Pengembangan Data Base Kecelakaan melalui Value Network Strategy : Hambatan, Dorongan, dan Strategi
DOI:
https://doi.org/10.52920/jttl.v2i`1.19Abstract
Salah satu tujuan utama dalam analisis data kecelakaan untuk mengidentifikasi faktor utama yang terkait dengan kecelakaan lalu lintas dan jalan. Sejumlah negara yang telah meningkatkan kinerja keselamatan jalannya menggunakan baik data kecelakaan yang dikumpulkan oleh polisi, data sektor kesehatan, maupun sektor lainnya. Analisa yang dilakukan secara kualitatif dengan membandingkan data kecelakaan tersebut dengan sektor lainnya dan dengan menganalisa seberapa ekfektif partisipasi masyarakat sebagai citizen jurnalis dalam melaporkan data kecelakaan di daring journalism (Instagram). Dari hasil penelitian diperoleh bahwa secara rata rata jumlah konten data yang diperoleh mencapai 48 % dari data yang diperoleh kepolisian, selanjutnya hal terpenting yang diperoleh adalah titik (spot) atau seksi pada ruas jalan yang sering mengalami kecelakaan lalu lintas yang dalam hal ini walaupun masih banyak hasil yg merupakan perkiraan (79,22%), Dimana 91 % titik lokasi kecelakaan berada pada ruas jalan dan 9 % berada dekat dengan persimpangan, akses jalan dan daerah putar balik. Peneliti menemukan bahwa citizen jurnalis dalam keterlibatannya pada daring journalism sangat mendukung data kecelakaaan dan dapat digunakan sebagai salah satu alat validasi untuk memperbaiki data kecelakaan (r = 0.85). Selain itu juga, Analisa yang diperoleh dapat menjelaskan secara rinci variable penyebab terjadinya kecelakaan lalu lintas.
References
Alfantoukh, L., & Durresi, A. (2014). Techniques for Collecting data in Social Networks. 2014 17th International Conference on Network-Based Information Systems. doi:10.1109/nbis.2014.92.
Cottrill, C., Gault, P., Yeboah, G., Nelson, J.D., Anable, J., Budd, T., 2017. Tweeting Transit: An examination of social media strategies for transport information management during a large event. Transport. Res. Part C: Emerging Technol. 77, 421–432.
Gabrielle McDonald , Gabrielle Davie & John Langley (2009) Validity of Police-Reported Information on Injury Severity for Those Hospitalized from Motor Vehicle Traffic Crashes, Traffic Injury Prevention, 10:2, 184-190, DOI: 10.1080/15389580802593699.
Gal-Tzur, A., Grant-Muller, S.M., Kuflik, T., Minkov, E., Nocera, S., Shoor, I., 2014. The potential of social media in delivering transport policy goals. Transport Policy 32, 115–123.
Gu, Y., Qian, Z.S., Chen, F., 2016. From twitter to detector: real-time traffic incident detection using social media data.
Hasan, S., Ukkusuri, S.V., 2014. Urban activity pattern classification using topic models from online geo-location data. Transport. Res. Part C: Emerging Technol. 44, 363–381.
Huang, A., Gallegos, L., Lerman, K., 2017. Travel analytics: understanding how destination choice and business clusters are connected based on social media data. Transport. Res. Part C: Emerging Technol. 77, 245–256.
Kamaluddin, N. A., Abd Rahman, M. F., & Várhelyi, A. (2018). Matching of police and hospital road crash casualty records – a data-linkage study in Malaysia. International Journal of Injury Control and Safety Promotion, 1–8. doi:10.1080/17457300.2018.1476385.
Liang, H., & Zhu, J. J. H. (2017). Big Data, Collection of (Social Media, Harvesting). The International Encyclopedia of Communication Research Methods, 1–18. doi:10.1002/9781118901731.iecrm0015.
Lin, L., Ni, M., He, Q., Gao, J., Sadek, A.W., Director, T.I.T.I., 2015. Modeling the impacts of inclement weather on freeway traffic speed: an exploratory study utilizing social media data. Transport. Res. Rec.: J. Transport. Res. Board, 82–89.
Ni, M., He, Q., Gao, J., 2014. Using social media to predict traffic flow under special event conditions, The 93rd Annual Meeting of Transportation Research Board.
Salas, A., Georgakis, P., & Petalas, Y. (2017). Incident detection using data from social media. 2017 IEEE 20th International Conference on Intelligent Transportation Systems (ITSC). doi:10.1109/itsc.2017.8317967.
Setiyawati, N., & Kesowo,S.(2017) Pembangunan Aplikasi Pelaporan Kecelakaan Lalu Lintas Berbasis Web Menggunakan Framework Larave, Jurnal Sistem Informasi Indonesia (JSII) Volume 2 Nomor 1 (2017) ISSN: 2460 – 6839.
Schulz, A., Ristoski, P., Paulheim, H., 2013. I see a car crash: Real-time detection of small scale incidents in microblogs, The Semantic Web: ESWC 2013 Satellite Events Springer, pp. 22–33.
Shirky, C., 2011. The political power of social media. Foreign Aff. 90 (1), 28–41.
The validity of police reported accident data. (1984). Applied Ergonomics, 15(4), 306. doi:10.1016/0003-6870(84)90216-3.
Watson.A, Watson.B.,& Vallmuur, K. (2015) Estimating under-reporting of road crash injuries to police using multiple linked data collections. Accident Analysis & Prevention Volume 83, October 2015, Pages 18-25. https://doi.org/10.1016/j.aap.2015.06.011.
White, J., Thompson, C., Turner, H., Dougherty, B., Schmidt, D.C., 2011. Wreckwatch: automatic traffic accident detection and notification with smartphones. Mobile Netw. Appl.16 (3), 285–303.
Zhang, Z., He, Q., Gao, J., & Ni, M. (2018). A deep learning approach for detecting traffic accidents from social media data. Transportation Research Part C: Emerging Technologies, 86, 580–596.doi:10.1016/j.trc.2017.11.027.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2021 Jurnal Teknologi Transportasi dan Logistik
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
