LAPORAN HIBAH PENELITIAN
JUDUL PENELITIAN ANALISIS KELOMPOK PENGENDARA SEPEDA MOTOR YANG BERPELUANG TERLIBAT KECELAKAAN LALU LINTAS
OLEH: D.M PRIYANTHA WEDAGAMA, ST., MT., MSc., Ph.D
PROGRAM STUDI MAGISTER TEKNIK SIPIL PROGRAM PASCASARJANA UNIVERSITAS UDAYANA OKTOBER 2014
DAFTAR ISI DAFTAR ISI........................................................................................................................... i DAFTAR GAMBAR ............................................................................................................. ii DAFTAR TABEL ................................................................................................................ iii RINGKASAN ........................................................................................................................iv BAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Tujuan Penelitian 1.3 Manfaat Penelitian 1.4 Batasan Penelitian
1 1 2 2 2
BAB II TINJAUAN PUSTAKA 2.1 Korban dan Kecelakaan Lalu Lintas 2.2 Rantai Kecelakaan Lalu Lintas 2.3 Analisis Statistik Univariat dan Multivariat 2.4 Regresi Logistik 2.5 Desain dan Analisis Variabel Dummy 2.6 Model Regresi Logistik 2.7 Maximum Likelihood untuk Penentuan Parameter Model Logistik 2.8 Uji Tuna Cocok (Goodness of Fit Test) 2.9 Interpretasi Model
3 3 6 8 9 12 14 16 18 19
BAB III METODE PENELITIAN 3.1 Alur Penelitian 3.2 Identifikasi Variabel Bebas dan Terikat 3.3 Analisis Data dan Pemodelan Statistik
21 21 21 24
BAB IV ANALISIS DAN PEMBAHASAN 4.1 Variabel Dummy dan Uji Hipotesis 4.2 Reduksi Variabel Dummy dan Penentuan Variabel Penduga 4.3 Kalibrasi dan Validasi Model 4.4 Analisis Keluaran Model
24 24 26 28 33
BAB V SIMPULAN DAN SARAN 5.1 Simpulan 5.2 Saran
36 36 36
DAFTAR PUSTAKA
37
LAMPIRAN
38
i
DAFTAR GAMBAR Gambar 2.1 Faktor Penyebab Kecelakaan Lalu Lintas (Lupton, et.al, 1999) Gambar 2.2 Rantai Kecelakaan Sebelum Kejadian Kecelakaan Lalu Lintas Gambar 2.3 Rantai Kecelakaan Sesudah Kejadian Kecelakaan Lalu Lintas Gambar 2.4 Grafik Regresi Logistik Vs Regresi Linear Gambar 2.5 Grafik Regresi Linier Gambar 2.6 Grafik Regresi Logistik Gambar 3.1 Diagram Alir Penelitian
5 6 7 10 11 11 21
ii
DAFTAR TABEL Tabel 2.1 Desain Variabel Dummy Tabel 2.2 Uji Hipotesis untuk Proporsi Klasifikasi Tipe Kecelakaan Tabel 4.1 Variabel dummy dan proporsinya untuk Model Kecelakaan Fatal dan Non Fatal dengan tersangka pengendara sepeda motor bawah usia 25 tahun Tabel 4.2 Variabel dummy dan proporsinya untuk Model Kecelakaan Fatal dan Non Fatal dengan tersangka pengendara sepeda motor antara usia 2660 tahun Tabel 4.3 Variabel dummy dan proporsinya untuk Model Fatal Casualties Tabel 4.4 Urutan dan Referensi Variabel Dummy Setelah Reduksi Klasifikasi Variabel (Model pengendara sepeda motor berusia bawah 26 tahun tahun sebagai tersangka) Tabel 4.5 Urutan dan Referensi Variabel Dummy Setelah Reduksi Klasifikasi Variabel (Model pengendara sepeda motor berusia 26-60 tahun sebagai tersangka) Tabel 4.6 Urutan dan Referensi Variabel Dummy Setelah Reduksi Klasifikasi Variabel (Untuk Model Korban Kecelakaan Fatal) Tabel 4.7 Hasil Kalibrasi dan Validasi Model
13 14 24
25
26 27
28
30 32
iii
RINGKASAN Pengendara sepeda motor umumnya menyadari faktor-faktor yang berkontribusi terhadap meningkatnya risiko terjadinya kecelakaan lalu lintas seperti berkendara melebihi kecepatan maksimum, berpindah lajur dan melanggar garis kuning ganda. Namun, sebaliknya tingkat keparahan kecelakaan (dibandingkan dengan kemungkinan terjadinya kecelakaan lalu lintas) tidak mudah untuk dipahami faktorfaktor penyebabnya. Studi tentang faktor-faktor yang berkontribusi terhadap distribusi tingkat keparahan kecelakaan lalu lintas (dikondisikan pada terjadinya kecelakaan lalu lintas) akan sangat membantu di dalam memberikan pemahaman tentang pengaruh dari perilaku pengendara sepeda motor (misalnya, mengemudi melebihi batas kecepatan, tidak menggunakan helm, dll) serta interaksi pengaruh perilaku ini dengan karakteristik lingkungan, jalan, dan kendaraan terhadap terjadinya kecelakaan lalu lintas. Tujuan umum dari penelitian ini adalah untuk analisis faktor-faktor yang menyebabkan kelompok pengendara sepeda motor terlibat dalam kejadian kecelakaan dan sebagai korban kecelakaan lalu lintas fatal. Sementara itu tujuan khusus dari penelitian ini adalah untuk mendefinisikan kelompok pengendara sepeda motor yang beresiko tinggi terlibat dalam kecelakaan dan sebagai korban kecelakaan lalu lintas fatal. Selain itu untuk menganalisis tingkat keterlibatan kelompok pengendara sepeda motor dalam setiap kasus sebagai dasar untuk prioritas penanggulangan kecelakaan lalu lintas fatal. Setiap kelompok pengendara sepeda motor berisiko tinggi terlibat dalam kejadian kecelakaan lalu lintas dan sebagai korban dengan tingkat keparahan tinggi dapat diidentifikasi. Identifikasi kelompok masing-masing sasaran dapat membantu pengambilan keputusan perihal kegiatan penanggulangan kecelakaan lalu lintas (khususnya kecelakaan lalu lintas fatal). Kelompok sasaran beresiko tinggi terlibat dalam kecelakaan lalu lintas yaitu: pengendara sepeda motor usia remaja/usia muda yaitu dengan usia 16-dibawah 26 tahun, pengemudi usia produktif yaitu dari 2660 tahun dan usia tua yaitu diatas 60 tahun. Selain itu terdapat dua kelompok sasaran sebagai korban kecelakaan lalu lintas yaitu korban kecelakaan fatal berdasarkan jenis kelamin, korban usia 16-dibawah 26 tahun, dan korban usia 26-60 tahun. Data yang digunakan di dalam penelitian ini adalah dari data sekunder yang diperoleh dari pihak Kepolisian Daerah Bali terkait dengan kecelakaan lalu lintas yang melibatkan pengendara sepeda motor di ruas jalan arteri bypass IB Mantra dan bypass Ngurah Rai dari tahun 2004 sampai dengan 2007. Analisis data menggunakan statistik deskriptif dan model statistik yaitu analisis univariat dan multivariat (regresi logistik). Dari hasil analisis diperoleh bahwa pengendara sepeda motor wanita usia 16-60 sangat berpengaruh di dalam menimbulkan terjadinya suatu kecelakaan fatal dan non fatal. Sementara pengendara sepeda motor pria besar pengaruhnya dalam menimbulkan korban fatal pria. Sementara itu pengendara usia 16 sampai dibawah 26 tahun sangat berpengaruh dalam menimbulkan korban fatal usia 16-bawah usia 26 tahun. Pengendara sepeda motor wanita mempunyai pengaruh yang signifikan yaitu sekitar 4-7 kali lebih besar dibandingkan pengendara pria di dalam menimbulkan kecelakaan fatal dan non fatal. Sementara itu pengendara sepeda motor wanita hanya 1,4% menimbulkan korban fatal pria atau dengan perkataan lain pengendara sepeda motor pria lebih berpengaruh di dalam menimbulkan korban fatal pria. Kelompok pengendara sepeda motor berusia 16-bawah 26 tahun berkontribusi sekitar 94% terhadap korban fatal berusia 16-bawah 26 tahun. Kelompok pengendara sepeda motor berusia 16-bawah 26 tahun berkonrtibusi berturut-turut sekitar 2% terhadap korban fatal berusia 26-60 tahun. Kata kunci: Pengendara Sepeda Motor, Kecelakaan Lalu Lintas, Regresi Logistik
iv
BAB I PENDAHULUAN
1.1 Latar Belakang Kegiatan penanggulangan kecelakaan lalu lintas fatal hanya mungkin dilakukan jika rangkaian atau rantai peristiwa yang menyebabkan korban meninggal dunia atau luka berat di jalan raya dipahami dengan benar (Cameron , 1992 dalam Carr, et.al, 1995). Rantai ini terdiri dari beberapa entitas yang terdiri dari manusia (pengguna jalan), kendaraan (bermotor dan tidak bermotor) serta jalan dan lingkungan. Setiap entitas ini masing-masing dapat diklasifikasikan ke dalam beberapa kelompok yang digunakan untuk analisis sasaran penanggulangan kecelakaan lalu lintas fatal. Kegiatan penanggulangan kecelakaan lalu lintas merupakan langkah untuk memutus rantai peristiwa penyebab kecelakaan fatal tersebut. Kelompok yang menjadi sasaran penanggulangan adalah salah satu dari kelompok yang disebutkan pada entitas diatas. Rantai tersebut dapat diputus secara efektif dan efisien (biaya minimum). Pengertian perbedaaan antara mekanisme (kejadian) kecelakaan lalu lintas (traffic accidents) dan tingkat keparahan kecelakaan lalu lintas (korban manusia/traffic casualties) diperlukan karena beberapa tindakan penanggulangan hanya akan dapat mengatasi salah satu dari mekanisme ini. Ini juga berarti bahwa satu kelompok entitas belum tentu tepat untuk dijadikan sasaran penanggulangan kedua mekanisme sekaligus. Sebagai contoh, dari studi sebelumnya (Cameron, 1992 dalam Carr, et.al, 1995) telah diidentifikasi bahwa keterlibatan kelompok-kelompok: pengendara sepeda motor pemula, pengendara sepeda motor pada tikungan/tanjakan dan pengendara sepeda motor dalam kondisi mabuk sangat beresiko tinggi sebagai korban kecelakaan lalu lintas. Pengendara sepeda motor umumnya menyadari faktor-faktor yang berkontribusi terhadap meningkatnya risiko terjadinya kecelakaan lalu lintas (Shankar dan Mannering (1996)). Sebagai contoh, (Mannering dan Grodsky (1994) dalam Shankar dan Mannering (1996)) menemukan bahwa faktor-faktor seperti berkendara melebihi kecepatan maksimum, berpindah lajur dan melanggar garis kuning ganda berkontribusi terhadap kemungkinan terjadinya suatu kecelakaan lalu lintas. Namun, sebaliknya tingkat keparahan kecelakaan (dibandingkan dengan kemungkinan terjadinya kecelakaan lalu lintas) tidak mudah untuk dipahami faktor-faktor penyebabnya. Studi tentang faktor-faktor yang berkontribusi terhadap distribusi tingkat keparahan kecelakaan lalu lintas (dikondisikan pada terjadinya kecelakaan lalu lintas) akan sangat membantu di dalam memberikan pemahaman tentang pengaruh dari 1
perilaku pengendara sepeda motor (misalnya, mengemudi melebihi batas kecepatan, tidak menggunakan helm, dll) serta interaksi pengaruh perilaku ini dengan karakteristik lingkungan, jalan, dan kendaraan terhadap terjadinya kecelakaan lalu lintas.
1.2 Tujuan Penelitian Tujuan umum dari penelitian ini adalah untuk analisis faktor-faktor yang menyebabkan kelompok pengendara sepeda motor terlibat dalam kejadian kecelakaan dan sebagai korban kecelakaan lalu lintas fatal. Tujuan khusus dari penelitian ini adalah untuk: a. Mendefinisikan kelompok pengendara sepeda motor yang beresiko tinggi terlibat dalam kecelakaan dan sebagai korban kecelakaan lalu lintas fatal. b. Menganalisis tingkat keterlibatan kelompok pengendara sepeda motor dalam setiap kasus sebagai dasar untuk prioritas penanggulangan kecelakaan lalu lintas fatal.
1.3 Manfaat Penelitian Setiap kelompok pengendara sepeda motor yang berisiko tinggi terlibat dalam kejadian kecelakaan lalu lintas dan sebagai korban dengan tingkat keparahan tinggi dapat diidentifikasi. Identifikasi kelompok masing-masing sasaran dapat membantu pengambilan keputusan perihal kegiatan penanggulangan kecelakaan lalu lintas (khususnya kecelakaan lalu lintas fatal). 1.4 Batasan Penelitian a. Analisis dalam penelitian ini adalah berdasarkan tiga kelompok sasaran beresiko tinggi terlibat dalam kecelakaan lalu lintas yaitu: pengendara sepeda motor usia remaja/usia muda yaitu dengan usia dibawah 25 tahun, pengemudi usia produktif yaitu dari 25-55 tahun dan usia tua yaitu diatas 55 tahun. Selain itu terdapat dua kelompok sasaran sebagai korban kecelakaan lalu lintas yaitu korban kecelakaan dengan keparahan tinggi (fatal dan luka berat) dan keparahan rendah (luka ringan). b. Data yang digunakan di dalam penelitian ini adalah dari data sekunder yang diperoleh dari pihak Kepolisian Daerah Bali terkait dengan kecelakaan lalu lintas yang melibatkan pengendara sepeda motor di ruas jalan arteri bypass IB Mantra dan bypass Ngurah Rai dari tahun 2004 sampai dengan 2007. c. Analisis data menggunakan statistik deskriptif dan model statistik yaitu analisis univariat dan multivariat.
