Clustering Traffic Violations Using K-Means Algorithm on CCTV Data
Pengelompokan Pelanggaran Lalu Lintas Menggunakan Algoritma K-Means pada Data CCTV
DOI:
https://doi.org/10.21070/ups.7039Keywords:
Traffic Violations, CCTV, K-Means Clustering, CRISP-DM, Silhouette Score, Sidoarjo Police StationAbstract
This study aims to cluster traffic violation data recorded by CCTV in Sidoarjo using the K-Means Clustering algorithm. The dataset, obtained from the Sidoarjo Police, consists of 43,055 traffic violation records from January 2023 to July 2024. The CRISP-DM methodology was used to ensure a systematic research flow, from problem understanding to result evaluation. After data selection and transformation, 14,386 records were processed. Clustering categorized violations into three levels of severity: high, medium, and low. The evaluation using Silhouette Score showed the best result at k=2, with a value of 0.8913, indicating optimal clustering. The results revealed that the highest violations were for “not using a seat belt” (8,710 cases), followed by moderate violations for “not wearing a helmet” (5,522 cases). This study demonstrates the effectiveness of K-Means in clustering traffic violation data and offers insights for improving traffic law enforcement programs.
Downloads
References
R. Manaek, Richardus Eko Indrajit, and Erick Dazki, “Arsitektur Perusahaan Untuk Infrastuktur Telekomunikasi Di Daerah Pedalaman Indonesia,” SATIN - Sains Dan Teknol. Inf., vol. 9, no. 2, pp. 01–11, Dec. 2023, doi: 10.33372/stn.v9i2.1000.
D. Wahyuni and A. Arianto, “PENERAPAN DATA MINING PADA DATA PELANGGARAN LALU LINTAS MENGGUNAKAN METODE K-MEANS CLUSTERING (STUDI KASUS : PENGADILAN NEGERI DUMAI)”.
E. S. Wasih, S. Rahmatullah, and S. Mintoro, “Implementasi Data Mining Pada Data Pelanggaran Lalu Lintas di Lampung Utara Menggunakan Algoritma K-Means (Studi Kasus Kejaksaan Negeri Lampung Utara),” 2022.
A. Yudhistira and R. Andika, “Pengelompokan Data Nilai Siswa Menggunakan Metode K-Means Clustering,” J. Artif. Intell. Technol. Inf. JAITI, vol. 1, no. 1, pp. 20–28, Feb. 2023, doi: 10.58602/jaiti.v1i1.22.
D. Sartika and J. Jumadi, “IMPLEMENTASI DATA MINING UNTUK PENGELOMPOKKAN WILAYAH PELANGGARAN LALU LINTAS MENGGUNAKAN METODE K-MEANS PADA POLRES BENGKULU”.
R. Saragih, S. Kom, M. Kom, J. N. Sitompul, and M. Pd, “Analisis Perbandingan Data Mining Mengidentifikasi Pola Keterkaitan Variabel Kecelakaan Lalu Lintas Di Polresta Kota Medan,” Inf. Syst. Dev., vol. 4.
J. Rahmasari, “HALAMAN PERNYATAAN KEASLIAN SKRIPSI”.
I. Budiman, T. Prahasto, and Y. Christyono, “Data Clustering Menggunakan Metodologi CRISP-DM Untuk Pengenalan Pola Proporsi Pelaksanaan Tridharma,” J. Sist. Inf. BISNIS, vol. 1, no. 3, pp. 129–134, Jan. 2014, doi: 10.21456/vol1iss3pp129-134.
A. D. Adhi Putra, “Analisis Sentimen pada Ulasan pengguna Aplikasi Bibit Dan Bareksa dengan Algoritma KNN,” JATISI J. Tek. Inform. Dan Sist. Inf., vol. 8, no. 2, pp. 636–646, Jun. 2021, doi: 10.35957/jatisi.v8i2.962.
M. Y. Nurzaman and B. N. Sari, “Implementasi K-Means Clustering Dalam Pengelompokkan Banyaknya Jumlah Petani Berdasarkan Kecamatan Di Provinsi Jawa Barat,” vol. 10, no. 3, 2023.
A. Pambudi, “PENERAPAN CRISP-DM MENGGUNAKAN MLR K-FOLD PADA DATA SAHAM PT. TELKOM INDONESIA (PERSERO) TBK (TLKM) (STUDI KASUS: BURSA EFEK INDONESIA TAHUN 2015-2022),” J. Data Min. Dan Sist. Inf., vol. 4, no. 1, p. 1, Mar. 2023, doi: 10.33365/jdmsi.v4i1.2462.
I. Fitrianti, A. Voutama, and Y. Umaidah, “Clustering Film Populer Pada Aplikasi Netflix Dengan Menggunakan Algoritma K-Means Dan Metode CRISP- DM,” vol. 4, no. 2.
F. N. Dhewayani, D. Amelia, D. N. Alifah, B. N. Sari, and M. Jajuli, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM,” J. Teknol. Dan Inf., vol. 12, no. 1, pp. 64–77, Mar. 2022, doi: 10.34010/jati.v12i1.6674.
M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Inform. Comput., vol. 5, no. 2, pp. 103–108, Oct. 2021, doi: 10.30871/jaic.v5i2.3200.
A. S. Ritonga and I. Muhandhis, “Clustering Data Tweet E-Commerce Menggunakan Metode K-Means (Studi Kasus Akun Twitter Blibli Indonesia),” SMATIKA J., vol. 12, no. 01, pp. 75–84, Jun. 2022, doi: 10.32664/smatika.v12i01.665.
N. Saniyah, N. Suarna, and W. Prihartono, “CLUSTERING PELANGGARAN LALU LINTAS PADA KENDARAAN BERMOTOR MENGGUNKAN ALGORITMA K-PROTOTYPE (STUDI KASUS: PENGADILAN NEGERI CIREBON),” vol. 8, no. 1, 2024.
F. A. Nisa, A. Susanto, E. R. Pramudya, and U. W. Mulyono, “KLASTERISASI PERKARA PELANGGARAN LALU LINTAS MENGGUNAKAN ALGORITMA K-MEANS DAN DAVIES- BOULDIN INDEX,” 2020.
M. R. Muttaqin, T. I. Hermanto, and M. A. Sunandar, “PENERAPAN K-MEANS CLUSTERING DAN CROSS-INDUSTRY STANDARD PROCESS FOR DATA MINING (CRISP-DM) UNTUK MENGELOMPOKAN PENJUALAN KUE,” 2022.
I. F. Anshori and Y. Nuraini, “Pengelompokan Data Kecelakaan Lalu Lintas di Kota Tasikmalaya Menggunakan Algoritma K-Means,” J. Responsif Ris. Sains Dan Inform., vol. 2, no. 1, pp. 118–127, Mar. 2020, doi: 10.51977/jti.v2i1.198.
R. Adha, N. Nurhaliza, and U. Soleha, “Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Kasus Covid-19 di Dunia,” vol. 18, no. 2, 2021.
Downloads
Additional Files
Posted
License
Copyright (c) 2025 UMSIDA Preprints Server
This work is licensed under a Creative Commons Attribution 4.0 International License.
