POLA TINGKAT KEPARAHAN KORBAN KECELAKAAN LALU LINTAS DENGAN MENGGUNAKAN REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS: KECELAKAAN LALU LINTAS DI SURABAYA) 1
Laylia Nur Afidah dan 2Dra. Destri Susilaningrum, M.Si. 1 Mahasiswa Jurusan Statistika, FMIPA, ITS 2 Dosen Jurusan Statistika, FMIPA, ITS
[email protected];
[email protected]
Abstrak Kecelakaan lalu lintas merupakan salah satu penyebab kematian yang cukup tinggi di Indonesia. Masalah ini perlu mendapat perhatian untuk mengantisipasi jatuhnya korban meninggal dunia pada kecelakaan lalu lintas. Oleh sebab itu dilakukan penelitian untuk memperoleh faktor-faktor yang menyebabkan tingkat keparahan korban kecelakaan lalu lintas. Pada penelitian ini tingkat keparahan korban kecelakaan lalu lintas terbagi menjadi tiga kategori, yaitu meninggal dunia, luka berat, dan luka ringan. Untuk menganalisis variabel dependen berskala nominal lebih dari dua kategori dapat menggunakan regresi logistik multinomial. Hasil pemodelan dengan menggunakan regresi logistik multinomial diperoleh dua faktor yang mempengaruhi keparahan korban kecelakaan lalu lintas secara serentak, yaitu jenis kecelakaan dan peran korban dalam kecelakaan. Berdasarkan model yang dihasilkan, diketahui bahwa korban yang merupakan pengguna jalan selain pengguna kendaraan seperti penyeberang jalan atau pejalan kaki, memiliki peluang meninggal dunia terbesar pada semua jenis kecelakaan, yaitu pada jenis kecelakaan tabrak belakang (TB), tabrak depan (TD), tabrak samping (TS), dan lainnya. Sedangkan peran korban sebagai penumpang memiliki peluang mengalami luka berat dan luka ringan terbesar pada setiap jenis kecelakaan. Model yang dihasilkan memiliki ketepatan klasifikasi hanya sebesar 47,7%. Ketepatan klasifikasi yang kecil kemungkinan disebabkan karena kurangnya variabel prediktor yang dapat mewakili untuk memodelkan pola keparahan korban kecelakaan lalu lintas di Surabaya atau model yang digunakan kurang sesuai. Kata kunci : Regresi Logistik, Regresi Logistik Multinomial, Kecelakaan Lalu Lintas 1. Pendahuluan Indonesia merupakan salah satu negara yang memiliki tingkat kecelakaan lalu lintas yang cukup tinggi. Data Kepolisian RI tahun 2009 menyebutkan, sepanjang tahun tersebut terjadi sedikitnya 57.726 kasus kecelakaan di jalan raya. Artinya, dalam setiap 9,1 menit sekali terjadi satu kasus kecelakaan (Departemen Perhubungan, 2010). Data statistik Organisasi Kesehatan Dunia (World Health Organization) atau WHO menyebutkan bahwa kecelakaan lalu lintas pada 1998 menduduki peringkat ke-9 sebagai penyebab kematian atau setara dengan penyakit malaria. Diperkirakan pada 2020, kecelakaan lalu lintas akan menjadi penyebab kematian ke-3 tertinggi di dunia di bawah penyakit jantung koroner dan depresi berat (Media Raharja, 2010). Kota Surabaya sebagai salah satu kota besar di Indonesia, memiliki tingkat kecelakaan lalu lintas yang cukup tinggi. Data dari Polda Jatim menunjukkan bahwa selama triwulan I tahun 2010, jumlah kecelakaan di Kota Surabaya berada pada peringkat kelima di Jawa Timur setelah Kabupaten Malang, Kabupaten Kediri, Kabupaten Madiun, dan Kabupaten Bojonegoro. Pada tahun 2010 di Kota Surabaya terjadi sebanyak 711 kasus kecelakaan yang menyebabkan jatuhnya korban sebanyak 941 orang. Dari jumlah korban tersebut di antaranya mengalami meninggal dunia sebanyak 324 orang, luka berat sebanyak 240 orang, dan luka ringan sebanyak 377 orang. Surabaya terbagi menjadi dua kawasan hukum, yaitu kawasan hukum Jajaran Polrestabes Surabaya dan kawasan hukum Jajaran Polres Pelabuhan Tanjung Perak. Kawasan hukum Polrestabes Surabaya terdiri dari Kecamatan Bubutan, Kremba-ngan, Asemrowo, Tegalsari, Dukuh Pakis, Genteng, Sawahan, Tambaksari, Simokerto, Kenjeran, Wonokromo, Wonocolo, Gayungan, Tenggilis, Gubeng, Rungkut, Mulyorejo, Sukolilo, Tan-des, Pakal, Benowo, Sukomanunggal, Lakarsantri, Wiyung, Karangpilang, dan Jambangan. Selama tahun 2010 di kawasan hukum Jajaran Polrestabes 1