2
BAB II TINJAUAN PUSTAKA
2.1 Korban dan Kecelakaan Lalu Lintas Sebuah kecelakaan lalu lintas di jalan raya dapat melibatkan satu, dua atau lebih korban kecelakaan lalu lintas. Kecelakaan lalu lintas terkait dengan kejadiannya, sementara keparahan kecelakaan lalu lintas terkait dengan korban kecelakaan lalu lintas. Sementara itu eksposur merupakan suatu jumlah peluang untuk suatu jenis kecelakaan lalu lintas yang terjadi pada waktu dan di daerah tertentu. Terkait dengan kecelakaan lalu lintas, variabel eksposur didefinisikan sebagai suatu kondisi yang berpotensi menyebabkan terjadinya kecelakaan lalu lintas. Unit atau satuan eksposur terkait dengan probabilitas yang mana hasilnya merupakan terjadi atau tidak terjadinya suatu kecelakaan lalu lintas seperti tipe kecelakaan, keparahan kecelakaan lalu lintas, dll, (Keall, 1995). Dalam suatu sistem transportasi yang sebenarnya meliputi fasilitas fisik, pengguna jalan dan lingkungan (termasuk tata guna lahan ). Dengan mendefinisikan variabel eksposur, keselamatan di jalan raya dapat diteliti untuk mengetahui efek dari sistem transportasi terhadap kecelakaan lalu lintas. Untuk melakukan hal ini, variable eksposur sangat penting untuk mengidentifikasi faktor-faktor yang berkontribusi terhadap kecelakaan di jalan di mana statistik kecelakaan mungkin memiliki lebih sedikit arti tanpa variabel eksposur tersebut. Yang dimaksud dengan kecelakaan lalu lintas berdasarkan ketentuan yang ditetapkan dalam pasal 93 Peraturan Pemerintah Nomor 43 tahun 1993 ayat 1 adalah: “Suatu peristiwa dijalan yang tidak disangka-sangka dan tidak disengaja melibatkan kendaraan dengan atau tanpa pemakai jalan lainnya mengakibatkan korban manusia atau kerugian harta benda” Korban kecelakaan lalu lintas sebagaimana dimaksud dalam ayat (1) disebutkan dalam Pasal 93 ayat (2), antara lain; a. Korban mati b. Korban luka berat c. Korban luka ringan Korban mati (Fatality), sebagaimana dimaksud dalam ayat (2) adalah korban yang pasti mati sebagai akibat kecelakaan lalu lintas dalam jangka waktu paling lama 30 hari setelah kecelakaan tersebut. (ayat 3). Korban luka berat (Serious Injury), sebagaimana dimaksud dalam ayat (2) adalah korban yang karena luka-lukanya menderita cacat tetap atau harus dirawat dalam jangka
3
waktu 30 hari sejak terjadi kecelakaan. (ayat 4). Korban luka ringan (Light Injury), sebagaimana dimaksud dalam ayat (2) adalah korban yang tidak masuk dalam pengertian diatas, (ayat 3) dan (ayat 4). Secara teknis kecelakaan lalu lintas didefinisikan sebagai sutau kejadian yang disebabkan oleh banyak faktor yang tidak sengaja terjadi (Random Multy Factor Event). Dalam pengertian secara sederhana, bahwa suatu kecelakaan lalu lintas terjadi apabila semua faktor keadaan tersebut secara bersamaan pada satu titik waktu tertentu bertepatan terjadi. Hal ini berarti memang sulit meramalkan secara pasti dimana dan kapan suatu kecelakaan akan terjadi. Sebagai pengelola jalan tol di Indonesia PT Jasa Marga memiliki definisi yang berbeda tentang korban kecelakaan, yaitu: a. Luka ringan adalah keadaaan korban mengalami luka-luka yang tidak membahayakan jiwa dan atau tidak memerlukan pertolongan atau perawatan lebih lanjut dirumah sakit, terdiri dari: • Luka kecil dengan pendarahan sedikit dan penderita sadar. • Luka bakar dengan luas kurang dari 15 %. • Keseleo dari anggota badan yang ringan tanpa komplikasi. • Penderita-penderita diatas semuanya dalam keadaan sadar tidak pingsan atau muntahmuntah. b. Luka berat adalah korban mengalami luka-luka yang dapat membahayakan jiwanya dan memerlukan pertolongan atau perawatan lebih lanjut dengan segera dirumah sakit, terdiri dari: • Luka yang menyebabkan keadaan penderita menurun, biasanya luka yang mengenai kepala atau batang kepala. • Luka bakar yang luasnya meliputi 25 % dengan luka baru. • Patah tulang anggota badan dengan komplikasi disertai rasa nyeri yang hebat dan pendarahan hebat. • Pendarahan hebat kurang lebih 500 cc. • Benturan/luka yang mengenai badan penderita yang menyebabkan kerusakan alat-alat dalam, misal; dada, perut, usus, kandung kemih, ginjal, hati, tulang belakang, dan batang kepala. d. Meninggal adalah keadaan dimana penderita terdapat tanda-tanda kematian secara fisik. Korban meninggal adalah korban kecelakaan yang meninggal di lokasi kejadian atau meninggal selama perjalanan ke rumah sakit.
4
Sementara itu pada Gambar 2.1 memperlihatkan aliran sebab dan akibat berdasarkan urutan dari atas ke bawah. Seperti halnya variabel-variabel kendaraan dan pengendara kendaraan bermotor, variabel lokasi dan kondisi yang tidak menentu merupakan variabelvariabel bebas. Interaksi antara variabel jalan dan lingkungan, pengguna jalan dan kendaraan dapat menimbulkan kecelakaan lalu lintas dan dideskripsikan sebagai suatu kejadian. Pada akhirnya, tingkat keparahan dan korban kecelakaan lalu lintas bersama-sama dengan kerusakan material kendaraan dan jalan raya merupakan suatu keluaran kecelakaan lalu lintas.
Regional location (traffic, topography)
Time, date
Fixed site factors (road class, speed limit, street lighting, road layout, visibility, street furniture, road markings)
Other passengers (age, gender)
Ped/driver characteristics (age, gender, drugs, alcohol)
Ambient conditions (weather, dark/light, state of road surface, traffic flow and pedestrian activity)
Vehicles (type, model, Maintenance condition)
Road Environment
Ped/driver behaviour
Manoeuvres
Accidents
Injuries (severity)
Gambar 2.1 Faktor Penyebab Kecelakaan Lalu Lintas (Lupton, et.al, 1999)
5
2.2 Rantai Kecelakaan Lalu Lintas Gambar 2.2 memperlihatkan rantai sebelum kejadian kecelakaan lalu lintas dengan empat tipe kejadian kecelakaan lalu lintas (Carr, et.al, 1995). Setiap tipe terkait dengan probabilitas resiko dari satu langkah lebih. Eksposur resiko merupakan suatu istilah terhadap keikutsertaan atau partisipasi dari suatu entitas pada titik awal. Resiko dapat diestimasi dengan membagi jumlah dari kejadian kecelakaan dengan jumlah eksposur yang selanjutnya disebut sebagai tingkat keterlibatan dalam suatu kecelakaan lalu lintas.
Eksposur dari resiko (D)
Eksposur dari resiko (C)
Entitas yang terlibat
Entitas yang boleh untuk menggunakan jalan
- Manusia - Kendaraan - Jalan & Lingkungan
- Surat ijin mengemudi - Terdaftar - Jalan dibuka
Eksposur dari resiko (B) Penggunaan jalan - Jarak - Waktu
Eksposur dari resiko (A) Energi terbangun
Eksposur kecelakaan
Terlibat dalam kecelakaan
- Kecepatan - Masal Resiko (A)
Resiko (B) “Resiko Transportasi”
Resiko (C)
Resiko (D) “Resiko Kesehatan Masyarakat”
Gambar 2.2 Rantai Kecelakaan Sebelum Kejadian Kecelakaan Lalu Lintas
Gambar 2.3 memperlihatkan berbagai resiko terkait dengan langkah-langkah yang diambil setelah terjadinya kecelakaan lalu lintas (Carr, et.al, 1995). Terlibat dalam kecelakaan lalu lintas adalah titik awal dari resiko terluka dan kejadian ini mencerminkan eksposur kecelakaan terhadap resiko terluka. Resiko terluka diestimasi dengan tingkat keparahan korban kecelakaan lalu lintas yang diperoleh dari jumlah korban luka dibagi dengan jumlah orang yang terlibat dalam kecelakaan lalu lintas.
6
Eksposur kecelakaan terhadap resiko Terlibat dalam kecelakaan
Resiko
Kehilangan energi
Transfer energi
Korban luka
Tingkat keparahan korban
Meninggal dunia
Terluka Keparahan korban kecelakaan lalu lintas (A)
Keparahan korban kecelakaan lalu lintas (B)
Resiko Korban Luka-luka Berat Resiko Korban Meninggal Dunia
Gambar 2.3 Rantai Kecelakaan Sesudah Kejadian Kecelakaan Lalu Lintas Dengan melihat titik awal korban luka, maka resiko disini adalah terkait dengan korban luka berat atau meninggal dunia. Eksposur dari resiko ini disebut sebagai resiko terluka yaitu eksposur luka berat. Tingkat keparahan korban (A) diestimasi oleh tingkat keparahan korban luka-luka yang didefinisikan sebagai jumlah orang yang terluka berat atau meninggal dunia dibagi dengan jumlah orang yang terluka saat kecelakaan lalu lintas. Penelitian sebelumnya (Cameron, 1992 dalam Carr, et.al, 1995) telah mengidentifikasi beberapa karakteristik kelompok target sasaran dalam rangka pencegahan kecelakaan lalu lintas
agar peluang implementasi penanggulangan secara efisien dan efektif dapat
ditingkatkan. Target yang dipilih seharusnya: 1. Memiliki nilai yang lebih tinggi daripada rata-rata risiko keterlibatan dalam kecelakaan dan atau sebagai korban kecelakaan lalu lintas. a. Tindakan pencegahan dapat mengurangi risiko kelompok sasaran ke tingkat rata-rata. b. Penanggulangan bisa membatasi eksposur resiko diatas terhadap kelompok sasaran. 2. Cukup besar dan homogen untuk memungkinkan cara penanggulangan tunggal untuk diterapkan pada seluruh kelompok. Juga agar biaya dapat ditanggung secara bersamasama. Jika tidak beresiko tinggi, penanggulangan akan diperlukan untuk mengurangi resiko dibawah rata-rata agar menjadi efisien. 3. Jika kondisi 1 dan 2 di atas berlaku secara bersamaan. Untuk penentuan kelompok sasaran yang beresiko tinggi, beberapa kriteria berikut dapat digunakan dalam pengukuran peluang tingkat keterlibatan (yang tinggi) pada suatu kecelakaan dalam kaitannya dengan kesempatan untuk terlibat: a. Keterlibatan per eksposur (jarak tempuh kendaraan per kilometer). 7
b. Tingkat keterlibatan per penduduk (surat ijin mengemudi, registrasi kendaraan, populasi). c. Perbandingan dengan kelompok lainnya dalam suatu tipe kecelakaan yang diketahui beresiko tinggi per eksposur, yang berarti bahwa kelompok sasaran mempunyai resiko yang tinggi per eksposur atau kelompok sasaran beresiko tinggi terlibat pada kecelakaan dalam suatu kondisi tertentu dibandingkan kelompok lainnya. d. Keterwakilan tinggi dalam kelompok yang terlibat pada suatu tipe kecelakaan lalu lintas yang diketahui beresiko tinggi per eksposur.
Dua kegiatan yang pertama memerlukan data disagregat yaitu jumlah populasi penduduk dan eksposutr, sementara dua yang terakhir dapat ditentukan hanya dari data kecelakaan lalu lintas. Untuk kelompok dengan tingkat fatalitas yang tinggi (MD dan atau LB) per kecelakaan lalu lintas, dapat ditentukan analisis keparahan korban fatal (MD dan atau LB) dan non fatal (LR) per kecelakaan lalu lintas. Penelitian sebelumnya (Cameron, 1992 dalam Carr, et.al, 1995) telah memperlihatkan bahwa, beberapa kelompok pengendara sepeda motor yang beresiko tinggi adalah pengendara pemula, pengendara di tikungan dan pengendara yang dalam kondisi mabuk. Untuk memperlihatkan keterwakilan dari setiap kelompok ini, perbandingan yang relevan dapat dilakukan yaitu: • Pengendara pemula dengan pengendara yang sudah berpengalaman. • Pengendara dalam kondisi mabuk dengan yang tidak mabuk. • Pengendara di tikungan dengan pengendara pada jalan lurus.
2.3 Analisis Statistik Univariat dan Multivariat Dalam analisis univariat, tabulasi silang variabel bebas dan variabel terikat dihitung dengan uji chi square untuk interaksi. Tes ini menunjukkan apakah frekuensi data pengamatan secara signifikan berbeda dengan nilai keluaran model jika tidak ada hubungan antara kedua nilai tersebut. Karena ada banyak perbandingan dalam setiap kelompok sasaran, akan menjadi tidak valid untuk menguji setiap interaksi individu dengan tingkat signifikansi 5%. Untuk mengontrol tingkat signifikansi (a = 0,05 ) secara keseluruhan dalam setiap kelompok yang beresiko tinggi atau kelompok dengan tingkat keparahan tinggi, maka tingkat signifikansi yang digunakan untuk perbandingan setiap nilai p dari nilai chi-square adalah tingkat signifikansi yang dipilih dibagi dengan jumlah tes yang dilakukan (sebagai contoh dengan 17 tes, tingkat aktual yang digunakan untuk setiap individu adalah 0.05/17 = 0,00294). Metode ini disebut sebagai koreksi Bonferroni (Fisher, 1993 dalam dalam Carr, et.al, 1995). 8
Jika proporsi dari berbagai tingkatan masing-masing faktor tergantung satu dengan yang lainnya (yaitu jika kelompok sasaran adalah sangat signifikan dalam suatu tingkat, ini berarti bahwa dalam tingkat yang lain menjadi kurang signifikan), maka signifikansi keseluruhan untuk interaksi tabel 2 x k (dengan k mengacu pada jumlah variabel bebas) akan digunakan sebagai kriteria. Di setiap table, kontribusi masing-masing kategori (baris) terhadap interaksi digunakan untuk peningkatan pemahaman yang lebih baik terhadap kategori-kategori yang menyebabkan interaksi menjadi lebih signifikan. Persentase yang dimaksud dalam semua analisis univariat adalah persentase untuk variabel terikat (sebagai contoh, 23% untuk pengemudi pemula, berarti bahwa 23% dari pengemudi pemula memiliki karakteristik tertentu). Rasio odds juga digunakan untuk mewakili tingkat keterlibatan, sebagai contoh jika 14,7% dari pengemudi pemula mengalami kecelakaan di pedesaan, dibandingkan dengan hanya 10,4% dari pemegang surat ijin mengemudi, rasio odds untuk pengemudi pemula adalah [0,147/(1-0,147)]/[0,104/(1-0,104)]=1,48. Dengan perkataan lain, kemungkinan seorang pengendara sepeda motor pemula bertabrakan di pedesaan adalah 48% lebih tinggi dibandingkan pengendara sepeda motor yang memiliki surat ijin mengemudi. Sementara itu tujuan dari analisis multivariat adalah untuk menentukan faktor utama (atau interaksi) yang dapat mengarahkan ke variabel terikat sangat signifkan dipengaruhi variabel bebas. Analisis multivariate digunakan karena analisis univariat tidak mampu menguraikan perbedaan efek tertentu yang berisiko tinggi, seperti bahwa sebagian besar zona kecepatan tinggi terjadi di daerah pedesaan, terjadi pada tikungan dan mengendarai sepeda motor pada akhir pecan. Sementara itu analisis multivariat, secara bersamaan dapat mengarahkan pada pemahaman yang komprehensif tentang berbagai factor yang berkontribusi terhadap kelompok sasaran beserta besar dan arah kontribusinya. Karena banyaknya variabel bebas yang dapat menyebabkan banyaknya kemungkinan interaksi, maka beberapa kriteria seperti ketersediaan data atau variabel-variabel dari studi sebelumnya dapat digunakan untuk menyeleksi variabel bebas yang diikutkan di dalam analisis. Regresi logistik digunakan untuk analisis multivariat pada penelitian ini karena di dalam analisisnya, dua buah kelompok sasaran akan dibandingkan.
2.4 Regresi Logistik Karena variabel tidak bebas di dalam penelitian ini bersifat kategori (atau berupa pilihan) yaitu bersifat biner (binary) maka regresi logistik dapat digunakan untuk menentukan hubungan antara variabel bebas dan variabel tidak bebas (Washington, et.al, 2003. Al9
Ghamdi, 2002). Data yang bersifat biner (binary) adalah data dengan 2 (dua) respon, misalnya fatal (1) – non fatal (0), gagal-berhasil, ya-tidak, on-off, 0-1 dan sebagainya. Dengan kata lain, regresi logistik digunakan jika variabel tidak bebas (Y) berupa variabel biner (binary). Misalnya, variabel tidak bebas Y berupa dua respon yakni gagal (dilambangkan dengan nilai 0) dan berhasil (dilambangkan dengan nilai 1). Kondisi demikian juga sering disebut sebagai regresi dengan respon biner. Seperti pada analisis regresi berganda, untuk regresi logistik variabel bebas (X) bisa juga terdiri lebih dari satu variabel dan dapat berupa variabel yang bersifat kontinyu maupun diskrit.
