VIVI SRIANDRITA (2018) CLUSTERING DATA PELANGGARAN LALU LINTAS KOTA PEKANBARU MENGGUNAKAN ALGORITMA K-MEANS (Studi Kasus: Polresta Pekanbaru). Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.
|
Text
1. COVER_2018179TIF.pdf Download (140kB) | Preview |
|
|
Text
2. PENGESAHAN_2018179TIF.pdf Download (429kB) | Preview |
|
|
Text
3. ABSTRAK_2018179TIF.pdf Download (94kB) | Preview |
|
|
Text
4. KATA PENGANTAR_2018179TIF.pdf Download (301kB) | Preview |
|
|
Text
5. DAFTAR ISI_2018179TIF.pdf Download (194kB) | Preview |
|
|
Text
6. BAB I_2018179TIF.pdf Download (290kB) | Preview |
|
|
Text
7. BAB II_2018179TIF.pdf Download (593kB) | Preview |
|
|
Text
8. BAB III_2018179TIF.pdf Download (257kB) | Preview |
|
|
Text
9. BAB IV_2018179TIF.pdf Download (1MB) | Preview |
|
![[img]](http://repository.uin-suska.ac.id/style/images/fileicons/text.png) |
Text
10. BAB V_2018179TIF.pdf Restricted to Repository staff only Download (920kB) |
|
|
Text
11. BAB VI_2018179TIF.pdf Download (96kB) | Preview |
|
|
Text
12. DAFTAR PUSTAKA_2018179TIF.pdf Download (208kB) | Preview |
Abstract
Pelanggaran lalu lintas merupakan salah satu penyebab utama terjadinya kecelakaan lalu lintas yang bisa memakan korban jiwa. Disebabkan karena grafik pelanggaran lalu lintas yang semakin meningkat setiap tahunnya diperlukan sebuah upaya untuk menekan laju pertumbuhan pelanggaran lalu lintas di Kota Pekanbaru.Salah satu upaya untuk menekan laju pelanggaran lalu lintas dengan cara pengolahan data. Dalam penelitian ini penulis menggunakan Data Mining yang dapat menemukan informasi dari sekumpulan data yang banyak, kompleks, dan rumit. Metode yang digunakan adalah metode Clustering dengan algoritma K-Means, yang dapat menggelompokkan data menjadi beberapa cluster berdasarkan kemiripan data yang satu dengan yang lain. Kemiripan data diukur berdasarkan jarak setiap data dengan menggunakan rumus Euclidean Distance. Hasilnya clustering data pelanggaran lalu lintas di Kota Pekanbaru menjadi 5 cluster yakni cluster1 (siaga) dengan 17,2%, cluster2 (berbahaya) dengan 32,2%, cluster3 (waspada) dengan 25,1%, cluster 4 (aman) dengan 11,4% dan cluster terakhir (hati-hati) dengan 14,1%. Dan diharapkan informasi ini dapat memudahkan dalam menemukan kriteria pelanggar yang paling sering melakukan pelanggaran serta pihak terkait lebih mudah dalam membuat kebijakkan untuk dapat menekan laju pertumbuhan pelanggaran lalu lintas. Kata Kunci: Clustering, Euclidean Distance,Kecelakaan Lalu Lintas,K-Means,Pelanggaran lalu lintas
| Item Type: | Thesis (Skripsi) |
|---|---|
| Subjects: | 300 Ilmu Sosial |
| Divisions: | Fakultas Sains dan Teknologi > Teknik Informatika |
| Depositing User: | Ms. Nilam Badriyah |
| Date Deposited: | 29 Jul 2019 03:58 |
| Last Modified: | 29 Jul 2019 03:58 |
| URI: | http://repository.uin-suska.ac.id/id/eprint/16893 |
Actions (login required)
 |
View Item |