Penggunaan Metode Support Vector Machine (SVM) dalam Mengidentifikasi Tingkat Keparahan Pada Kecelakaan Lalu Lintas
DOI:
https://doi.org/10.29313/statistika.v24i1.1690Keywords:
Support Vector Machine, One Against One, Kernel Linear, Kernel RBFAbstract
ABSTRAK
Kendaraan sudah menjadi kebutuhan pokok yang digunakan semua orang untuk berpindah dari satu tempat ke tempat lain dengan cepat. Namun, bertambahnya jumlah kendaraan juga menimbulkan dampak negatif, salah satunya adalah kecelakaan. Berdasarkan data yang diperoleh dari website Badan Pusat Statistik (BPS) Sumatera Barat pada tahun 2018-2021, kasus kecelakaan terbanyak terjadi di Kota Padang yaitu sebesar 22,79% dari semua kasus kecelakaan yang terjadi di provinsi Sumatera Barat. Tingkat keparahan yang dialami korban pasca kecelakaan dikelompokkan kedalam 3 kategori yaitu korban yang mengalami luka ringan, luka berat dan meninggal dunia. Metode klasifikasi dapat digunakan untuk mengklasifikasi tingkat keparahan kecelakaan berdasarkan faktor-faktor yang mempengaruhi terjadinya kecelakaan. Salah satu metode yang dapat digunakan adalah metode Support Vector Machine (SVM). SVM adalah suatu learning machine yang digunakan untuk mengklasifikasi data secara statistika dalam ruang fitur berdimensi tinggi dan solusi yang dihasilkan dari klasifikasi menggunakan SVM bersifat sama untuk setiap percobaan yang dilakukan. Pada penelitian ini akan digunakan klasifikasi dengan SVM multiclass dengan metode one againts one (satu lawan satu) dengan dua fungsi kernel yang selanjutnya akan dilakukan perbandingan kualitas model berdasarkan akurasi, nilai APER dan F1-score. Data yang digunakan pada penelitian ini adalah data kecelakaan yang dialami pengendara sepeda motor di kota Padang pada bulan Januari-Maret 2022. Hasil penelitian menunjukkan bahwa penggunaan kernel RBF lebih baik dibanding kernel linear dengan tingkat akurasi sebesar 94,62% dengan nilai APER sebesar 5,38% dan diperoleh F1-score untuk kategori luka ringan sebesar 97,07%, luka berat sebesar 59,90% dan meninggal dunia sebesar 80%.
ABSTRACT
Transportation has become a basic necessity that everyone uses to move from one place to another quickly. However, the increasing number of transportation also has negative impacts, one of them was a traffic accident. According to BPS, the highest number of accidents occurred in Padang city, which was around 22.79% of the total cases that occurred in West Sumatra. The classification method can be used to classify the severity of accidents based on the factors that influence the occurrence of accidents. One method that can be used is the Support Vector Machine (SVM). SVM is a learning machine that is used to classify data statistically in a high-dimensional feature space and the solution resulting from classification using SVM is the same for every experiment carried out. In this research, multiclass SVM classification will be used with the one-against-one method with two kernel functions, then the model quality will be calculated based on accuracy, APER value and F1 score. The data used in this research is traffic accidents by motorcyclists in Padang City in January-March 2022. The results of the research show that the RBF kernel is better than the linear kernel with an accuracy level is 94.62%, an APER value is 5.38% and a F1-score for the minor injuries category is 97.07%, while serious injuries and deaths are 59.90% and 80%.
References
Chawla, N. V., 2003. C4.5 and Imbalanced Data Sets: Investigating the effect of sampling method, probabilistic estimate, and decision tree structure. ICML Workshop Learning from Imbalanced Data Sets II. Washington D.C.
Cristianini, N. & Taylor, J. S., 2014. An Introduction of Support Vector Machine and Other Kernel-Based Learning Method. United Kingdom: Cambridge University Press.
Enggarsari, U. & Sa'diyah, N. K., 2017. Kajian Terhadap Faktor-Faktor Penyebab Kecelakaan Lalu Lintas dalam Upaya Perbaikan Pencegahan Kecelakaan Lalu Lintas. Perspektif, 22(3), pp. 238-247.
Fide, S., Suparti & Sudarno, 2021. Analisis Sentimen Ulasan Aplikasi Tiktok di Google Play Menggunakan Support Vector Machine (SVM) dan Asosiasi. Jurnal Gaussian, 10(3), pp. 346-358.
Ginantra, N. L. W. S. R. et al., 2022. Analisis Setimen Ulasan Villa di Ubud Menggunakan Metode Naive Bayes, Decision Tree, dan K-nn. Janapati, 11(3), pp. 206-216.
Hastie, T., Tibshirani, R. & Friedman, J., 2008. The Element of Statistical Learning. 2nd ed. Stanford: Spinger Science Business Media.
Johnson, R. A. & Wichern, D. W., 2007. Applied Multivariate Statistical Analysis. 6nd ed. United States of America: Pearson Education.
Kusumahadi, S. H., Junaedi, H. & Santoso, J., 2019. Klasifikasi Helpdesk Menggunakan Metode Support Vector Machine. Jurnal Informatika: Jurnal Pengembangan IT (JPIT), 4(1), pp. 55-60.
Nalatissifa, H., Gata, W., Diantika, S. & Nisa, K., 2020. Perbandingan Kinerja Algoritma Klasifikasi Naive Bayes, Support Vector Machine (SVM), dan Random Forest untuk Prediksi Ketidakhadiran di Tempat Kerja. Jurnal Informatika Universitas Pamulang, 5(4), pp. 578-584.
Octaviani, P. A., Wilandari, Y. & Ispriyanti, D., 2014. Penerapan Metode Klasifikasi Support Vector Machine (SVM) pada Data Akreditasi Sekolah Dasar (SD) di Kabupaten Magelang. Jurnal Gaussian, 3(4), pp. 811-820.
Patro, V. M. & Patra, M. R., 2014. Augmenting Weighted Average with Confusion Matrix to Enhance Classification Accuracy. Society for Science and Education, 2(4), pp. 77-91.
Puspitasari, A. M., Ratnawati, D. E. & Widodo, A. W., 2018. Klasifikasi Penyakit Gigi Dan Mulut Menggunakan Metode Support Vector Machine. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(2), pp. 802-810.
Rachman, F. & Purnami, S. W., 2012. Perbandingan Klasifikasi Tingkat Keganasan Breast Cancer dengan Menggunakan Regresi Logistik Ordinal dan Support Vector Machine (SVM). Jurnal Sains dan Seni ITS, 1(1), pp. 130-135.
Santosa, B., 2015. Multiclass Classification with Cross Entropy-Support Vector. Propedia Computer Sains, Volume 72, pp. 345-352.
Scholkhopf, B. & Smola, A. J., 2002. Learning With Kernel. England: Massachusetts Institute of Technology.
Sugara, B. & Subekti, A., 2019. Penerapan Support Vector Machine (SVM) pada Small Dataset untuk Deteksi Dini Gangguan Autisme. Jurnal PILAR Nusa Mandiri, 15(2), pp. 177-182.
Wibawa, A. P., Purnama, M. G. A., Akbar, M. F. & Dwiyanto, F. A., 2018. Metode-Metode Klasifikasi. Prosiding Seminar Ilmu Komputer dan Teknologi Informasi, 3(1), pp. 134-138.
Wibowo, M. & Ramadhani, R., 2021. Perbandingan Metode Klasifikasi Data Mining Untuk Rekomendasi Tanaman Pangan. Jurnal Media Informatika Budidarma, 5(1), pp. 913-921.
