayes sebesar 97%, sedangkan menggunakan data setelah
oversampling didapatkan hasil akurasi metode decision tree sebesar 99% dan naïve
bayes sebesar 93%. Sedangkan metode ensemble learning pada algoritma
klasifikasi didapatkan akurasi sebesar 95% menggunakan data sebelum
oversampling dan 93% setelah oversampling. Berdasarkan simulasi sebanyak 50
dan 100 kali dapat di diketahui bahwa pada penelitian ini, metode ensemble dengan
oversampling dan tanpa oversampling tidak dapat menaikkan akurasi dalam
klasifikasi. Dari seluruh variabel independent, variabel jenis kecelakaan merupakan
variabel yang paling besar pengaruhnya dalam memprediksi tingkat luka korban
kecelakaan lalu lintas, sedangkan variabel jenis kelamin merupakan variabel yang
memiliki pengaruh paling kecil.
Collections
- Statistics [900]