Gambar 2.4 Grafik Regresi Logistik Vs Regresi Linear Penggunaan regresi logistik untuk analisis data yang bersifat biner lebih baik dibanding dengan regresi linier atau Ordinary Least Square (OLS). Sebagai contoh digunakan set data penelitian di California dari 1200 sekolah menengah untuk mengukur prestasi akademis (www.stata.com). Varibel tidak bebas yang dipakai disebut hiqual. Variabel ini digolongkan menjadi 2 (dua) yatu not_high_qual yang dikodekan dengan 0 untuk nilai 744 ke bawah dan high_qual yang dikodekan dengan 1 untuk nilai 745 ke atas. Variabel bebas yang digunakan merupakan suatu variabel yang bersifat kontinyu yang dinamakan dengan avg_ed yang merupakan suatu ukuran tingkat rata pendidikan orang tua. Setelah regresi linier dijalankan maka akan didapat nilai-nilai yang diramalkan dan grafiknya terhadap variabel yang diamati. Adapun grafiknya sebagai berikut:
10
.
Gambar 2.5 Grafik Regresi Linier Sumber: www.stata.com
Dari grafik di atas, garis yang melintang dalam arah 450 dari sumbu Y menunjukkan nilai-nilai yang diramalkan dan dua garis mendatar menunjukkan nilai-nilai dari data yang diamati. Dari grafik terlihat bahwa terdapat nilai yang diramalkan mempunyai probabilitas kurang dari 0 (nol) dan lebih dari 1 (satu). Nilai-nilai tersebut tidak mungkin mengingat variabel terikat didefinisikan sebagai 0 dan 1. Sedangkan jika menggunakan regresi logistik akan diperoleh hasil sebagai berikut:
Gambar 2.6 Grafik Regresi Logistik Sumber: www.stata.com
11
Dari grafik di atas dapat dilihat bahwa tidak ada nilai yang diramalkan mempunyai kemungkinan atau probabilitas kurang dari 0 (nol) dan lebih dari 1 (satu). Fungsi regresi yang membengkok mampu mewakili sebaran data lebih baik dibandingkan regresi linier.
2.5 Desain dan Analisis Variabel Dummy Regresi logistik diakomodasikan untuk variabel tidak bebas biner maka di dalam pemodelannya baik variabel bebas dan tidak bebasnya harus direpresentasikan dalam bentuk kode. Variabel yang dinyatakan dalam bentuk kode tersebut didefinisikan sebagai variabel dummy. Regresi logistik tidak hanya mengasumsikan variabel tidak bebas bersifat dikotomi tetapi juga sebagai variabel biner (binary), yaitu diberi kode sebagai 0 dan 1. Kode ini harus berupa bilangan numerik dan bukan tekstual (string) dan merupakan suatu keharusan bahwa kode dengan bilangan 0 berarti kejadian tidak ada (gagal) dan kode dengan bilangan 1 berarti kejadian ada atau berhasil (Washington et.al, 2003). Pada dasarnya semua perangkat lunak statistik termasuk perangkat lunak SPSS akan melakukan perhitungan regresi logistik jika dan hanya jika variabel tidak bebas diberi kode 0 dan 1. Secara spesifik perangkat lunak SPSS mengasumsikan variabel tidak bebas yang mempunyai nilai selain 0 adalah 1, sehingga jika variabel tidak bebas diberikan kode 3 dan 4 maka SPSS akan mendefinisikannya sebagai bilangan 1. Akan tetapi ketentuan untuk variabel tidak bebas ini tidak berlaku untuk variabel bebas. Bentuk variabel bebas di dalam regresi logistik dapat berupa variabel yang bersifat kontinyu maupun diskrit dan tidak memiliki asumsi normalitas untuk variabel bebas. Untuk variabel bebas yang bersifat diskrit dengan beberapa klasifikasi dapat diberikan kode 0, 1, 2, 3, …dst. Sebagai ilustrasi variabel tipe kendaraan mempunyai beberapa klasifikasi yaitu kendaraan berat, kendaraan ringan dan sepeda motor maka di dalam pengkodeannya klasifikasi variabel tipe kendaraan tersebut dapat diberikan kode mulai dari 0, 1 dan 2 maupun mulai dari 1, 2 dan 3. Sudah ditetapkan (by default) bahwa hampir semua perangkat lunak statistik mempunyai prioritas untuk memprediksi probabilitas dari suatu kejadian yang ada (berhasil). Probabilitas di dalam statistik didefinisikan sebagai suatu ekspresi kuantitatif dari suatu kemungkinan suatu kejadian akan terjadi. Secara formal probabilitas adalah jumlah kejadian yang terjadi (berhasil) dibagi dengan jumlah kejadian yang dapat terjadi. Sebagai contoh, didalam pelemparan koin yang mempunyai dua sisi, probabilitas satu sisinya adalah ½ atau 0.5. Analisis ketergantungan (korelasi) antara satu variabel bebas yang satu dengan yang lainnya dinyatakan di dalam bentuk matriks. Matriks korelasi diasumsikan menunjukkan tidak 12
adanya multikolinearitas atau ketergantungan yang serius antar variabel bebas jika nilai korelasi tersebut dibawah 0,8 (mudrajad.com/upload/quantitative-method/lectures-9.pdf). Secara matematis untuk mencari nilai korelasi antara variabel-variabel bebas adalah sebagai berikut: rAB =
∑ ( Ai Bi ) ∑ ( Ai )( Bi) i
2
(2.1)
2
dengan : rAB : korelasi antara variabel bebas A dengan variabel bebas B Ai : variabel bebas A yang ke-i Bi : variabel bebas Y yang ke-i Langkah di atas adalah untuk memastikan variabel bebas yang akan disertakan di dalam model regresi logistik tidak saling tergantung satu sama lain. Sebagaimana telah dijelaskan di atas, setiap variabel bebas kemungkinan mempunyai beberapa klasifikasi seperti contoh klasifikasi tipe kendaraan. Berkaitan dengan hal ini maka langkah selanjutnya adalah melakukan uji statistik (uji hipotesis) untuk mengetahui apakah semua klasifikasi akan diikutsertakan di dalam model. Sebagai contoh jika klasifikasi kendaraan berat secara statistik mempunyai jumlah/frekuensi yang kecil atau tidak signifikan (sig < 0.05) dalam variabel bebas tipe kendaraan maka klasifikasi kendaraan berat dapat direduksi dari variabel bebas tersebut. Sebagai ilustrasi reduksi variabel dummy adalah sebagai berikut: Dari data kecelakaan (Al-Ghamdi, 2002) diperoleh bahwa jumlah sampel tipe kecelakaan adalah 605 dengan jumlah masing-masing klasifikasi adalah kecelakaan dengan kendaraan (235), kecelakaan dengan obyek diam (39), terguling/tergelincir (28) dan kecelakaan dengan pejalan kaki (303). Pengkodean atau variabel dummy untuk variabel bebas tipe kecelakaan (ATYP) digambarkan pada Tabel 2.1 dibawah ini: Tabel 2.1 Desain Variabel Dummy ATYP Dengan kendaraan Dengan obyek diam Terguling/tergelincir Dengan pejalan kaki
D1 0 1 0 0
Variabel Desain D2 0 0 1 0
D3 0 0 0 1
Sumber: Al-Ghamdi (2002)
Dengan melakukan uji hipotesis yaitu H0 : pi = 0 Ha : pi ≠ 0 13
dengan pi adalah proporsi adalah klasifikasi i di dalam variabel dummy. Hasil dari uji hipotesis untuk proporsi klasifikasi variabel tersebut digambarkan pada Tabel 2.2. Tabel 2.2 Uji Hipotesis untuk Proporsi Klasifikasi Tipe Kecelakaan x Dengan kendaraan Dengan obyek diam* Terguling/tergelincir* Dengan pejalan kaki
235 39 28 303
n 605 605 605 605
Sig. 0.388 0.064 0.046 0.501
95% selang kepercayaan Batas bawah Batas atas 0.4 0.4 0 0.1 0 0.1 0.5 0.5
* Tidak signifikan secara statistik pada tingkat 5% (95% selang kepercayaan termasuk nilai 0) Sumber: Al-Ghamdi (2002) Dari hasil uji hipotesis tersebut terlihat bahwa klasifikasi dengan obyek diam dan terguling/tergelincir direduksi dari variabel bebas tipe kecelakaan, konsekuensinya dua klasifikasi tersebut tidak diikutsertakan di dalam model. Kedua langkah di atas yaitu analisis korelasi dan reduksi variabel dummy menunjukkan kegiatan pemilihan variabel bebas di dalam model.
2.6 Model Regresi Logistik Regresi logistik digunakan untuk prediksi variabel tak bebas yang bersifat biner sebagai fungsi dari sekumpulan variabel bebas. Tujuan dari regresi logistik adalah untuk identifikasi model yang layak (the best fit model) yang mampu menjelaskan hubungan antara variabel tak bebas biner dengan sekumpulan variabel bebas. Variabel tak bebas biner merupakan proporsi atau probabilitas (P) yang bernilai total sama dengan 1. Nilai parameter model untuk variabel bebas dapat digunakan untuk estimasi rasio odds untuk setiap variabel bebas dalam model. Adapun bentuk spesifik dari regresi logistik adalah (Washington, 2003): x
π ( x) = P(Y = 1) =
e β 0 + β1
x
1 + e β 0 + β1
(2.2)
dengan P(Y=1) menyatakan proporsi skor/nilai Y=1 di dalam populasi di antara semua skor/nilai satu-nol yang mungkin. Transformasi dari nilai rata-rata π (x) dari fungsi logistik dikenal dengan sebutan transformasi logit. Logit tersebut merupakan log natural LN (berbasis e) dari odds, atau rasio likelihood dengan variabel tak bebas bernilai 1, sehingga:
P Logit (P) = LN i = Bo + Bi.Xi 1 − Pi
(2.3)
dengan:
14
Bo Bi Xi P Pi 1 − Pi
: : : : :
Konstanta variabel Parameter variabel bebas Sekumpulan variabel bebas (i= 1, 2,……, n) Probabilitas dengan jangkauan dari 0 sampai 1 Log natural dengan jangkauan dari negatif tak berhingga sampai positif tak berhingga
Model regresi logistik mempunyai hubungan kurvalinier antara pilihan biner variabel tak bebas Y dengan variabel bebas (variabel penduga) Xi, yang dapat berupa data diskrit atau kontinyu, Kurva logistik berbentuk linier pada nilai tengahnya dan berbentuk logaritmik pada nilai ekstremnya. Transformasi sederhana dari persamaan (2.2) menghasilkan (Washington, 2003): Pi β0 + βi .X i = eβ0 . eβi . X i = e 1 − Pi
(2.4)
Persamaan fundamental dari regresi logistik memperlihatkan bahwa ketika nilai variabel bebas bertambah sebesar satu unit, dan variabel lainnya dianggap konstan maka rasio P probabilitas i adalah sebagai berikut (Washington, 2003): 1 − Pi Pi P β 0 + β i ( X i +1) = eβ0 . eβi .X i . eβi = i . eβi = e 1 − Pi 1 − Pi
(2.5)
Pada saat variabel bebas X bertambah sebesar satu unit dengan variabel lainnya dianggap P konstan, odds i bertambah sebesar faktor e β i . Faktor ini disebut sebagai rasio odds 1 − Pi (Odds Ratio) dan mempunyai jangkauan dari 0 sampai positif tak berhingga. Ini menandakan bahwa jumlah relatif rasio odds meningkat (OR>1) atau berkurang (OR<1) adalah pada saat nilai variabel bebasnya bertambah sebesar 1 unit. Kenapa nilai odds perlu diketahui? Karena nilai odds memberikan nilai skala yang tepat pada kasus perbandingan berganda (multiplicative comparisons). Misal pada kasus dibawah ini. Seorang caleg A memiliki memiliki peluang terpilih pada saat pemilu sebesar 0.30, sedangkan peluang terpilih caleg B sebesar 0.60, maka dapat dikatakan bahwa probabilitas caleg B untuk terpilih adalah dua kali lipat dibandingkan caleg A. Tetapi apabila probabilitas terpilih caleg A menjadi 0.60 maka tidak mungkin probabilitas terpilih caleg B menjadi dua kali lipatnya. Nilai batas atas probabilitas adalah 1 sehingga tidak mungkin probabilitas caleg B menjadi 2 x 0.60 = 1.2. Kasus seperti ini tidak menjadi masalah pada perbandingan skala
15
odds. Probabilitas sebesar 0.60 memiliki nilai odds sebesar 0.60/0.40 = 1.5. Penggandaan nilai odds akan mendapatkan (2 x 1.5) = 3. Dengan nilai odds sebesar 3, nilai probabilitasnya menjadi: 3/ (1+3) = 0.75. Perbandingan nilai odds atau odds ratio akan memungkinkan untuk melakukan perhitungan tingkat hubungan (relationship) antara dua variabel dikotomi (dichotomous variables).
