Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Wilayah pada Pelanggaran Lalu Lintas

Dengan banyaknya jumlah kendaraan yang terus meningkat dapat bertambahnya angka tingkat kemacetan. Semakin meningkatnya kemacetan suatu wilayah maka dapat menyebabkan peningkatan pelanggaran, seperti pelanggaran rambu lalu lintas, tidak memakai helm, surat berkendara yang tidak lengkap, melawan arah, dan lainnya. Berbagai cara untuk menertibkan lalu lintas terus dilakukan kepolisian dan dinas perhubungan agar terciptanya kenyamanan dan keselamatan lalu lintas. Tujuan dari penelitian ini yaitu untuk menentukan pola pengelompokan data pelanggaran lalu lintas, memudahkan untuk analisa wilayah mana yang memiliki pelanggaran paling banyak sehingga dapat membuat kebijakan atau aturan untuk mengurangi pelanggaran dan tingkat kecelakaan pun menjadi menurun. Dengan menggunakan tahap Knowledge Discovery in Database (KDD) dalam konsep data mining sebagai metode penelitian. Penelitian ini membandingkan metode algoritma k-means dengan algoritma k-medoids, dengan pengukuran performance menggunakan Dalvies Bouldin Index (DBI). Hasil dari penelitian ini, memiliki kesamaan kelompok cluster yaitu dua, dengan cluster 0 wilayah pelanggaran lalu lintas Menteng, Sawah Besar, Senen, Tanah Abang, Cempaka Putih, Gambir, Johar Baru, dan Pal Merah, serta cluster 1 dengan wilayah Kemayoran. Hasil performance dari kedu metode tersebut, pada model kmedoids memiliki hasil lebih besar disbanding model k-means, sehingga model k-means memiliki hasil yang mendekati 0, yaitu sebesar -0,197