Klasifikasi Keparahan Kecelakaan Lalu Lintas Berbasis Decision Tree C4.5 dan Teknik SMOTE
DOI:
https://doi.org/10.30812/corisindo.v1.5252Keywords:
Klasifikasi, Kecelakaan Lalu Lintas, Decision Tree, SMOTE, Cross Validation, NTBAbstract
Kecelakaan lalu lintas merupakan masalah serius yang berdampak besar terhadap keselamatan masyarakat, khususnya di Provinsi Nusa Tenggara Barat (NTB). Dalam beberapa tahun terakhir, angka kecelakaan di NTB menunjukkan tren fluktuatif dengan kecenderungan peningkatan pada kategori kecelakaan berat. Kondisi ini menjadi isu penting yang harus segera mendapat perhatian dari pihak berwenang maupun masyarakat. Tingginya angka kecelakaan, terutama yang berakibat fatal, menegaskan perlunya upaya penanggulangan berbasis data yang terarah dan berkelanjutan. Dalam upaya menurunkan tingkat kecelakaan dan meningkatkan keselamatan lalu lintas, penelitian ini bertujuan untuk mengklasifikasikan tingkat keparahan kecelakaan lalu lintas menggunakan algoritma Decision Tree (C4.5) yang dikombinasikan dengan teknik SMOTE untuk mengatasi ketidakseimbangan data antar kelas. Data yang digunakan merupakan data sekunder dari Badan Pusat Statistik NTB, mencakup periode 2018 hingga 2023. Model divalidasi menggunakan 15-Fold Cross Validation dan menghasilkan akurasi sebesar 98,33%. Hasil klasifikasi menunjukkan bahwa atribut "Jumlah" merupakan variabel paling berpengaruh dalam membentuk aturan klasifikasi, dengan pembagian kategori keparahan ke dalam tiga kelas: Rendah, Sedang, dan Tinggi. Temuan ini menunjukkan bahwa model memiliki performa tinggi dan dapat dimanfaatkan sebagai alat bantu dalam menyusun kebijakan pencegahan kecelakaan, mengidentifikasi wilayah rawan, serta mendukung pengambilan keputusan yang lebih tepat dalam upaya menurunkan risiko kecelakaan di wilayah NTB.
References
[1] A. K. Nalendra, M. Mujiono, R. Akhsani, and A. S. W. Utama, “Implementasi Algoritma K-Mean dalam Pengelompokan Data Kecelakaan di Kabupaten Kediri,” VOCATECH Vocat. Educ. Technol. J., vol. 1, no. 2, pp. 53–60, Apr. 2020, doi: 10.38038/vocatech.v1i2.28.
[2] C. A. Salsabila, F. Yulianto, and T. A. Y. Siswa, “Implementasi Metode Naive Bayes Untuk Klasifikasi Kecelakaan Lalu Lintas di Kota Samarinda,” J. Inform. dan Tek. Elektro Terap., vol. 13, no. 1, Jan. 2025, doi: 10.23960/jitet.v13i1.5890.
[3] C. Silvia et al., “Ketepatan Klasifikasi Tingkat Keparahan Korban Kecelakaan Lalu Lintas Menggunakan Metode Regresi Logistik Ordinal dan Fuzzy K-Nearest Neighbor In Every Class,” vol. 4, pp. 441–451, 2015, [Online]. Available: http://ejournal-s1.undip.ac.id/index.php/gaussian
[4] N. Betris, D. Maretta, F. Yulianto, T. Azhima, and Y. Siswa, “Identifikasi Jenis Kecelakaan Lalu Lintas di Kota Samarinda Menggunakan Metode Random Forest,” 2025.
[5] I. G. A. M. S. I Gede Agus Jiwadiana, I Komang Gde Sukarsa, “Klasifikasi Karakteristik Kecelakaan Lalu Lintas di Kota Denpasar dengan Pendekatan Classification And Regression Trees(CART),” 2015.
[6] D. Anitasari, F. Yulianto, T. Azhima, and Y. Siswa, “Klasifikasi Kecelakaan Lalu Lintas di Kota Samarinda Menggunakan Algoritma K-Nearest Neighbor,” 2025.
[7] M. R. Qisthiano, P. A. Prayesy, and I. Ruswita, “Penerapan Algoritma Decision Tree dalam Klasifikasi Data Prediksi Kelulusan Mahasiswa,” G-Tech J. Teknol. Terap., vol. 7, no. 1, pp. 21–28, Jan. 2023, doi: 10.33379/gtech.v7i1.1850.
[8] R. Ade Putranto and T. Wuryandari, “Perbandingan Analisis Klasifikasi Antara Decision Tree dan Support Vector Machine Multiclass Untuk Penentuan Jurusan Pada Siswa Sma,” vol. 4, pp. 1007–1016, 2015, [Online]. Available: http://ejournal-s1.undip.ac.id/index.php/gaussian
[9] D. H. M. Surya Prangga, Rito Goejantoro, Memi Nor Hayati, Siti Mahmuda, “Perbandingan Akurasi Klasifikasi Menggunakan Algoritma Quest Pada Skenario Data Kodifikasi dan Non-Kodifikasi,” 2024.
[10] I. Sutoyo, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Data Peserta Didik,” vol. 14, no. 2, 2018, [Online]. Available: www.bsi.ac.id
[11] J. T. Kumalasari, A. Merdekawati, and A. Hidayati, “Klasifikasi Multi Class Pada Metode Kerja Jarak Jauh Menggunakan Algoritma Decision Tree dan Imbalance Data,” J. Inf. Syst. Applied, Manag. Account. Res., vol. 8, no. 1, p. 109, Jan. 2024, doi: 10.52362/jisamar.v8i1.1350.
[12] A. Franseda, W. Kurniawan, S. Anggraeni, and W. Gata, “Integrasi Metode Decision Tree dan SMOTE untuk Klasifikasi Data Kecelakaan Lalu Lintas,” J. Sist. dan Teknol. Inf., vol. 8, no. 3, p. 282, Jul. 2020, doi: 10.26418/justin.v8i3.40982.
[13] F. S. Said Noor Abdullah, Siska Kurnia Gusti, Fitri Wulandari, “Klasifikasi Tingkat Keparahan Korban Kecelakaan Lalu Lintas Menggunakan Naive Bayes,” 2024.
[14] Z. Vebryan Maharani, A. Lestari Arman Syah, and W. Ode Azzahra Astiani Hasiba, “Prediksi Jumlah Kecelakaan Lalu Lintas di Sulawesi Tenggara Menggunakan Metode Algoritma Regresi Linear,” 2024.
[15] K. Octavia, F. Yulianto, T. Azhima, and Y. Siswa, “Penentuan Jenis Kecelakaan Lalu Lintas di Kota Samarinda Menggunakan Metode Decision Tree,” 2025.