2.7 Maximum Likelihood untuk Penentuan Parameter Model Logistik
Di dalam regresi linier dikenal istilah kuadrat terkecil (least squares) yang digunakan untuk estimasi parameter model, sedangkan untuk regresi logistik yang digunakan adalah prinsip estimasi Maximum Likelihood (ML). Prinsip dari ML ini adalah parameter populasi diestimasi dengan cara memaksimumkan kemungkinan (likelihood) dari data observasi. Estimator yang diperoleh dari metode ini disebut dengan Maximum Likelihood Estimator (MLE). Sebagai ilustrasi, misalkan pada suatu kabupaten A, 80% anak-anak mempunyai asuransi kesehatan. Kemudian 10 orang anak di kabupaten A dipilih secara acak, dengan probabilitas 7 dari 10 anak-anak mempunyai asuransi kesehatan adalah 0.2013. Sementara itu di kabupaten B, 40% anak-anak mempunyai asuransi kesehatan. Kemudian 10 orang anak di kabupaten B dipilih secara acak, dengan probabilitas 7 dari 10 orang anak mempunyai asuransi kesehatan adalah 0.0425. Misalkan diketahui bahwa diantara 10 orang anak yang dipilih secara acak dari salah satu kabupaten tersebut 7 orang mempunyai asuransi kesehatan, berapakah persentase anak-anak di kedua kabupaten tersebut yang mempunyai asuransi kesehatan? Apakah kemungkinannya lebih besar dari dari kabupaten A dengan 80% asuransi kesehatan atau dari kabupaten B dengan 40% asuransi kesehatan? Karena data observasi menunjukkan bahwa 7 dari 10 orang anak yang mempunyai asuransi kesehatan lebih besar kemungkinannya di kabupaten A maka kemungkinannya adalah sampel yang berasal dari kabupaten A dengan estimasi rasio sebesar 80%. Sebelum menerapkan metode ML harus disusun sebuah fungsi likelihood terlebih dahulu (likelihood function). Fungsi ini menunjukkan probabilitas data yang sedang diamati sebagai fungsi dari parameter yang tidak diketahui. Nilai maximum likelihood estimators parameter ini dipilih menjadi nilai yang akan memaksimalkan likelihood function. Berikut dijelaskan cara untuk mendapatkan nilai tersebut dari sebuah model regresi logistik. Jika terdapat data biner maka bentuk dari likelihood adalah sebagai berikut: • Yi = 1 dengan probabilitas pi 16
• Yi = 0 dengan probabilitas 1 – pi Misalkan jika data observasi bersifat bebas maka likelihood dari data Y1, Y2,…,Yn adalah hasil pi dan 1 - pi. Jika untuk setiap Yi = 1, dengan probabilitas pi dan untuk setiap Yi = 0 dengan probabilitas 1 – pi maka bentuk umum dari fungsi likelihood (L), adalah: n
L=
∏p
Yi i
(1 − pi )1−Yi
(2.6)
i =1
Sepintas model di atas menyatakan bahwa likelihood hanya berkaitan dengan probabilitas dan belum menjelaskan mengenai probabilitas dari variabel bebas yang akan diperoleh. Fungsi logistik liner dapat digunakan untuk menjelaskan hubungan antara probabilitas pi dan variabel bebas Xi sebagai berikut:
pi =
e ( β 0 + β1 X i ) 1+ e
(2.7)
( β 0 + β1 X i )
dan
1 − pi =
1 1+ e
(2.8)
( β 0 + β1 X i )
Dengan menggunakan kedua persamaan (2.7) dan (2.8) pada persamaan (2.6) diperoleh: e β 0 + β1 X i L = ∏ β 0 + β1 X i i =1 1 + e n
Yi
1 β 0 + β1 X i 1+ e
1−Yi
n
=∏ i =1
(e
)
β 0 + β1 X i Yi
1+ e
β 0 + β1 X i
(2.9)
Menghitung nilai β0 dan β1 pada persamaan (2.9) merupakan suatu hal yang berat untuk dilakukan. Seringkali ditemukan bahwa lebih mudah untuk menggunakan logaritmik natural dari likelihood itu sendiri yaitu dengan memilih β0 dan β1 untuk memaksimumkan log likelihood. Log-likelihood dari data biner didalam suatu model regresi logistik adalah: n
n
i =1
i =1
(
log( L) = ∑ Yi ( β 0 + β 1 X i ) − ∑ log 1 + e β 0 + β1 X i
)
(2.10)
Serupa dengan prinsip kuadrat terkecil pada regresi linier, akan terdapat dua persamaan yang harus dipecahkan untuk dua parameter (solusinya adalah estimasi dari β0 dan β1). Akan tetapi, tidak seperti pada kuadrat terkecil, dua persamaan pada regresi logistik bersifat tidak linier sehingga harus dipecahkan dengan proses iterasi. Ini dimungkinkan dengan penentuan nilai awal untuk β0 dan β1, evaluasi log-likelihood, penentuan nilai baru untuk β0 atau β1 yang menaikkan nilai log-likelihood, dan mengulangi proses tersebut sampai nilai log-likelihood tidak berubah atau konstan pada suatu nilai tertentu. Jika hal tersebut terjadi maka dikatakan bahwa proses iterasi nilai log-likelihood sudah bersifat konvergen.
17
2.8 Uji Tuna Cocok (Goodness of Fit Test)
Uji tuna-cocok dilakukan untuk mempelajari sejauh mana kelayakan model regresi logistik yang dipakai di dalam memodelkan hubungan antara variabel bebas dan variabel tidak bebas serta seberapa baik model memaparkan variabel tidak bebas yang terjadi. Semakin kecil selisih antara nilai data yang diamati dengan nilai data yang diharapkan, maka semakin bagus model logistik tersebut. Pada regresi logistik, tidak ada nilai R2 yang sebenarnya seperti halnya pada regresi kuadrat terkecil. Akan tetapi, karena besaran deviance analogi dengan Mean Square Error (MSE) pada analisis regresi, maka Pseudo R2 dapat dianggap sebagai pendekatan nilai R2 berdasarkan nilai deviance (-2LL) seperti yang diperlihatkan pada persamaan (2.5) dan (2.6). Terdapat dua versi Pseudo-R2, yaitu Cox & Snell Pseudo-R2 dan Nagelkerke Pseudo-R2 (Charnkol, et.al, 2007). − 2 LLnull Cox & Snell Pseudo-R = R = 1 - − 2 LLk 2
2/n
2
(2.11)
Persamaan diatas menyatakan bahwa model nol (null model) merupakan model logistik dengan hanya berupa konstanta dan model ke-k merupakan model dengan sekumpulan variabel bebas. Berdasarkan Cox & Snell, nilai R2 tidak dapat mencapai nilai 1, sehingga R2 dari Nagelkerke dapat digunakan untuk memodifikasi nilai R2 Cox & Snell tersebut. Suatu metode lainnya juga digunakan untuk penentuan kelayakan (goodness of fit) model logistik adalah uji Hosmer-Lemeshow. Hipotesa nol dari uji ini adalah model layak, sementara hipotesa alternatif adalah model tidak layak. Uji statistik ini dilakukan dengan cara membagi data ke dalam kira-kira 10 kelompok. Kelompok tersebut dibentuk dengan cara mengurutkan data eksisting berdasarkan estimasi tingkat kemungkinannya. Data pertamatama diurutkan dari nilai kemungkinan terkecil. Dari setiap kelompok, nilai data observasi dan nilai ekspektasi dihitung untuk setiap kelompok. Persamaan uji statistik ini adalah sebagai berikut (Washington, 2003): g (O − E k ) 2 Cˆ = ∑ k vk k =1
(2.12)
dengan Cˆ : Uji Hosmer-Lemeshow (H-L test) Ok : Nilai data observasi dari suatu kejadian pada kelompok ke-k Ek : Nilai ekspektasi dari suatu kejadian pada kelompok ke-k
vk
: Faktor koreksi variansi pada kelompok ke-k
18
Jika nilai data observasi mempunyai perbedaan dengan nilai ekspektasinya maka nilai uji H-L besar dan mengindikasikan adanya bukti yang melemahkan terhadap hipotesa nol.
2.9 Interpretasi Model
Setelah model dinyatakan layak di dalam menggambarkan hubungan antara variabel bebas dan tidak bebas maka langkah selanjutnya adalah menginterpretasikan model tersebut yang berguna di dalam penarikan kesimpulan. Di dalam kegiatan penginterpretasian model tersebut terdapat kegiatan analisis rasio odds. Secara harfiah odds mempunyai arti yang sama dengan peluang atau probabilitas atau kemungkinan. Akan tetapi di dalam statistik, peluang atau kemungkinan dan odds mempunyai konsep yang berbeda. Odds dari suatu kejadian digambarkan sebagai peluang dari yang peristiwa terjadi dibagi oleh peluang dari yang peristiwa tidak terjadi. Sebagai ilustrasi di dalam pelemparan koin, kemungkinan memperoleh kepala adalah 0.5 dan kemungkinan tidak mendapat kepala juga 0.5. Karenanya, odds adalah 0.5/0.5= 1. Bahwa kemungkinan dari suatu peristiwa yang terjadi dan interpretasinya, kemungkinan dari peristiwa tidak terjadi, jumlahnya harus 1. Jika diasumsikan bahwa dengan mengubah koin sedemikian rupa sehingga kemungkinan mendapat kepala
adalah 0.6 maka
kemungkinan tidak mendapat kepala menjadi 0.4. Odds mendapat kepala adalah 0.6/0.4=1.5. Jika kemungkinan mendapat kepala menjadi adalah 0.8, maka odds mendapatkan kepala akan menjadi 0.8/0.2= 4. Dari ilustrasi tersebut terlihat bahwa, ketika odds sama, kemungkinan dari
kejadian
peristiwa terjadi sama dengan kemungkinan peristiwa tidak terjadi. Ketika odds salah satunya lebih besar, kemungkinan dari kejadian peristiwa adalah lebih tinggi dibanding kemungkinan dari peristiwa tidak terjadi, dan ketika odds lebih kecil dari yang lainnya, kemungkinan dari kejadian peristiwa kurang dari kemungkinan dari
peristiwa tidak terjadi. Odds dapat
dikonversi kembali ke suatu peluang (probabilitas) yaitu dengan rumusan
peluang =
odds . (1 + odds)
Konsep berikutnya adalah mengenai rasio odds. Seperti telah diketahui bahwa rasio odds (odds ratio) adalah perbandingan dua odds. Sebagai ilustrasi, diasumsikan bahwa terdapat wanita dan pria di dalam satu regu dengan proporsi 75% wanita dan 60% pria (www.ats.ucla.edu/stat/Stata/dae/ologit.htm). Odds untuk wanita adalah 0.75/0.25 = 3, dan odds untuk pria adalah 0.6/0.4 = 1.5. Rasio odds akan menjadi 3/1.5= 2, artinya bahwa dari odds dari wanita dibanding pria untuk ikut bergabung ke dalam regu adalah 2 berbanding 1 19
Sebagai ilustrasi di dalam pengertian mengenai odds dan probabilitas (kemungkinan) dapat dilihat pada contoh berikut. Misal untuk analisa keropos tulang (osteoporosis) diperoleh suatu model logit sebagai berikut: p = a + b. (Age) Logit (p) = ln 1− p
dengan variabel bebas Age merupakan umur responden. Dari hasil pemodelan diperoleh bahwa koefisien a dan b bernilai masing-masing -21.18 dan 1.629. Menggunakan kedua nilai ini maka diperoleh model sebagai berikut: p = -21.18 + 1.629 (Age) Logit (p) = ln 1− p
Untuk menginterpretasikan model ini misalkan diinginkan untuk mengetahui probabilitas seorang anak berumur 10 tahun menderita keropos tulang dapat dilakukan dengan cara: p = -21.18 + 1.629 (10)=-4.89 Logit (p) = ln 1− p
Nilai -4.89 di atas bukan nilai probabilitas. Untuk memperoleh nilai yang diinginkan maka dihitung exp (-4.89) = 0.0075. Nilai ini merupakan nilai odds yang mengindikasikan bahwa berubahnya seorang anak sebanyak satu unit umur akan menyebabkan nilai odds dari anak tersebut menderita keropos tulang adalah 0.0075. Jika ingin diketahui probabilitas (kemungkinan) seorang anak berumur 10 tahun maka dilakukan dengan menghitung: p=
exp( Logit ( p )) exp(−4.89) 0.0075 = = = 0.007 1 + exp( Logit ( p )) 1 + exp(−4.89) 1 + 0.0075
Hasil di atas menyatakan bahwa probabilitas (kemungkinan) seorang anak 10 tahun ke bawah menderita keropos tulang adalah sangat kecil (0.7%).
20
BAB III METODE PENELITIAN
3.1 Alur Penelitian
Alur penelitian pada studi ini digambarkan pada Gambar 3.1 dibawah ini. Latar belakang dan tujuan penelitian telah dipaparkan pada Bab I. Berdasarkan tujuan penelitian ini maka ditetapkan lokasi penelitian serta pengumpulan data kecelakaan lalu lintas. Latar Belakang Masalah Tinjauan Pustaka Tujuan dan Manfaat Penelitian
Pengumpulan/Ketersediaan Data
Variabel-variabel Penelitian
Tabulasi Data Penelitian
Analisis Statistik Analisis Univariat
Analisis Multivariat (Model Regresi Logistik)
Kesimpulan dan Saran
Gambar 3.1 Diagram Alir Penelitian
3.2 Identifikasi Variabel Bebas dan Terikat
Untuk analisis kecelakaan lalu lintas dengan model statistik tentunya diperlukan variabel bebas dan variabel terikat. Pada penelitian ini variabel bebas ditentukan mengacu kepada studi
21
sebelumnya yaitu dari Carr, et.al (1995) serta dengan mempertimbangkan ketersediaan data. Pada penelitian ini variabel bebas yang digunakan adalah sebagai berikut: I. Faktor-faktor lingkungan dan jalan yang meliputi: 1. Alinyemen Jalan (a. Persimpangan b. Ruas jalan). 2. Hari (a. Hari kerja b. Akhir pekan). 3. Waktu Kecelakaan (a. 6-10 pagi b. 10-2 siang c. 2-6 sore d. 6-10 sore e. 10-6 pagi).
II. Karakteristik tersangka yang meliputi: 1. Jenis Kelamin (a. Wanita b. Pria). 2. Kelompok Usia (a.< 16 tahun b. 16-25 tahun c. 21-25 tahun d. 26-60 tahun f. > 60 tahun). 3. Kendaraan tersangka (a. Kendaraan berat b. Kendaraan ringan c. Sepeda motor).
III. Faktor-faktor Kecelakaan Lalu Lintas yang meliputi: 1. Tipe Kecelakaan (a. dengan kendaraan b. dengan obyek diam c. Terguling/tergelincir d. dengan pejalan kaki). 2. Tipe Tabrakan (a. Depan dengan Samping (RA) b. Tabrakan saat menyalip (SS) c. Depan dengan belakang (RE) d. Depan dengan Depan (HO) e. Out of Control (OC)). 3. Tipe Pelanggaran (a. Kecepatan tinggi b. Menerobos lampu merah c. Jarak dengan kendaraan lain terlalu dekat d. Salah jalur e. Tidak memberi prioritas kepada pengguna jalan lainnya f. Sebab lainnya).
Sementara variabel terikat yang digunakan pada penelitian ini adalah: a. Jenis kecelakaan (a. Kecelakaan Fatal b. Kecelakaan non Fatal). b. Tipe Korban kecelakaan dalam kondisi kecelakaan fatal (Jenis Kelamin (Wanita dan Pria) serta Kelompok Usia (a.< 16 tahun b. 16-25 tahun c. 21-25 tahun d. 26-60 tahun f. > 60 tahun)). Terdapat dua jenis data yaitu data kecelakaan atau kejadian kecelakaan (event) dan korban kecelakaan lalu lintas (casualties). Jumlah kecelakaan dan jumlah korban tentunya tidak sama karena di dalam satu kejadian kecelakaan lalu lintas kemungkinan terdapat lebnih dari satu korban.
22
3.3 Analisis Data dan Pemodelan Statistik
Data yang sudah ditabulasikan selanjutnya dianalisis menggunakan model statistik yaitu analisis univariat dan multivariat. Analisis univariat telah dideskripsikan pada Bab Tinjauan Pustaka. Sementara itu untuk analisis multivariat digunakan regresi logistik dengan terlebih dahulu mendesain dan menganalisis variabel dummy dari setiap variabel bebasnya agar secara statistik kecukupan dan proporsi sampelnya signifikan. Pada implementasinya, analisis univariat sudah dilakukan pada saat pemodelan dengan model regresi logistik yaitu pada tahapan validasi model khususnya untuk penentuan kelayakan model menggunakan nilai Chi square dan uji Hosmer Lemeshow. Perbedaan mendasar penelitian ini dengan penelitian-penelitian sebelumnya adalah penelitian oleh Wedagama dan Dissanayake (2010a) meneliti tentang pengaruh dari faktorfaktor kecelakaan yang berpengaruh terhadap pengendara sepeda motor sebagai korban di ruas jalan arteri IB Mantra dan bypass Ngurah Rai. Metode yang digunakan adalah model Multinomial Logit untuk menganalisis faktor-faktor yang berpengaruh terhadap korban fatal, berat dan ringan. Sementara itu penelitian oleh Wedagama dan Dissanayake (2010b) meneliti tentang pengaruh dari faktor-faktor kecelakaan terhadap kecelakaan fatal untuk semua tipe kendaraan dan khusus sepeda motor. Sementara itu, pada penelitian ini lebih menekankan pada investigasi faktor-faktor kecelakaan lalu lintas (pengguna jalan, kendaraan dan jalan serta lingkungan) yang menyebabkan kelompok atau grup pengendara sepeda motor yang rentan terlibat dalam kecelakaan lalu lintas fatal dan non fatal dan korban pengendara sepeda motor yang meninggal dunia. Demikian juga di dalam skenario pemodelannya, telah dikondisikan untuk model kecelakaan dan korban kecelakaan fatal dengan tersangka pengendara sepeda motor dalam kelompok-kelompok usia dan jenis kelamin. Langkah selanjutnya adalah kalibrasi dan validasi model regresi logistik. Metode kalibrasi dan validasi secara statistik telah diuraikan pada Bab Tinjauan Pustaka. Jika secara statistik model yang disusun telah memenuhi persyaratan maka langkah selanjutnya adalah interpretasi model. Interpretasi model disini bertujuan untuk penarikan kesimpulan dan saran-saran untuk penelitian selanjutnya.
