DETAIL KOLEKSI

Analisis kecelakaan pesawat di indonesia menggunakan association rule


Oleh : Sarah Sakinah

Info Katalog

Penerbit : FTI - Usakti

Kota Terbit : Jakarta

Tahun Terbit : 2026

Pembimbing 1 : Dedy Sugiarto

Pembimbing 2 : Dedy Sugiarto

Kata Kunci : aircraft accidents, Association Rule Mining, data analysis, aviation safety

Status Posting : Published

Status : Lengkap


File Repositori
No. Nama File Hal. Link
1. 2026_SK_SSI_065002100033_Halaman-Judul.pdf
2. 2026_SK_SSI_065002100033_Surat-Pernyataan-Revisi-Terakhir.pdf 1
3. 2026_SK_SSI_065002100033_Surat-Hasil-Similaritas.pdf 1
4. 2026_SK_SSI_065002100033_Halaman-Pernyataan-Persetujuan-Publikasi-Tugas-Akhir-untuk-Kepentingan-Akademis.pdf 1
5. 2026_SK_SSI_065002100033_Lembar-Pengesahan.pdf 1
6. 2026_SK_SSI_065002100033_Pernyataan-Orisinalitas.pdf 1
7. 2026_SK_SSI_065002100033_Formulir-Persetujuan-Publikasi-Karya-Ilmiah.pdf 1
8. 2026_SK_SSI_065002100033_Bab-1-Pendahuluan.pdf 5
9. 2026_SK_SSI_065002100033_Bab-2-Landasan-Teori.pdf
10. 2026_SK_SSI_065002100033_Bab-3-Metodologi-Penelitian.pdf
11. 2026_SK_SSI_065002100033_Bab-4-Analisis-dan-Pembahasan.pdf
12. 2026_SK_SSI_065002100033_Bab-5-Kesimpulan-dan-Saran.pdf 2
13. 2026_SK_SSI_065002100033_Daftar-Pustaka.pdf 1
14. 2026_SK_SSI_065002100033_Lampiran.pdf

K Kompleksitas interaksi berbagai faktor teknis, manusia, dan operasional dalamkecelakaan penerbangan menunjukkan perlunya pendekatan analitis yang mampumengungkap pola tersembunyi. penelitian ini bertujuan untuk mengidentifikasi polahubungan antar faktor penyebab kecelakaan pesawat di indonesia menggunakanmetode deskriptif kuantitatif dengan pendekatan association rule mining. datayang digunakan berupa insiden dan kecelakaan pesawat di indonesia pada tahun2000–2024 berjumlah 774 kasus, yang bersumber dari aviation safety network(asn). data ini mencakup faktor cuaca, kondisi teknis, operasional, dan elemenmanusia. analisis dilakukan dengan bahasa pemrograman python, serta pustakapendukung seperti pandas, matplotlib, seaborn, dan mlxtend, untukmemvisualisasikan pola hubungan antar faktor secara interaktif dan menerapkanalgoritma apriori serta fp- growth. dari sektor komersial, terdapat 500 kasus(64,6%) melibatkan operator komersial, dan 350 kasus (45,2% dari total data) diantaranya mengalami kerusakan berat (destroyed). pola asosiasi paling dominanadalah kecelakaan pada operator komersial dengan kerusakan berat, di mana 290dari 350 kasus (82,9%) tidak menyebabkan korban jiwa. nilai support kombinasiini sebesar 0,375 dan confidence 82,9%, mengindikasikan bahwa kemungkinanselamat dalam kecelakaan berat pada pesawat komersial sangat tinggi. selain itu,kecelakaan pada pesawat militer cenderung lebih berisiko—dari 180 kasus,setengahnya berujung fatalitas tinggi. pola lain juga tampak, misalnya 83% totalkecelakaan dalam dataset tidak menimbulkan korban jiwa, sementara boeing palingsering terlibat kecelakaan berat di sektor sipil. temuan kuantitatif ini menegaskanbahwa strategi pencegahan utama perlu difokuskan pada pesawat komersial yangrentan rusak berat dan mitigasi risiko fatalitas di operasi militer. pendekatanassociation rule mining (apriori/fp-growth) sangat efektif dalammengidentifikasi dan memvisualisasikan pola hubungan antar faktor kecelakaanpesawat. pola utama yang ditemukan menyoroti pentingnya pencegahan kerusakanberat di sektor komersial dan penanganan risiko fatal pada pesawat militer. temuandidukung nilai support dan confidence tinggi pada kombinasi faktor, sehinggastrategi pencegahan dapat difokuskan secara spesifik sesuai jenis operator dankondisi kecelakaan. penelitian ini diharapkan membantu pemangku kepentinganmengenali risiko utama dan menjadi referensi penerapan arm dalammeningkatkan keselamatan transportasi udara di indonesia.

T The complexity of interactions among technical, human, and operational factors inaviation accidents underscores the need for analytical methods capable of revealinghidden patterns. this study aims to identify relationship patterns between factorscausing aircraft accidents in indonesia using a quantitative descriptive method andthe association rule mining approach. the data analyzed consists of 774 incidentsand accidents in indonesia from 2000 to 2024, sourced from the aviation safetynetwork (asn). the dataset covers weather, technical conditions, operationalaspects, and human factors. analysis was carried out using the pythonprogramming language and supporting libraries like pandas, matplotlib, seaborn,and mlxtend to visualize inter-factor patterns interactively and apply apriori andfp-growth algorithms. from the commercial sector, 500 cases (64.6%) involvedcommercial operators, and 350 cases (45.2% of total data) experienced severedamage (destroyed). the most dominant association pattern is accidents involvingcommercial operators with severe damage, where 290 out of 350 cases (82.9%) didnot result in fatalities. the support value for this combination is 0.375 andconfidence is 82.9%, indicating a very high probability of survival in severeaccidents for commercial aircraft. additionally, accidents involving militaryaircraft were more risky—of 180 cases, half led to high fatalities. other patternsemerged as well, such as 83% of all accidents in the dataset not causing fatalities,while boeing is most frequently involved in severe accidents among civil aircraft.these quantitative findings confirm that main prevention strategies should focus oncommercial aircraft prone to severe damage and on mitigating fatality risks inmilitary operations. the association rule mining approach (apriori/fp-growth)proved very effective in identifying and visualizing inter-factor relationships. themain patterns found highlight the importance of targeted prevention for severedamage in commercial aviation and risk management in military aviation, backedby high support and confidence values. this research is expected to helpstakeholders better recognize key risks and provide a reference for applying armto enhance air transport safety in indonesia.

Bagaimana Anda menilai Koleksi ini ?