Impelementasi metode mean shift untuk clustering kejadian kecelakaan lalu lintas di kota makassar

INDONESIA :
Identifikasi daerah rawan kejadian kecelakaan lalu lintas merupakan langkah penting dalam upaya mengurangi kecelakaan dan meningkatkan keselamatan di jalan raya. Penelitian ini mengimplementasikan metode Mean Shift untuk mengelompokkan kejadian kecelakaan lalu lintas di Kota Makassar. Tujuan utama dari penelitian ini adalah untuk mengevaluasi tingkat keoptimalan metode Mean Shift dalam mengidentifikasi dan mengelompokkan data kecelakaan, serta untuk mengetahui pola distribusi kecelakaan yang terbentuk berdasarkan data kecelakaan lalu lintas. Data yang digunakan merupakan data sekunder yang diperoleh dari repositori GitHub terkait kecelakaan lalu lintas di Kota Makassar selama periode 2018-2020, dengan total 3.538 kejadian. Data ini mencakup informasi lokasi, waktu kejadian, jenis kecelakaan, dan jenis kendaraan yang terlibat. Proses analisis dimulai dengan tahap preprocessing, termasuk geocoding untuk mengonversi alamat kecelakaan menjadi koordinat geografis, deteksi outlier, dan normalisasi data. Metode Mean Shift diterapkan dengan dua pendekatan untuk penentuan bandwidth, yaitu Scott’s Rule dan Nearest Neighbors. Evaluasi clustering dilakukan dengan menggunakan Silhouette Score untuk mengukur kualitas pemisahan cluster. Hasil penelitian menunjukkan bahwa penggunaan bandwidth Scott’s Rule menghasilkan dua cluster utama dengan Silhouette Score 0,599, yang menunjukkan pemisahan data yang lebih baik dibandingkan dengan metode Nearest Neighbors yang menghasilkan sepuluh cluster dengan Silhouette Score 0,492. Dengan demikian, bandwidth Scott’s Rule terbukti lebih optimal dalam mengelompokkan data kecelakaan lalu lintas di Kota Makassar. Penelitian ini diharapkan dapat memberikan rekomendasi kebijakan yang lebih tepat bagi pemerintah dalam upaya meningkatkan keselamatan di jalan, seperti pemasangan rambu lalu lintas, peningkatan pengawasan, dan penyediaan fasilitas penyeberangan yang lebih aman di wilayah-wilayah rawan kecelakaan.

ENGLISH:
Identifying areas prone to traffic accidents is an important step in efforts to reduce accidents and improve safety on the highway. This study implements the Mean Shift method to group traffic accident occurrences in Makassar City. The main purpose of this study is to evaluate the optimal level of the Mean Shift method in identifying and classifying accident data, as well as to find out the accident distribution pattern formed based on traffic accident data. The data used is secondary data obtained from the GitHub repository related to traffic accidents in Makassar City during the 2018-2020 period, with a total of 3,538 incidents. This data includes information on the location, time of the incident, type of accident, and type of vehicle involved. The analysis process begins with the preprocessing stage, including geocoding to convert the accident address into geographic coordinates, outlier detection, and data normalization. The Mean Shift method is applied with two approaches to determining bandwidth, namely Scott's Rule and Nearest Neighbors. The clustering evaluation was carried out using the Silhouette Score to measure the quality of the cluster separation. The results showed that the Scott's Rule bandwidth usage resulted in two main clusters with a Silhouette Score of 0.599, which indicates better data separation compared to the Nearest Neighbors method which resulted in ten clusters with a Silhouette Score of 0.492. Thus, Scott's Rule bandwidth has proven to be more optimal in grouping traffic accident data in Makassar City. This research is expected to provide more appropriate policy recommendations for the government in an effort to improve road safety, such as the installation of traffic signs, increased supervision, and the provision of safer crossing facilities in accident-prone areas.

ARABIC:
يعد تحديد المناطق المعرضة للحوادث المرورية خطوة مهمة في الجهود المبذولة للحد من الحوادث وتحسين السلامة على الطريق السريع. تطبق هذه الدراسة طريقة التحول المتوسط لتجميع حوادث المرور في مدينة ماكاسار. الغرض الرئيسي من هذه الدراسة هو تقييم المستوى الأمثل لطريقة التحول المتوسط في تحديد وتصنيف بيانات الحوادث، وكذلك معرفة نمط توزيع الحوادث المتشكل بناء على بيانات الحوادث المرورية. البيانات المستخدمة هي بيانات ثانوية تم الحصول عليها من مستودع GitHub المتعلقة بالحوادث المرورية في مدينة ماكاسار خلال الفترة ٢٠١٨ إلى٢٠٢٠، بإجمالي ٣.٥٣٨ حادثة. تتضمن هذه البيانات معلومات عن موقع الحديثة ووقت الحديثة ونوع الحديثة ونوع السيارة المعنية. تبدأ عملية التحليل بمرحلة المعالجة المسبقة، بما في ذلك الترميز الجغرافي لتحويل عنوان الحديثة إلى إحداثيات جغرافية، واكتشاف القيم المتطرفة، وتطبيع البيانات. تمّ تطبيق طريقة Mean Shift بطريقتين لتحديد النطاق الترددي، وهما قاعدة سكوت وأقرب الجيران. تم إجراء تقييم التجميع باستخدام درجة الصورة الظلية لقياس جودة فصل المجموعات. أظهرت النتائج أن استخدام النطاق الترددي لقاعدة سكوت نتج عنه مجموعتين رئيسيتين بدرجة صورة ظلية تبلغ ٠,٥٩٩، مما يشير إلى فصل أفضل للبيانات مقارنة بطريقة أقرب الجيران التي نتج عنها عشر مجموعات بدرجة صورة ظلية تبلغ ٠,٤٩٢. وبالتالي، أثبت عرض النطاق الترددي لقاعدة سكوت أنه أكثر مثالية في تجميع بيانات حوادث المرور في مدينة ماكاسار من المتوقع أن يقدم هذا البحث توصيات سياسية أكثر ملاءمة للحكومة في محاولة لتحسين السلامة على الطرق، مثل تركيب إشارات مرورية، وزيادة الإشراف، وتوفير مرافق عبور أكثر أمانا في المناطق المعرضة للحوادث.