23
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Variabel Dummy dan Uji Hipotesis
Berdasarkan Tabel 3.1 selanjutnya ditentukan definisi variabel dummy untuk setiap sub klasifikasi variabel penduga. Variabel dummy ditentukan berdasarkan model yang akan disusun. Untuk model kecelakaan terdapat dua model yaitu model analisis kecelakaan fatal dan non fatal dengan tersangka pengendara sepeda motor berumur dibawah 25 tahun dan berusia antara 26-60 tahun. Berdasarkan hal tersebut kendaraan tersangka dalam kedua model kecelakaan adalah sepeda motor. Sementara untuk model korban meninggal (fatal casualties) terdapat tiga model yaitu model korban kecelakaan (sedikitnya 1 orang meninggal dunia) berdasarkan jenis kelamin korban, usia korban dibawah 25 tahun dan usia korban 26-60 tahun. Variabel dummy diperlukan untuk mendefinisikan sub klasifikasi variabel penduga yang dinyatakan dalam bentuk kualitatif. Selanjutnya variabel dummy sub klasifikasi tersebut dianalisis proporsinya di dalam variabel induknya secara statistik atau yang disebut dengan uji hipotesis. Variabel dummy untuk kedua model diatas diperlihatkan pada Tabel 4.1, Tabel 4.2 dan Tabel 4.3. Tabel 4.1 Variabel dummy dan proporsinya untuk Model Kecelakaan Fatal dan Non Fatal dengan tersangka pengendara sepeda motor bawah usia 25 tahun Variabel Ruas Jalan Persimpangan Dengan Pejalan Kaki Dengan Obyek Diam Terguling/Tergelincir Dengan Kendaraan Lepas kendali (Out of Control) Depan dengan Samping (Right Angle) Tabrakan Saat Menyalip (Side Sweep) Depan dengan Belakang (Rear End) Depan dengan Depan (Head On) Sebab Lainnya Kecepatan Tinggi (Speeding) Menerobos Lampu Merah (Run Red Light) Jarak dengan Kendaraan Lain Terlalu Dekat Salah Jalur Tidak Memberi Prioritas Pada Pengguna Jalan Lain Jenis Kelamin Tersangka : Pria Jenis Kelamin Tersangka : Wanita Siang Malam Kecelakaan fatal Kecelakaan non fatal Umur tersangka kurang dari 16 tahun Umur tersangka antara 16 sampai bawah 26 tahun
Kode Location1 Location0 Atyp0 Atyp1 Atyp2 Atyp3 Ctyp0 Ctyp1 Ctyp2 Ctyp3 Ctyp4 Violation0 Violation1 Violation2 Violation3 Violation4 Violation5 Gender1 Gender0 Time1 Time0 Fatal1 Fatal0 SU16 S1625
N (Jumlah data) 57 12 0 4 8 57 15 15 7 15 17 19 0 1 14 20 15 58 11 36 33 32 37 3 66
% 80.28 19.72 0.00 5.80 11.59 82.61 21.74 21.74 10.14 21.74 24.64 27.54 0.00 1.45 20.29 28.99 21.74 81.69 18.31 50.70 49.30 45.07 54.93 4.35 95.65
24
Tabel 4.2 Variabel dummy dan proporsinya untuk Model Kecelakaan Fatal dan Non Fatal dengan tersangka pengendara sepeda motor antara usia 26-60 tahun Variabel Ruas Jalan Persimpangan Dengan Pejalan Kaki Dengan Obyek Diam Terguling/Tergelincir Dengan Kendaraan Lepas kendali (Out of Control) Depan dengan Samping (Right Angle) Tabrakan Saat Menyalip (Side Sweep) Depan dengan Belakang (Rear End) Depan dengan Depan (Head On) Sebab Lainnya Kecepatan Tinggi (Speeding) Menerobos Lampu Merah (Run Red Light) Jarak dengan Kendaraan Lain Terlalu Dekat Salah Jalur Tidak Memberi Prioritas Pada Pengguna Jalan Lain Jenis Kelamin Tersangka : Pria Jenis Kelamin Tersangka : Wanita Siang Malam Kecelakaan fatal Kecelakaan non fatal Umur tersangka antara 26 sampai 60 tahun Umur tersangka diatas 60 tahun
Kode Location1 Location0 Atyp0 Atyp1 Atyp2 Atyp3 Ctyp0 Ctyp1 Ctyp2 Ctyp3 Ctyp4 Violation0 Violation1 Violation2 Violation3 Violation4 Violation5 Gender1 Gender0 Time1 Time0 Fatal1 Fatal0 S2660 SO60
N (Jumlah data) 78 17 0 4 21 70 27 15 10 25 18 29 3 2 23 21 17 62 33 45 50 45 50 95 0
% 78.00 22.00 0.00 4.21 22.11 73.68 28.42 15.79 10.53 26.32 18.95 30.53 3.16 2.11 24.21 22.11 17.89 62.00 38.00 45.00 55.00 45.00 55.00 100.00 0.00
Berdasarkan Tabel 4.1 untuk model kecelakaan, dengan tersangka pengendara sepeda motor di bawah usia 25 tahun jumlah total sampel adalah 69. Sementara itu mengacu kepada Tabel 4.2, untuk model kecelakaan dengan tersangka pengendara sepeda motor antara usia 26-60 tahun jumlah total sampel adalah 95. Sebagai variabel terikat untuk kedua model tersebut adalah kecelakaan fatal dan non fatal. Untuk model korban kecelakaan, variabel terikatnya adalah korban kecelakaan berdasarkan jenis kelamin, usia korban dibawah 25 tahun dan usia korban 26-60 tahun berjumlah 123 sampel seperti diperlihatkan pada Tabel 4.3. Selanjutnya berdasarkan jumlah data (N) bisa dihitung batas bawah dan atas dari setiap sub variabel (sub klasifikasi variabel). Perhitungan dilakukan dengan menggunakan rumusan: Nx (1 − N ) ..........................................................4.1 TotalSampel dengan nilai 1,96 merupakan nilai bilangan z dari selang kepercayaan 95%. N-1.96x
25
Tabel 4.3 Variabel dummy dan proporsinya untuk Model Fatal Casualties Karakteristik Ruas Jalan Persimpangan Dengan Pejalan Kaki Dengan Obyek Diam Terguling/Tergelincir Dengan Kendaraan Lepas kendali (Out of Control) Depan dengan Samping (Right Angle) Tabrakan Saat Menyalip (Side Sweep) Depan dengan Belakang (Rear End) Depan dengan Depan (Head On) Sebab Lainnya Kecepatan Tinggi (Speeding) Menerobos Lampu Merah (Run Red Light) Jarak dengan Kendaraan Lain Terlalu Dekat Salah Jalur Tidak Memberi Prioritas Pada Pengguna Jalan Lain Jenis Kelamin Tersangka : Pria Jenis Kelamin Tersangka : Wanita Umur tersangka dibawah 16 tahun Umur tersangka antara 16 sampai dibawah 26 tahun Umur tersangka antara 26 sampai 60 tahun Umur tersangka diatas 60 tahun Kendaraan tersangka : kendaraan berat (HV) Kendaraan tersangka : kendaraan ringan (LV) Kendaraan tersangka : sepeda motor (MC) Siang Malam Umur korban dibawah 16 tahun Umur korban antara 16 sampai dibawah 26 tahun Umur korban antara 26 sampai 60 tahun Umur korban diatas 60 tahun Jenis klamin korban : Pria Jenis klamin tersangka : Wanita
Kode Location1 Location0 Atyp0 Atyp1 Atyp2 Atyp3 Ctyp0 Ctyp1 Ctyp2 Ctyp3 Ctyp4 Violation0 Violation1 Violation2 Violation3 Violation4 Violation5 Gender1 Gender0 SU16 S1626 S2660 SO60 VehicleS0 VehicleS1 VehicleS2 Time1 Time0 CU16 C1626 C2660 CO60 GenderC1 GenderC0
N (Jumlah data) 107 16 0 7 24 92 33 15 8 32 35 33 9 3 32 32 14 104 19 0 43 79 1 5 35 83 63 60 0 44 76 3 96 27
% 86.99 13.01 0.00 5.69 19.51 74.80 26.83 12.20 6.50 26.02 28.46 26.83 7.32 2.44 26.02 26.02 11.38 84.55 15.45 0.00 34.96 64.23 0.81 4.07 28.46 67.48 51.22 48.78 0.00 35.77 61.79 2.44 78.05 21.95
4.2 Reduksi Variabel Dummy dan Penentuan Variabel Penduga
Kecelakaan fatal atau fatal accidents merupakan suatu kecelakaan yang mengakibatkan sedikitnya satu atau lebih korban meninggal dunia sementara kecelakaan tidak fatal atau non fatal accidents korbannya luka berat dan luka ringan. Berdasarkan uji hipotesis kecelakaan fatal dan non fatal (fatal and non fatal accidents) untuk model pengendara sepeda motor berumur dibawah 26 (SuspectU26) tahun sebagai tersangka maka: • Data tipe tabrakan karena kendaraan menyalip dari samping (Ctyp2) (sideswipe/SS)
digabungkan dengan tipe tabrakan dari arah samping (Ctyp1) (right angle/RA) menjadi sub klasifikasi penduga Ctyp5. Hal ini karena proporsi data Ctyp2 dan Ctyp1 tidak signifikan secara statistik.
26
• Data tipe kecelakaan dengan obyek diam (fixed object/Atyp1) dan kecelakaan karena
tergelincir (Atyp2) digabungkan menjadi sub klasifikasi penduga Atyp4. Hal ini karena proporsi data Atyp2 dan Atyp1 tidak signifikan secara statistik. • Data untuk kecelakaan karena pelanggaran menerobos lampu merah (run red
lightViolation 2) tidak digunakan karena proporsi datanya tidak signifikan secara statistik. Berdasarkan reduksi klasifikasi variabel dummy diatas, maka urutan kategori variabel dummy untuk model pengendara sepeda motor berusia dibawah 26 tahun diperlihatkan pada Tabel 4.4 Tabel 4.4 Urutan dan Referensi Variabel Dummy Setelah Reduksi Klasifikasi Variabel (Model pengendara sepeda motor berusia bawah 26 tahun tahun sebagai tersangka) Parameter coding
Frequency Ctyp
Violation
Atyp
GenderS
Waktu
Lokasi
(1)
(2)
(3)
0
15
1.000
.000
.000
3
15
.000
1.000
.000
4
16
.000
.000
1.000
5
22
.000
.000
.000
0
19
1.000
.000
.000
3
14
.000
1.000
.000
4
20
.000
.000
1.000
5
15
.000
.000
.000
3
56
1.000
4
12
.000
0
11
1.000
1
57
.000
0
32
1.000
1
36
.000
0
11
1.000
1
57
.000
Sementara itu, berdasarkan uji hipotesis kecelakaan fatal dan non fatal (fatal and non fatal accidents) untuk model pengendara sepeda motor berusia 26 sampai 60 tahun (Suspect2660) sebagai tersangka maka: • Data tipe kecelakaan dengan obyek diam (fixed object/Atyp1) dan kecelakaan karena
tergelincir (Atyp2) digabungkan menjadi sub klasifikasi penduga Atyp4. Hal ini karena proporsi data Atyp2 dan Atyp1 tidak signifikan secara statistik.
27
• Data tipe tabrakan karena kendaraan menyalip dari samping (Ctyp2) (sideswipe/SS)
digabungkan dengan tipe tabrakan dari arah samping (Ctyp1) (right angle/RA) menjadi sub klasifikasi penduga Ctyp5. Hal ini karena proporsi data Ctyp2 dan Ctyp1 tidak signifikan secara statistik. • Data untuk kecelakaan karena pelanggaran menerobos lampu merah (run red
light/Violation 2) dan kecepatan tinggi (speeding/Violation 1) digabungkan dengan kecelakaan karena sebab lainnya (others/Violation 0) menjadi sub klasifikasi penduga Violation 6. Hal ini karena proporsi data Violation 1 dan Violation 2 tidak signifikan secara statistik. Tabel 4.5 Urutan dan Referensi Variabel Dummy Setelah Reduksi Klasifikasi Variabel (Model pengendara sepeda motor berusia 26-60 tahun sebagai tersangka) Parameter coding
Frequency Ctyp
Violation
Atyp
GenderS
Time
Location
(1)
(2)
(3)
0
27
1.000
.000
.000
3
25
.000
1.000
.000
4
18
.000
.000
1.000
5
25
.000
.000
.000
3
23
1.000
.000
.000
4
21
.000
1.000
.000
5
17
.000
.000
1.000
6
34
.000
.000
.000
3
70
1.000
4
25
.000
0
10
1.000
1
85
.000
0
50
1.000
1
45
.000
0
17
1.000
1
78
.000
4.3 Kalibrasi dan Validasi Model
Pemodelan korban kecelakaan (casualties) fatal atau fatal casualties model yaitu pemodelan suatu kondisi dimana pada kecelakaan lalu lintas berakibat pada terdapat sedikitnya 1 orang meninggal dunia. Untuk model ini disusun 3 buah model yaitu korban berdasarkan jenis kelamin (gender casualties), korban berusia antara 16 sampai 25 tahun dan korban berusia antar 26 sampai 60 tahun.
28
Korban berusia dibawah 25 tahun dan diatas 60 tahun tidak dapat dianalisis karena merupakan data untuk korban dengan rentang usia tersebut tidak signifikan secara statistik. Sementara itu korban kecelakaan antara 16 sampai 25 tahun mengindikasikan korban usia pelajar/mahasiswa yang merupakan generasi penerus bangsa dan korban usia 26 sampai 60 tahun merupakan usia produktif yang merupakan tulang punggung keluarga. Berdasarkan uji hipotesis maka untuk model korban kecelakaan fatal (fatal casualties) variabel dummy penduga adalah sebagai berikut: • Data untuk tipe tabrakan saat menyalip dari samping atau sideswipe (SS) (Ctyp2) dan
tabrakan dengan kendaraan dari arah samping (RA) (Ctyp1) digabungkan menjadi satu sub klasifikasi penduga (Ctyp5) karena nilai proporsi Ctyp2 mendekati 0. • Data tipe pelanggaran kecepatan tinggi (violation1) dan menerobos lampu merah
(violation2) digabungkan menjadi satu variabel sub klasifikasi penduga (violation6) karena nilai proporsi violation 1 dan violation2 mendekati 0. • Kendaraan tersangka yaitu kendaraan berat (HV) dengan sub klasifikasi vehicle0 dan
kendaraan ringan (LV) dengan sub klasifikasi vehicle1 digabungkan menjadi satu sub klasifikasi baru (vehicle3). • Untuk tipe tipe kecelakaan dengan obyek diam (atyp1) digabungkan dengan tipe
kcelakaan terguling/tergelincir (Atyp2) menjadi satu variabel sub klasifikasi penduga (Atyp4) karena nilai jumlah sampel dari Atyp1 dibawah nilai lower boundary dari selang kepecayaan. • Umur tersangka dibawah 16 tahun (AgeS0) digabungkan dengan umur tersangka 16-25
tahun (AgeS1) dan umur tersangka diatas 60 tahun (AgeS3) digabungkan dengan umur tersangka 26-60 tahun (AgeS2). Hal ini karena proporsi data tersangka dibawah usia 16 tidak ada sementara tersangka diatas 60 tahun proporsi datanya tidak signifikan secara statistik.
