Skripsi Skripsi

Latar Belakang
Kecelakaan lalu lintas merupakan suatu kejadian yang sering sekali terjadi disekitar kita. Meskipun telah banyak sistem keamanan pada kendaraan yang sengaja dirancang oleh pihak industri kendaraan untuk mengurangi tingkat terjadinya kecelakaan, namun kecelakaan tetap saja tidak dapat dihindari. Banyak faktor yang menyebabkan terjadinya kecelakaan lalu lintas, diantaranya adalah faktor cuaca, kendaraan, kondisi jalan maupun kebiasaan pengendara kendaraan (Akin & Akbas, 2010). 

Kecelakaan lalu lintas dapat menyebabkan berbagai risiko dan juga kerugian baik materi maupun jiwa. Besarnya risiko kecelakaan yang dialami tiap orang berbeda-beda dalam setiap kejadian. Hal tersebut dapat dibedakan dalam beberapa kategori risiko kecelakaan lalu lintas atau lebih sering dikenal dengan injury severity, seperti  fatal  (fatal injury), luka parah (severe injury),  luka ringan dan lainnya (other injury) atau hanya kerusakan pada material saja (Property demage only) (Chong et al, 2005). Namun terdapat kesulitan untuk memprediksi  injury severity  tersebut dikarenakan faktor penyebab kecelakaan lalu lintas merupakan peristiwa yang tidak linear. Oleh karena itu diperlukan suatu metode khusus yang dapat digunakan untuk memprediksi injury severity tersebut

Salah satu metode yang dapat digunakan adalah Jaringan Saraf Tiruan (JST). JST cenderung berkinerja lebih baik untuk menangani data dengan hubungan yang kompleks dan  memiliki tingkat nonlinieritas yang tinggi (Ming  et al, 2009). JST mampu menyelesaikan masalah yang hanya diketahui masukan serta keluarannya saja, sedangkan proses diantara keduanya diproses seperti kotak hitam (black  box) (Sulaiman, 2010). Hal ini dikarenakan JST memiliki kemampuan belajar dari data yang dilatihkan serta memiliki toleransi yang tinggi terhadap data yang mengandung noise (Maharani, 2009). 

 JST memiliki beberapa metode yang dapat digunakan seperti  Hopfield, Perceptron, Adaline dan Backpropagation.  Diantara metode-metode tersebut, Backpropagation merupakan metode yang paling sering digunakan karena metode ini menurunkan gradien untuk meminimalkan penjumlahan  error kuadrat dari  output jaringan (Puspitaningrum, 2006).  Namun metode  Backpropagation  ini memiliki kelemahan yaitu proses pelatihan yang memerlukan waktu yang cukup lama karena membutuhkan banyak iterasi untuk mencapai keadaan stabil. Oleh karena itu diperlukan modifikasi pada proses Backpropagation. 
 

Resilient Backpropagation  (Rprop) merupakan modifikasi dari Backpropagation yang dikembangkan untuk menghindari perubahan gradien yang terlalu kecil selama proses update dengan fungsi aktivasi Sigmoid yang menyebabkan pembentukan jaringan menjadi lambat. Metode ini dapat digunakan untuk mempercepat laju pembelajaran dan telah terbukti sebagai metode yang memiliki kecepatan pembelajaran yang baik (Fajri, 2011). 

Keunggulan lain dari metode Rprop yaitu metode ini tidak memerlukan  settingan parameter momentum yang biasa digunakan dalam standard Backpropagation. Hal ini sangat baik karena sulitnya menentukan parameter momentum yang tepat untuk dipasangankan dengan parameter  learning rate  agar dapat menghasilkan kinerja jaringan yang optimal.  Berdasarkan hal-hal yang telah disebutkan, maka penulis berkeinginan untuk melakukan penelitian dengan judul “Jaringan Saraf Tiruan Resilient Backropagation untuk Memprediksi Faktor Dominan  Injury Severity pada Kecelakaan Lalu Lintas”.

 Rumusan Masalah
 
Berdasarkan latar belakang yang telah diuraikan, maka rumusan masalahnya adalah:
1.  Sulitnya menentukan faktor-faktor dominan yang mempengaruhi tingkat injury severity kecelakaan lalu lintas.
2.  Bagaimana menentukan arsitektur JST yang tepat sehingga dapat dengan cepat memprediksi faktor dominan injury severity kecelakaan lalu lintas.

 Batasan Masalah
 
Penelitian ini dilakukan dengan beberapa batasan, diantaranya: 
1.  Diasumsikan bahwa kondisi kendaraan yang digunakan masih dalam kondisi baik.
2.  Kondisi cuaca yang digunakan dalam penelitian tidak digambarkan secara detail untuk setiap variabelnya.
3.  Dalam penelitian ini tidak mempertimbangkan faktor human error seperti pelanggaran lalu lintas ataupun kondisi psikologi pengendara.
4.  Arsitektur yang digunakan adalah 11  input neuron, 2  hidden layer  dan 3 output neuron.
 
Tujuan Penelitian
Tujuan dari penelitian ini adalah membuat system yang mampu memprediksi faktor dominan injury severity kecelakaan lalu lintas.

Manfaat Penelitian
Adapun beberapa manfaat dari penelitian ini yaitu: 

1.  Diharapkan dapat memberikan informasi mengenai tingkat akurasi  Resilient Backpropagation  dalam bidang prediksi, terutama untuk masalah data yang kompleks dan memiliki tingkat nonlinear yang tinggi.
2.  Memberikan informasi mengenai faktor dominan penyebab risiko kecelakaan lalu lintas berdasarkan hasil prediksi jaringan.
 

Full Credit: Tika Yunita