Berdasarkan reduksi klasifikasi variabel dummy diatas, maka urutan kategori variabel dummy diperlihatkan pada Tabel 4.6. Variabel dummy tersebut selanjutnya digunakan untuk menyusun Model korban kecelakaan fatal berdasarkan jenis kelamin, korban berusia antara 16 sampai bawah 26 tahun dan korban berusia diantara 26-60 tahun.
29
Tabel 4.6 Urutan dan Referensi Variabel Dummy Setelah Reduksi Klasifikasi Variabel (Untuk Model Korban Kecelakaan Fatal) Frequency
Violations
Ctyp
VehicleS Atyp Time AgeS GenderS Location
Parameter coding (1)
(2)
(3)
(4)
0
33
1.000
.000
.000
.000
3
32
.000
1.000
.000
.000
4
32
.000
.000
1.000
.000
5
14
.000
.000
.000
1.000
6
12
.000
.000
.000
.000
0
33
1.000
.000
.000
3
32
.000
1.000
.000
4
35
.000
.000
1.000
5
23
.000
.000
.000
2
83
1.000
3
40
.000
3
92
1.000
4
31
.000
0
60
1.000
1
63
.000
1
43
1.000
2
80
.000
0
19
1.000
1
104
.000
0
16
1.000
1
107
.000
Selanjutnya dengan menggunakan rumusan regresi logistik dari persamaan (2.2) sampai (2.12), model dikalibrasi sehingga diperoleh variabel bebas yang signifikan berpengaruh terhadap variabel terikat dan divalidasi sehingga keakurasian model dapat diinterpretasi. Hasil kalibrasi dan validasi diperlihatkan pada Tabel 4.7. Pengendara kendaraan bermotor/sepeda motor yang berusia dibawah 25 tahun berpengaruh terhadap terjadinya kecelakaan fatal saat terjadi kecelakaan adalah karena sebab lainnya (selain kecepatan tinggi, menerobos lampu merah, jarak terlalu dekat, salah jalur dan tidak memberi prioritas) dan pengendara sepeda motor tersebut adalah wanita. Sementara itu pengendara kendaraan bermotor/sepeda motor yang berusia dibawah 26 sampai 60 tahun berpengaruh terhadap terjadinya kecelakaan fatal saat terjadi kecelakaan akibat tabrakan depan dengan belakang (Rear End Collission) dan pengendara sepeda motor tersebut adalah wanita.
30
Dalam suatu kecelakaan dengan pengendara sepeda motor sebagai korban yang terjadi waktu malam hari, kendaraan tersangka berada pada jalur yang tidak seharusnya dan umur tersangka berumur antara 16 sampai 25 tahun potensial untuk menimbulkan terjadinya kecelakaan dengan satu korban sedikitnya meninggal dunia berusia antara 16-25 tahun dan 26-60 tahun. Pada suatu kecelakaan fatal dengan pengendara sepeda motor sebagai korban, pria lebih potensial dibandingkan wanita sebagai korban meninggal jika kendaraan tersangka berada pada jalur yang tidak seharusnya, kendaraan tidak memberikan prioritas terhadap kendaraan lain dan pengemudi kendaraan bermotor adalah wanita. Jika dikaitkan dengan waktu kecelakaan malam hari maka jarak pandang pengemudi kendaraan bermotor harus diperbaiki dengan lampu penerangan jalan yang memenuhi standard khususnya untuk di jalan arteri. Terkait dengan salah jalur, hal ini dapat diakibatkan karena pengemudi kendaraan bermotor kurang mematuhi peraturan berlalu lintas seperti pengendara sepeda motor berada pada sisi kiri lajur jalan, penggunaan lajur kanan hanya untuk menyalip kendaraan lain dan kendaraan yang berjalan pelan sebaiknya menggunakan lajur kiri bukan pada lajur kanan. Sementara usia pengemudi yang berusia 16 sampai 25 tahun lebih berpengaruh dibandingkan usia 26-60 tahun dalam menyebabkan kecelakaan fatal, hal ini disebabkan oleh faktor-faktor emosi dan prilaku dari usia muda di jalan raya. Penelitian mengenai faktor usia ini perlu untuk diteliti lebih lanjut karena terkait dengan faktor psikologis dan emosi seseorang di jalan raya. Kesesuaian model untuk model yang disusun dinyatakan dengan menggunakan Hosmer Lemeshow (H-L) tests, Cox & Snell and Nagelkerke pseudos R2 dan akurasi model yaitu peningkatan akurasi null model ke final model. Uji H-L (H-L tests) memerplihatkan bahwa semua model yang disusun signifikan secara statistik (p-values > 0.05). Dengan demikian, variabel bebas memperbaiki kekuatan prediksi dari null model. Sementara itu, nilai pseudo R2 bervariasi. Sebagai ilustrasi, nilai dua pseudo R2 Cox & Snell dan Nagelkerke mengindikasikan model kecelakaan dengan tersangka pengendara sepeda motor antara 26 sampai 60 tahun bertutur-turut memiliki 22.1 % dan 29.5% variansi variabel terikat. Secara teoritis lebih tinggi pseudo R2 lebih baik model yang disusun. Mengacu kepada penelitian dari O’Donnel dan Connor (2002), secara praktis kedua nilai pseudo tereebut dapat diabaikan karena tidak ada suatu ukuran umum untuk kelayakan model yang dapat diaplikasikan terkait model logistik. Oleh karenanya, akurasi model dapat digunakan untuk menentukan kelayakan model. Tabel 4.7 memperlihatkan adanya peningkatan akurasi dari model nol (null tmodel) atau model tanpa variabel bebas ke model dengan variabel bebas yang signifikan (final models). 31
Tabel 4.7 Hasil Kalibrasi dan Validasi Model R2
Hosmer & Lemeshow Test
Model Accuracy
Significant predictor (s)
Accident Null
Models
Chi Square
Suspect2660
4.741
SuspectU26
8.510
p-value
Cox & Snell
0.692
Nagelkerke
0.221
0.385
0.295
0.188
0.251
Hosmer & Lemeshow Test
Model
Model
52.6
72.6
52.9
2
R
Final
72.1
Variable
β
Standard Error p-value
Exp (β)
(S.E)
Ctyp(2)*
-1.801
0.939
0.055
0.165
GenderS(1)*
1.908
.979
0.051
6.742
Violation(1) *
2.379
1.327
0.073
10.797
GenderS(1) *
1.411
0.817
0.084
4.099
Model Accuracy
Significant predictor (s) at 95% Confidence Interval
Fatal Casualty Null
Models
Chi Square
p-value
Cox & Snell
Nagelkerke Model
Gender Casualties
Casualties16-U26
Casualties2660
4.821
9.905
4.611
0.777
0.272
0.798
0.303
0.422
0.368
0.466
78.0
0.579
64.2
0.501
61.8
Final Model
85.4
82.1
79.7
Variable(s)
β
: : : :
Salah jalur Tidak memberi prioritas (failed to yield) Tersangka berjenis kelamin wanita Malam hari (18.00-05.59 WITA)
Violations(1) Ctyp (2) AgeS(1)
: : :
p-
(S.E)
value.
Exp (β)
Violations(3)**
2.838
1.224
0.020
17.086
Violations(4) **
3.358
1.608
0.037
28.738
GenderS(1) **
-4.186
0.871
0.000
0.015
Time(1) **
2.888
0.914
0.002
17.949
Violations(3) **
-2.787
1.338
0.037
0.062
AgeS(1) **
**
0.959
0.000
79.043
Time(1) **
-2.631
0.762
0.001
0.072
Violations(3) **
2.882
1.125
0.010
17.846
AgeS(1) **
-3.910
0.805
0.000
0.020
Keterangan: Violations(3) Violations(4) GenderS(1) Time(1)
Standard Error
Sebab lainnya Tabrakan depan belakang Tersangka berusia diantara 16 - bawah usia 26 tahun
32
4.4 Analisis Keluaran Model
Berdasarkan Tabel 4.7 nilai Exp(β) untuk variable dummy mengindikasikan bahwa odd P 1− P
dari kecelakaan dengan pengendara sepeda motor wanita usia 26 sampai 60 tahun
sebagai tersangka adalah 6,7 kali lebih besar dibandingkan pengendara sepeda motor pria. Oleh karena itu kemungkinan pengendara sepeda motor wanita berusia 26 sampai 60 tahun P mempengaruhi terjadinya kecelakaan fatal adalah 1− P
(β*Ctyp(1)) = e = 6,7 atau 87%. Odd
dari kecelakaan dengan pengendara sepeda motor usia 26 sampai 60 tahun sebagai tersangka dan terlibat tabrakan depan belakang adalah 0,165 kali lebih rendah dibandingkan terlibat tabrakan dari samping (RA + SS). Oleh karena itu jika pengendara sepeda motor berusia 26 sampai 60 tahun terlibat tabrakan depan belakang sebagai tersangka maka kontribusi 14% terhadap kecelakaan fatal. Odd kecelakaan dengan pengendara sepeda motor wanita dibawah usia 26 tahun sebagai tersangka 4 kali lebih besar dibandingkan pengendara sepeda motor pria. Oleh karena itu kemungkinan pengendara sepeda motor wanita berusia dibawah 26 tahun sebagai tersangka berkontribusi 80% terhadap kecelakaan fatal. Odd kecelakaan dengan pengendara sepeda motor dibawah usia 26 tahun sebagai tersangka dan karena sebab lainnya hampir 11 kali lebih berpeluang dibandingkan jika tidak memberi prioritas. Pengendara sepeda motor berusia dibawah 26 tahun sebagai tersangka dan karena sebab lainnya berkontribusi 91,7 % terhadap terjadinya kecelakaan fatal. Odd kecelakaan fatal dari pengendara sepeda motor sebagai tersangka karena salah jalur dan tidak memberikan prioritas berturut-turut 17 dan 29 kali lebih besar dibandingkan karena kecepatan tinggi dan menerobos lampu merah di dalam menimbulkan korban fatal pria dibandingkan korban fatal wanita. Oleh karena itu pengendara sepeda motor yang salah jalur dan tidak memberikan prioritas berkontribusi sekitar 94% dan 96,67% terhadap terjadinya korban fatal pria pada suatu kecelakaan fatal. Sementara itu odd kecelakaan fatal pengendara sepeda motor wanita dibanding pria adalah 0,015 kali lebih kecil dalam menimbulkan korban fatal pria. Oleh karena itu pengendara sepeda motor wanita berkontribusi sekitar 1,4% terhadap korban fatal pria. Odd kecelakaan fatal pengendara sepeda motor saat kecelakaan terjadi malam hari dan pengendara berusia 16-bawah 26 tahun berturut-turut 17 dan 79 kali lebih besar dibanding siang hari dan usia diatas 26 tahun dalam menimbulkan korban kecelakaan fatal berusia 16-
33
bawah 26 tahun. Dengan perkataan lain, pengendara sepeda motor berusia 16-bawah 26 tahun dan kecelakaan yang terjadi saat malam hari berkontribusi sekitar 98,8% dan 94% terhadap korban fatal berusia 16-bawah 26 tahun. Sementara itu, odd kecelakaan fatal pengendara sepeda motor karena salah jalur 0,06 lebih kecil dibanding kecepatan tinggi dan menerobos lampu merah di dalam menimbulkan korban kecelakaan fatal usia 16-bawah 26 tahun. Oleh karena itu, pengendara sepeda motor berkontribusi sekitar 6% terhadap korban kecelakaan fatal usia 16-bawah 26 tahun. Odd kecelakaan fatal pengendara sepeda motor saat kecelakaan lalu lintas malam hari dan berusia 16-bawah 26 tahun berturut-turut 0,07 dan 0,02 lebih kecil dibanding siang hari dan usia diatas 26 tahun terhadap korban fatal berusia 26-60 tahun. Dengan perkataan lain, pengendara sepeda motor berusia 16-bawah 26 tahun dan kecelakaan malam hari berkonrtibusi berturut-turut sekitar 2% dan 6% terhadap korban fatal berusia 26-60 tahun. Sementara itu, pengendara sepeda motor yang salah jalur dibandingkan dengan pengendara sepeda motor dengan kecepatan tinggi dan menerobos lampu merah hampir 18 kali lebih besar pengaruhnya terhadap korban fatal usia 26-60 tahun. Dengan perkataan lain, pengendara sepeda motor yang salah jalur berkontribusi sekitar 94,7% terhadap terjadinya kobran fatal usia 26-60 tahun. Dari model korban fatal usia 16-bawah 26 tahun dan usia 26-60 tahun, faktor-faktor signifikan yang berpengaruh adalah sama, akan tetapi perbedaannya terletak pada besar pengaruhnya. Kedua model itu mempunyai faktor yang besar pengaruhnya bertolak belakang satu dengan yang lainnya. Pengendara sepeda motor yang salah jalur mempunyai pengaruh yang kecil pada model korban fatal usia 16-bawah 26 tahun akan tetapi sebaliknya pada model korban fatal usia 26-60 tahun. Demikian juga, kecelakaan saat malam hari dan pengendara sepeda motor usia 16-bawah 26 tahun mempunyai pengaruh yang besar pada model korban fatal usia 16-bawah 26 tahun akan tetapi sebaliknya pada model korban fatal usia 26-60 tahun. Oleh karena itu perbaikan sarana dan prasarana jalan agar pengendara sepeda motor tidak salah jalur sangat diperlukan seperti pemasangan lajur khusus dan penambahan rambu bagi sepeda motor agar berada pada lajur kiri. Penambahan lampu penerangan jalan merupakan contoh untuk pengurangan kecelakaan saat malam hari. Sementara itu pengendara usia muda (16-bawah 26 tahun) telah banyak diteliti mengenai pengaruhnya terhadap kecelakaan fatal. Pengendara usia muda ini memang lebih agresif dibanding pengendara kelompok usia lainnya. Penelitian lanjutan mengenai aspek psikologis pengendara usia muda sangat diperlukan untuk mengetahui faktor-faktor yang berpengaruh terhadap prilaku kelompok usia ini di jalan raya . 34
Sementara itu untuk model korban berdasarkan jenis kelamin faktor yang besar pengaruhnya adalah salah jalur dan tidak memberi prioritas. Penambahan fasilitas perlengkapan jalan seperti marka dan rambu yang bersifat self explaining dan self enforcement seperti rambu beri jalan (give way) dan pita penggaduh dapat mengurangi kecelakaan karena faktor-faktor ini. Dari model pengendara sepeda motor sebagai tersangka baik usia bawah 26 tahun maupun usia 26-60 tahun,
pengendara wanita mempunyai kontribusi yang sangat besar dalam
menimbulkan terjadinya kecelakaan fatal. Hal ini mengindikasikan bahwa wanita lebih berprilaku beresiko dalam mengendarai sepeda motor. Akan tetapi, hal ini tidak berarti bahwa pengendara wanita lebih agresif dibandingkan pengendara pria. Untuk itu perlu penelitian terkait aspek psikologis antara pengendara sepeda motor wanita dan pria.
35
BAB V SIMPULAN DAN SARAN
5.1 Simpulan
Dari hasil analisis model kecelakaan dan korban kecelakaan fatal maka dapat disimpulkan faktor-faktor yang menyebabkan kelompok pengendara sepeda motor terlibat dalam kejadian kecelakaan dan sebagai korban kecelakaan lalu lintas fatal. a. Pengendara sepeda motor wanita usia 16-60 sangat berpengaruh di dalam menimbulkan terjadinya suatu kecelakaan fatal dan non fatal. Sementara pengendara sepeda motor pria besar pengaruhnya dalam menimbulkan korban fatal pria. Sementara itu pengendara usia 16 sampai dibawah 26 tahun sangat berpengaruh dalam menimbulkan korban fatal usia 16-bawah usia 26 tahun. b. Pengendara sepeda motor wanita mempunyai pengaruh yang signifikan yaitu sekitar 4-7 kali lebih besar dibandingkan pengendara pria di dalam menimbulkan kecelakaan fatal dan non fatal. Sementara itu pengendara sepeda motor wanita hanya 1,4% menimbulkan korban fatal pria atau dengan perkataan lain pengendara sepeda motor pria lebih berpengaruh di dalam menimbulkan korban fatal pria. Kelompok pengendara sepeda motor berusia 16-bawah 26 tahun berkontribusi sekitar 94% terhadap korban fatal berusia 16-bawah 26 tahun. Kelompok pengendara sepeda motor berusia 16-bawah 26 tahun berkonrtibusi berturut-turut sekitar 2% terhadap korban fatal berusia 26-60 tahun.
5.2 Saran
Terkait dengan penelitian mengenai pengaruh kelompok pengendara sepeda motor yang berpeluang terlibat kecelakaan lalu lintas maka diperlukan perbaikan fasilitas perlengkapan jalan seperti rambu dan marka yang bersifat self explaining dan self enforcement. Selain itu, penelitian-penelitian yang terkait dengan aspek psikologis pengendara sepeda motor sangat diperlukan untuk memahami prilaku pengendara sepeda motor di jalan raya baik dari segi jenis kelamin maupun kelompok usia.
36
DAFTAR PUSTAKA
1.
Al-Ghamdi, A.S. (2002) Using Logistic Regression to Estimate the Influence of Accident Factors on Accident Severity, Accident Analysis and Prevention, Vol. 34, pp. 729-741, Elsevier Science Ltd.
2.
Biro Pusat Statistik Privinsi Bali (2013) Bali dalam Angka. Denpasar.
3.
Carr, D., Dyte, D., Cameron, M (1995) Analysis of High Risk and High Severity Groups among Motorcyclists, Accident Research Centre, Monash University, Australia.
4.
Charnkol, T., Hanaoka, S., Tanaboriboon, Y. (2007) Emergency Trip Destination of Evacuation as Shelter Analysis for Tsunami Disaster: A Case Study in Phuket, Thailand, Proceedings of the Eastern Asia Society for Transportation Studies, Vol. 6.
5.
Keall, M.D, (1995), Pedestrian Exposure To Risk of Road Accident in New Zealand, Accident Analysis and Prevention, Vol. 27, No. 5, pp.729-740.
6.
Kepolisian Daerah Bali (2011) Laporan Data Kecelakaan.
7.
Lupton, K., Wing, M., Wright, C (1999) Conceptual Data Structures and the Statistical Modelling of Road Accidents, Mathematics in Transport Planning and Control, pp.267276. Mathematics in Transport Planning and Control: Proceedings the 3rd IMA International Conference on Mathematics in Transport and Planning Control, Oxford, Elsevier Science.
8.
O’Donnel, C.J., Connor, D.H. (1996) Predicting The Severity of Motor Vehicle Accident Injuries Using Models of Ordered Multiple Choice, Accident Analysis and Prevention Vol. 28, No.6, 739 – 753.
9.
Shankar, V., Mannering F (1996) An Exploratory Multinomial Logit Analysis of SingleVehicle Motorcycle Accident Severity, Joumal of Safety Research, Vol. 27, No. 3. pp. 183-194.
10. Washington, S.P., Karlaftis, M.G., Mannering, F.l. (2003) Statistical and Econometric Methods for Transportation Data Analysis, Chapman & Hall, USA. 11. www.stata.com. 12. Wedagama, D.M.P., Dissanayake, D (2010a), Analysing Motorcycle Injuries on Arterial Roads in Bali using a Multinomial Logit Model, Journal of the Eastern Asia Society for Transportation Studies, Vol. 8, pp. 1864 -1876. 13. Wedagama, D.M.P., Dissanayake, D (2010b), The Influence of Accident Related Factors on Road Fatalities Considering Bali Province in Indonesia as a Case Study, Journal of the Eastern Asia Society for Transportation Studies, Vol. 8, pp. 1877 -1889.
37
LAMPIRAN
38
OUTPUT MODEL KECELAKAAN DENGAN TERSANGKA PENGENDARA SEPEDA MOTOR USIA 16-BAWAH 26 TAHUN
39
Case Processing Summary Unweighted Casesa Selected Cases
N Included in Analysis Missing Cases Total Unselected Cases Total
Percent 68
100.0
0
.0
68
100.0
0
.0
68
100.0
a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding Original Value
Internal Value
0
0
1
1
Categorical Variables Codings Parameter coding Frequency Ctyp
Violation
Atyp
GenderS
Waktu
Lokasi
(1)
(2)
(3)
0
15
1.000
.000
.000
3
15
.000
1.000
.000
4
16
.000
.000
1.000
5
22
.000
.000
.000
0
19
1.000
.000
.000
3
14
.000
1.000
.000
4
20
.000
.000
1.000
5
15
.000
.000
.000
3
56
1.000
4
12
.000
0
11
1.000
1
57
.000
0
32
1.000
1
36
.000
0
11
1.000
1
57
.000
40
Block 0: Beginning Block
a,b
Classification Table
Predicted Fatal Percentage Observed Step 0
Fatal
0
Correct
1
0
36
0
100.0
1
32
0
.0
Overall Percentage
52.9
a. Constant is included in the model. b. The cut value is ,500
Variables in the Equation B Step 0
Constant
S.E. -.118
Wald
.243
df
.235
Sig. 1
.628
Exp(B) .889
Variables not in the Equation Score Step 0
Variables
Lokasi(1)
df
Sig.
.014
1
.907
Atyp(1)
4.566
1
.033
Ctyp
4.491
3
.213
Ctyp(1)
2.970
1
.085
Ctyp(2)
.304
1
.581
Ctyp(3)
2.099
1
.147
Waktu(1)
.001
1
.977
Violation
8.925
3
.030
Violation(1)
7.503
1
.006
Violation(2)
.061
1
.805
Violation(3)
3.309
1
.069
GenderS(1)
3.470
1
.062
12.998
10
.224
Overall Statistics
41
Block 1: Method = Enter Omnibus Tests of Model Coefficients Chi-square Step 1
df
Sig.
Step
14.161
10
.166
Block
14.161
10
.166
Model
14.161
10
.166
Model Summary
Step
Cox & Snell R
Nagelkerke R
Square
Square
-2 Log likelihood a
1
79.871
.188
.251
a. Estimation terminated at iteration number 4 because parameter estimates changed by less than ,001.
Hosmer and Lemeshow Test Step
Chi-square
1
df
8.510
Sig. 8
.385
Contingency Table for Hosmer and Lemeshow Test Fatal = 0 Observed Step 1
Fatal = 1
Expected
Observed
Expected
Total
1
4
5.559
3
1.441
7
2
5
5.260
2
1.740
7
3
5
4.285
1
1.715
6
4
5
5.526
3
2.474
8
5
5
4.390
2
2.610
7
6
5
3.776
2
3.224
7
7
4
2.511
2
3.489
6
8
3
2.396
5
5.604
8
9
0
1.893
8
6.107
8
42
Contingency Table for Hosmer and Lemeshow Test Fatal = 0 Observed
Fatal = 1
Expected
Observed
Expected
Total
1
4
5.559
3
1.441
7
2
5
5.260
2
1.740
7
3
5
4.285
1
1.715
6
4
5
5.526
3
2.474
8
5
5
4.390
2
2.610
7
6
5
3.776
2
3.224
7
7
4
2.511
2
3.489
6
8
3
2.396
5
5.604
8
9
0
1.893
8
6.107
8
10
0
.403
4
3.597
4
a
Classification Table
Predicted Fatal Percentage Observed Step 1
Fatal
0
Correct
1
0
30
6
83.3
1
13
19
59.4
Overall Percentage
72.1
a. The cut value is ,500
43
Variables in the Equation
B a
Step 1
Lokasi(1) Atyp(1)
S.E.
Wald
df
Sig.
Exp(B)
.059
.781
.006
1
.940
1.060
-1.129
1.508
.560
1
.454
.323
.881
3
.830
Ctyp Ctyp(1)
-1.473
1.705
.747
1
.388
.229
Ctyp(2)
.123
.945
.017
1
.896
1.131
Ctyp(3)
.150
1.066
.020
1
.888
1.162
-.317
.583
.296
1
.586
.728
3.396
3
.335
Waktu(1) Violation Violation(1)
2.379
1.327
3.216
1
.073
10.797
Violation(2)
.671
1.024
.429
1
.513
1.956
Violation(3)
-.037
1.083
.001
1
.973
.964
GenderS(1)
1.411
.817
2.982
1
.084
4.099
.212
1.736
.015
1
.903
1.236
Constant
a. Variable(s) entered on step 1: Lokasi, Atyp, Ctyp, Waktu, Violation, GenderS. Variables in the Equation 95% C.I.for EXP(B) Lower a
Step 1
Upper
Lokasi(1)
.229
4.900
Atyp(1)
.017
6.213
Ctyp(1)
.008
6.475
Ctyp(2)
.178
7.206
Ctyp(3)
.144
9.383
Waktu(1)
.232
2.283
Violation(1)
.802
145.384
Violation(2)
.263
14.568
Violation(3)
.115
8.051
GenderS(1)
.827
20.327
a. Variable(s) entered on step 1: Lokasi, Atyp, Ctyp, Waktu, Violation, GenderS.
44
OUTPUT MODEL KECELAKAAN DENGAN TERSANGKA PENGENDARA SEPEDA MOTOR USIA 26-60 TAHUN
45
Case Processing Summary Unweighted Casesa Selected Cases
N Included in Analysis Missing Cases Total Unselected Cases Total
Percent 95
100.0
0
.0
95
100.0
0
.0
95
100.0
a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding Original Value
Internal Value
0
0
1
1
Categorical Variables Codings Parameter coding Frequency Ctyp
Violation
Atyp
GenderS
Time
Location
(1)
(2)
(3)
0
27
1.000
.000
.000
3
25
.000
1.000
.000
4
18
.000
.000
1.000
5
25
.000
.000
.000
3
23
1.000
.000
.000
4
21
.000
1.000
.000
5
17
.000
.000
1.000
6
34
.000
.000
.000
3
70
1.000
4
25
.000
0
10
1.000
1
85
.000
0
50
1.000
1
45
.000
0
17
1.000
1
78
.000
Block 0: Beginning Block
46
a,b
Classification Table
Predicted Fatal Percentage Observed Step 0
Fatal
0
Correct
1
0
50
0
100.0
1
45
0
.0
Overall Percentage
52.6
a. Constant is included in the model. b. The cut value is ,500
Variables in the Equation B Step 0
Constant
S.E. -.105
Wald
.205
df
.263
Sig. 1
.608
Exp(B) .900
Variables not in the Equation Score Step 0
Variables
Location(1)
df
Sig.
.001
1
.977
Atyp(1)
11.156
1
.001
Ctyp
11.450
3
.010
Ctyp(1)
10.791
1
.001
Ctyp(2)
3.214
1
.073
Ctyp(3)
.076
1
.783
Time(1)
.017
1
.897
Violation
8.701
3
.034
Violation(1)
.003
1
.960
Violation(2)
.930
1
.335
Violation(3)
4.720
1
.030
GenderS(1)
2.296
1
.130
21.053
10
.021
Overall Statistics
Block 1: Method = Enter
47
Omnibus Tests of Model Coefficients Chi-square Step 1
df
Sig.
Step
23.741
10
.008
Block
23.741
10
.008
Model
23.741
10
.008
Model Summary
Step
Cox & Snell R
Nagelkerke R
Square
Square
-2 Log likelihood a
1
107.694
.221
.295
a. Estimation terminated at iteration number 5 because parameter estimates changed by less than ,001.
Hosmer and Lemeshow Test Step
Chi-square
1
df
4.741
Sig. 7
.692
Contingency Table for Hosmer and Lemeshow Test Fatal = 0 Observed Step 1
Fatal = 1
Expected
Observed
Expected
Total
1
9
8.795
1
1.205
10
2
8
7.546
2
2.454
10
3
9
8.919
4
4.081
13
4
4
5.991
5
3.009
9
5
8
7.719
5
5.281
13
6
4
4.207
6
5.793
10
7
3
2.837
7
7.163
10
8
3
1.399
3
4.601
6
9
2
2.588
12
11.412
14
48
a
Classification Table
Predicted Fatal Percentage Observed Step 1
Fatal
0
1
Correct
0
41
9
82.0
1
17
28
62.2
Overall Percentage
72.6
a. The cut value is ,500
Variables in the Equation
B a
Step 1
S.E.
df
Sig.
Exp(B)
Location(1)
-.416
.679
.375
1
.540
.660
Atyp(1)
-.685
1.305
.276
1
.600
.504
5.350
3
.148
Ctyp Ctyp(1)
1.245
1.181
1.111
1
.292
3.472
Ctyp(2)
-1.801
.939
3.677
1
.055
.165
Ctyp(3)
.542
.827
.430
1
.512
1.720
Time(1)
.020
.527
.001
1
.970
1.020
5.536
3
.055
.165
Violation
a.
Wald
Violation(1)
1.822
1.138
2.564
1
.109
6.183
Violation(2)
-.195
.951
.042
1
.837
.822
Violation(3)
-.419
1.064
.155
1
.694
.658
GenderS(1)
1.908
.979
3.797
1
.051
6.742
Constant
-.054
1.320
.002
1
.967
.947
Variable(s) entered on step 1: Location, Atyp, Ctyp, Time, Violation, GenderS.
49
Variables in the Equation 95% C.I.for EXP(B) Lower a
Step 1
Upper
Location(1)
.174
2.497
Atyp(1)
.039
6.502
Ctyp(1)
.343
35.149
Ctyp(2)
.026
1.041
Ctyp(3)
.340
8.704
Time(1)
.363
2.864
Violation(1)
.665
57.512
Violation(2)
.127
5.307
Violation(3)
.082
5.300
GenderS(1)
.989
45.964
a. Variable(s) entered on step 1: Location, Atyp, Ctyp, Time, Violation, GenderS.
50
OUTPUT MODEL KECELAKAAN DENGAN KORBAN FATAL PENGENDARA SEPEDA MOTOR PRIA DAN WANITA
51
Case Processing Summary Unweighted Casesa Selected Cases
N Included in Analysis
Percent 123
Missing Cases Total
.0
123
100.0
Unselected Cases Total
100.0
0 0
.0
123
100.0
a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding Original Value
Internal Value
0
0
1
1
Categorical Variables Codings Parameter coding Frequency Violations
Ctyp
VehicleS Atyp Time AgeS GenderS Location
(1)
(2)
(3)
(4)
0
33
1.000
.000
.000
.000
3
32
.000
1.000
.000
.000
4
32
.000
.000
1.000
.000
5
14
.000
.000
.000
1.000
6
12
.000
.000
.000
.000
0
33
1.000
.000
.000
3
32
.000
1.000
.000
4
35
.000
.000
1.000
5
23
.000
.000
.000
2
83
1.000
3
40
.000
3
92
1.000
4
31
.000
0
60
1.000
1
63
.000
1
43
1.000
2
80
.000
0
19
1.000
1
104
.000
0
16
1.000
1
107
.000
Block 0: Beginning Block Classification Tablea,b Predicted GenderC Observed Step 0
GenderC
0
1
Percentage Correct
0
0
27
.0
1
0
96
100.0
Overall Percentage
78.0
a. Constant is included in the model.
52
Classification Tablea,b Predicted GenderC Observed Step 0
GenderC
0
1
0
0
27
Percentage Correct .0
1
0
96
100.0
Overall Percentage
78.0
a. Constant is included in the model. b. The cut value is ,500
Variables in the Equation
Step 0
Constant
B
S.E.
Wald
df
Sig.
Exp(B)
1.269
.218
33.909
1
.000
3.556
Variables not in the Equation
Step 0
Variables
Score
df
Sig.
Location(1)
.110
1
.740
Atyp(1)
.820
1
.365
Ctyp
1.910
3
.591
Ctyp(1)
1.217
1
.270
Ctyp(2)
.962
1
.327
Ctyp(3)
.109
1
.742
Time(1)
3.304
1
.069
Violations
1.112
4
.892
Violations(1)
.014
1
.905
Violations(2)
.000
1
.990
Violations(3)
.259
1
.611
Violations(4)
.003
1
.960
AgeS(1)
.509
1
.476
GenderS(1)
35.102
1
.000
VehicleS(1)
.010
1
.919
Overall Statistics
46.166
13
.000
Block 1: Method = Enter Omnibus Tests of Model Coefficients Chi-square Step 1
df
Sig.
Step
44.461
13
.000
Block
44.461
13
.000
Model
44.461
13
.000
53
Model Summary Step
-2 Log likelihood
Cox & Snell R Square
Nagelkerke R Square
1
85.007a
.303
.466
a. Estimation terminated at iteration number 6 because parameter estimates changed by less than ,001. Hosmer and Lemeshow Test Step
Chi-square
df
Sig.
1
4.821
8
.777
Contingency Table for Hosmer and Lemeshow Test GenderC = 0 Step 1
GenderC = 1
Observed
Expected
Observed
Expected
Total
1
9
9.945
3
2.055
12
2
8
7.236
5
5.764
13
3
4
3.378
8
8.622
12
4
2
1.745
9
9.255
11
5
2
1.640
10
10.360
12
6
0
.713
9
8.287
9
7
1
.806
12
12.194
13
8
0
.674
13
12.326
13
9
0
.566
14
13.434
14
10
1
.298
13
13.702
14
Classification Tablea Predicted GenderC Observed Step 1
GenderC
0
1
Percentage Correct
0
16
11
59.3
1
7
89
92.7
Overall Percentage
85.4
a. The cut value is ,500
54
Variables in the Equation B a
Step 1
Location(1) Atyp(1)
S.E.
Wald
df
Sig.
Exp(B)
.888
.962
.852
1
.356
2.429
-.272
2.456
.012
1
.912
.762
1.769
3
.622
Ctyp Ctyp(1)
1.753
2.302
.580
1
.446
Ctyp(2)
-.813
.917
.787
1
.375
.443
Ctyp(3)
.528
1.220
.187
1
.665
1.696
Time(1)
-.030
.692
.970
Violations
.002
1
.965
8.437
4
.077
5.773
Violations(1)
.791
1.802
.193
1
.661
2.206
Violations(2)
2.453
1.440
2.902
1
.088
11.628
Violations(3)
2.838
1.224
5.376
1
.020
17.086
Violations(4)
3.358
1.608
4.362
1
.037
28.738 1.124
AgeS(1)
.117
.710
.027
1
.869
GenderS(1)
-4.186
.871
23.076
1
.000
.015
VehicleS(1)
.767
.719
1.138
1
.286
2.154
-.376
3.163
.014
1
.905
.686
Constant
a. Variable(s) entered on step 1: Location, Atyp, Ctyp, Time, Violations, AgeS, GenderS, VehicleS.
Variables in the Equation 95% C.I.for EXP(B) Lower a
Step 1
Upper
Location(1)
.369
Atyp(1)
.006
15.995 93.861
Ctyp(1)
.063
525.441
Ctyp(2)
.074
2.674
Ctyp(3)
.155
18.519
Time(1)
.250
3.768
Violations(1)
.065
75.424
Violations(2)
.691
195.667
Violations(3)
1.551
188.196
Violations(4)
1.230
671.568
AgeS(1)
.279
4.524
GenderS(1)
.003
.084
VehicleS(1)
.526
8.820
a. Variable(s) entered on step 1: Location, Atyp, Ctyp, Time, Violations, AgeS, GenderS, VehicleS.
55
OUTPUT MODEL KECELAKAAN DENGAN KORBAN FATAL PENGENDARA SEPEDA MOTOR USIA 16-BAWAH 26 TAHUN
56
Case Processing Summary Unweighted Cases Selected Cases
a
N Included in Analysis
Percent 123
Missing Cases Total Unselected Cases Total
100.0
0
.0
123
100.0
0
.0
123
100.0
a. If weight is in effect, see classification table for the total number of cases.
Dependent Variable Encoding Original Value
Internal Value
0 1
0 1
Categorical Variables Codings Parameter coding Frequency Violations
Ctyp
VehicleS
Atyp
Time
AgeS
GenderS
Location
(1)
(2)
(3)
(4)
0
33
1.000
.000
.000
.000
3
32
.000
1.000
.000
.000
4
32
.000
.000
1.000
.000
5
14
.000
.000
.000
1.000
6 0
12 33
.000 1.000
.000 .000
.000 .000
.000
3
32
.000
1.000
.000
4
35
.000
.000
1.000
5
23
.000
.000
.000
2
83
1.000
3
40
.000
3
92
1.000
4
31
.000
0
60
1.000
1
63
.000
1
43
1.000
2
80
.000
0
19
1.000
1
104
.000
0
16
1.000
1
107
.000
57
Block 0: Beginning Block a,b
Classification Table
Predicted C1625 Observed Step 0
C1625
0
Percentage Correct
1
0
79
0
1
44
0
100.0 .0
Overall Percentage
64.2
a. Constant is included in the model. b. The cut value is ,500
Variables in the Equation B Step 0
Constant
S.E. -.585
Wald
.188
df
9.680
Sig. 1
.002
Exp(B) .557
Variables not in the Equation Score Step 0
Variables
df
Sig.
Location(1)
.509
1
.475
Atyp(1)
.002
1
.969
Ctyp
.447
3
.930
Ctyp(1)
.007
1
.934
Ctyp(2)
.056
1
.813
Ctyp(3)
.402
1
.526
Time(1)
4.341
1
.037
Violations
3.579
4
.466
Violations(1)
1.840
1
.175
Violations(2)
.056
1
.813
Violations(3)
.385
1
.535
Violations(4)
.000
1
.996
37.960
1
.000
GenderS(1)
.392
1
.531
VehicleS(1)
.015
1
.901
54.804
13
.000
AgeS(1)
Overall Statistics
Block 1: Method = Enter Omnibus Tests of Model Coefficients Chi-square Step 1
df
Sig.
Step
67.337
13
.000
Block
67.337
13
.000
Model
67.337
13
.000
58
Omnibus Tests of Model Coefficients Chi-square
df
Sig.
Step
67.337
13
.000
Block
67.337
13
.000
Model Summary Step
-2 Log likelihood
Cox & Snell R Square
a
1
93.079
Nagelkerke R Square
.422
.579
a. Estimation terminated at iteration number 20 because maximum iterations has been reached. Final solution cannot be found.
Hosmer and Lemeshow Test Step
Chi-square
df
9.905
1
Sig. 8
.272
Contingency Table for Hosmer and Lemeshow Test C1625 = 0 Observed Step 1
C1625 = 1
Expected
Observed
Expected
Total
1
13
12.901
0
.099
13
2
11
10.719
0
.281
11
3
12
10.830
0
1.170
12
4
8
9.834
4
2.166
12
5
8
7.837
2
2.163
10
6
10
9.932
3
3.068
13
7
9
9.470
5
4.530
14
8
3
5.029
8
5.971
11
9
5
2.157
9
11.843
14
10
0
.292
13
12.708
13
a
Classification Table
Predicted C1625 Observed Step 1
C1625
0
Percentage Correct
1
0
72
7
91.1
1
15
29
65.9
Overall Percentage
82.1
a. The cut value is ,500
59
Variables in the Equation
B a
Step 1
Location(1) Atyp(1)
S.E.
Wald
df
Sig.
Exp(B)
.233
1.013
.053
1
.818
1.262
22.865
14974.206
.000
1
.999
8.518E9
5.033
3
.169
Ctyp Ctyp(1)
1.835
1.959
.878
1
.349
6.268
Ctyp(2)
-1.747
1.085
2.591
1
.107
.174
Ctyp(3)
1.102
1.397
.622
1
.430
3.010
Time(1)
2.888
.914
9.983
1
.002
17.949
7.575
4
.108
.000
1
.999
4.784E8
Violations Violations(1)
19.986
14974.206
Violations(2)
.602
1.579
.145
1
.703
1.825
Violations(3)
-2.787
1.338
4.339
1
.037
.062
Violations(4)
-1.211
1.843
.431
1
.511
.298
AgeS(1)
4.370
.959
20.764
1
.000
79.043
GenderS(1)
.197
.853
.053
1
.818
1.217
VehicleS(1)
-.798
.649
1.515
1
.218
.450
-25.197
14974.206
.000
1
.999
.000
Constant
a. Variable(s) entered on step 1: Location, Atyp, Ctyp, Time, Violations, AgeS, GenderS, VehicleS. Variables in the Equation 95% C.I.for EXP(B) Lower a
Step 1
Upper
Location(1)
.173
9.183
Atyp(1)
.000
.
Ctyp(1)
.135
291.433
Ctyp(2)
.021
1.462
Ctyp(3)
.195
46.537
Time(1)
2.993
107.630
Violations(1)
.000
.
Violations(2)
.083
40.271
Violations(3)
.004
.848
Violations(4)
.008
11.052
12.065
517.823
GenderS(1)
.229
6.473
VehicleS(1)
.126
1.604
AgeS(1)
a. Variable(s) entered on step 1: Location, Atyp, Ctyp, Time, Violations, AgeS, GenderS, VehicleS.
60
OUTPUT MODEL KECELAKAAN DENGAN KORBAN FATAL PENGENDARA SEPEDA MOTOR USIA 26-60 TAHUN
61
Case Processing Summary Unweighted Cases Selected Cases
a
N Included in Analysis
Percent 123
Missing Cases
100.0
0
.0
Total Unselected Cases
123 0
100.0 .0
Total
123
100.0
a. If weight is in effect, see classification table for the total number of cases. Dependent Variable Encoding Original Value
Internal Value
0 1
0 1 Categorical Variables Codings Parameter coding Frequency
Violations
Ctyp
VehicleS
Atyp
Time
AgeS
GenderS
Location
(1)
(2)
(3)
(4)
0
33
1.000
.000
.000
.000
3
32
.000
1.000
.000
.000
4
32
.000
.000
1.000
.000
5
14
.000
.000
.000
1.000
6
12
.000
.000
.000
.000
0
33
1.000
.000
.000
3
32
.000
1.000
.000
4
35
.000
.000
1.000
5
23
.000
.000
.000
2
83
1.000
3
40
.000
3
92
1.000
4
31
.000
0
60
1.000
1
63
.000
1
43
1.000
2
80
.000
0
19
1.000
1
104
.000
0
16
1.000
1
107
.000
62
Block 0: Beginning Block Classification Tablea,b Predicted C2660 Observed Step 0
C2660
0
Percentage Correct
1
0
0
47
.0
1
0
76
100.0
Overall Percentage
61.8
a. Constant is included in the model. b. The cut value is ,500
Variables in the Equation B Step 0
Constant
S.E. .481
Wald
.186
df
6.707
Sig. 1
.010
Exp(B) 1.617
Variables not in the Equation Score Step 0
Variables
df
Sig.
Location(1)
.239
1
.625
Atyp(1)
.243
1
.622
1.207
3
.751
Ctyp(1)
.339
1
.560
Ctyp(2)
.009
1
.923
Ctyp(3)
.953
1
.329
Time(1)
5.083
1
.024
Violations
2.606
4
.626
Violations(1)
2.016
1
.156
Violations(2)
.009
1
.923
Violations(3)
.270
1
.604
Ctyp
Violations(4)
.042
1
.838
32.145
1
.000
GenderS(1)
.798
1
.372
VehicleS(1)
.259
1
.611
47.505
13
.000
AgeS(1)
Overall Statistics
Block 1: Method = Enter Omnibus Tests of Model Coefficients Chi-square Step 1
df
Sig.
Step
56.485
13
.000
Block
56.485
13
.000
Model
56.485
13
.000
63
Model Summary Step
-2 Log likelihood
Cox & Snell R Square
107.127a
1
Nagelkerke R Square
.368
.501
a. Estimation terminated at iteration number 6 because parameter estimates changed by less than ,001.
Hosmer and Lemeshow Test Step
Chi-square
1
df
4.611
Sig. 8
.798
Contingency Table for Hosmer and Lemeshow Test C2660 = 0 Observed Step 1
C2660 = 1
Expected
Observed
Expected
Total
1
13
12.456
0
.544
13
2
9
9.966
3
2.034
12
3
7
7.270
5
4.730
12
4
7
5.243
6
7.757
13
5
3
3.159
8
7.841
11
6
1
3.042
11
8.958
12
7
4
3.207
10
10.793
14
8
2
1.745
10
10.255
12
9
1
.709
12
12.291
13
10
0
.202
11
10.798
11
Classification Tablea Predicted C2660 Observed Step 1
C2660
0
Percentage Correct
1
0
30
17
63.8
1
8
68
89.5
Overall Percentage
79.7
a. The cut value is ,500
64
Variables in the Equation a
Step 1
Location(1) Atyp(1)
B
S.E.
Wald
df
Sig.
Exp(B)
.227
.925
.060
1
.806
1.255
-2.229
1.894
1.386
1
.239
.108
4.208
3
.240
1.554
.064
1
.800
.675
Ctyp Ctyp(1)
-.393
Ctyp(2)
1.804
.947
3.627
1
.057
6.074
Ctyp(3)
.699
1.059
.436
1
.509
2.011
Time(1)
-2.631
.762
11.929
1
.001
.072
7.938
4
.094
Violations Violations(1)
.914
1.514
.365
1
.546
2.495
Violations(2)
1.197
1.294
.856
1
.355
3.311
Violations(3)
2.882
1.125
6.559
1
.010
17.846
Violations(4)
2.881
1.537
3.513
1
.061
17.830
AgeS(1)
-3.910
.805
23.563
1
.000
.020
GenderS(1)
-.672
.784
.736
1
.391
.511
VehicleS(1)
.421
.603
.487
1
.485
1.524
Constant
2.574
2.308
1.244
1
.265
13.118
a. Variable(s) entered on step 1: Location, Atyp, Ctyp, Time, Violations, AgeS, GenderS, VehicleS. Variables in the Equation 95% C.I.for EXP(B) Lower a
Step 1
Upper
Location(1)
.205
7.686
Atyp(1)
.003
4.402
Ctyp(1)
.032
14.186
Ctyp(2)
.949
38.886
Ctyp(3)
.253
16.020
Time(1)
.016
.320
Violations(1)
.128
48.530
Violations(2)
.262
41.790
Violations(3)
1.967
161.936
Violations(4)
.877
362.625
AgeS(1)
.004
.097
GenderS(1)
.110
2.372
VehicleS(1)
.467
4.971
a. Variable(s) entered on step 1: Location, Atyp, Ctyp, Time, Violations, AgeS, GenderS, VehicleS.
65