Surabaya terjadi kecelakaan lalu lintas sebanyak 411 kasus yang menyebabkan sebanyak 507 korban, di antaranya mengalami meninggal dunia sebanyak 193 orang, luka berat sebanyak 188 orang, dan luka ringan sebanyak 126 orang. Perlu dilakukan penelitian pada faktor-faktor yang mempengaruhi keparahan korban kecelakaan di Kota Surabaya untuk mengantisipasi jatuhnya korban meninggal dunia akibat kecelakaan lalu lintas di kota tersebut. Penelitian sebelumnya tentang kecelakaan lalu lintas pernah dilakukan oleh Wahernika (2006) yang meneliti tentang kecelakaan lalu lintas di Jajaran Polres Madiun dengan menggunakan analisis korespondensi. Penelitian tersebut menunjukkan bahwa terdapat hubungan masing-masing jenis kecelakaan lalu lintas berdasarkan jenis kecelakaan dengan waktu kejadian kecelakaan. Penelitian lain pernah dilakukan oleh Indriani dan Indawati (2005), yang memodelkan dan mengestimasi tingkat kecelakaan Kota Surabaya dengan menggunakan metode loglinier dua dimensi. Dalam penelitian tersebut diperoleh hubungan antara tingkat keparahan korban kecelakaan lalu lintas dengan jenis kendaraan dan waktu terjadinya kecelakaan yang berinteraksi dengan musim terjadinya kecelakaan. Ismail dan Jemain (2005) memodelkan risiko kecelakaan di Malaysia dengan Generalized Poisson Regression. Penelitian tersebut menunjukkan adanya hubungan antara jumlah kecelakaan lalu lintas dengan jenis kelamin korban kecelakaan, umur kendaraan, dan kawasan terjadinya kecelakaan. Oleh karena itu, pada penelitian ini ingin diketahui faktor-faktor yang mempengaruhi tingkat keparahan korban kecelakaan lalu lintas berdasarkan jenis kecelakaan dan peran korban dalam kecelakaan. Penelitian ini diharapkan mendapatkan deskripsi karakteristik korban kecelakaan lalu lintas, model tingkat keparahan korban kecelakaan lalu lintas berdasarkan faktor-faktor yang mempengaruhinya, serta besar risiko masing-masing tingkat keparahan korban kecelakaan lalu lintas untuk korban kecelakaan di kawasan hukum Jajaran Polrestabes Surabaya pada tahun 2010. 2. Regresi Logistik Analisis regresi adalah salah satu metode analisis statitika yang sering dipakai. Tujuan dari metode regresi adalah untuk menunjukkan hubungan antara variabel respon dan variabel prediktor. Tidak seperti analisis regresi linier yang digunakan untuk variabel respon yang kuantitatif, regresi logistik digunakan untuk kasus regresi dengan variabel respon kualitatif. Persamaan linier dalam x untuk menyatakan mean dalam regresi linier adalah sebagai berikut. (1) Dalam regresi logistik, variabel respon merupakan variabel yang berskala diskrit, baik nominal maupun ordinal. Regresi logistik menggunakan untuk merepresentasikan mean dari Y oleh x. Bentuk spesifik dari model regresi logistik yang digunakan dengan parameter , dinyatakan dalam persamaan berikut (Hosmer dan Lemeshow, 2000). (2) dengan menetapkan bahwa
, maka model tersebut kemudian disederhanakan menjadi berikut. (3)
dengan
dan
.
Bentuk penyederhanaan model regresi logistik menggunakan transformasi logit logit tersebut adalah sebagai berikut.
. Bentuk (4)
dengan
dan merupakan fungsi taksiran.
3. Regresi Logistik Multinomial Regresi logistik multinomial merupakan perluasan dari regresi logistik dengan respon biner yang dapat menangani variabel repon dengan kategori lebih dari dua. Hosmer dan Lemeshow (2000) menjelaskan, untuk model regresi dengan variabel respon berskala nominal tiga kategori digunakan 2
kategori variabel hasil Y yang dikode 0, 1, dan 2. Variabel Y terparameterisasi menjadi dua fungsi logit. Sebelumnya perlu ditentukan kategori respon yang digunakan sebagai kategori pembanding terlebih dahulu. Pada umumnya digunakan Y=0 sebagai pembanding. Untuk membentuk fungsi logit, akan dibandingkan Y=1 dan Y=2 terhadap Y=0. Bentuk model regresi logistik yang berupa fungsi peluang dengan p variabel prediktor seperti pada persamaan berikut ini. (5) Transformasi logit akan menghasilkan dua fungsi logit sebagai berikut, dengan menetapkan bahwa . (6) (7) Berdasarkan kedua fungsi logit tersebut maka didapatkan probabilitas respon atau model regresi logistik multinomial dengan variabel respon berskala nominal tiga kategori sebagai berikut (Hosmer dan Lemeshow, 2000). ;
;
(8)
2.1 Estimasi Parameter Metode yang digunakan untuk menaksir β pada penelitian ini adalah metode Maximum Likelihood Estimation (MLE). Fungsi likelihood untuk model peluang dari regresi logistik multinomial dengan tiga kategori respon, dan terdapat sampel sebanyak n observasi yang independen adalah sebagai berikut (Rashid, 2008). (9)
Dengan memberi ln pada kedua sisi persamaan di atas, diperoleh persamaan berikut ini. (10) Dengan
untuk setiap i, maka persamaan menjadi berikut ini. (11)
Estimasi parameter dengan menggunakan metode MLE, diperoleh dari turunan pertama persamaan (11) terhadap setiap parameter yang ingin diketahui, dengan menjadikan persamaan turunan pertama tersebut sama dengan nol, sehingga persamaan tersebut menjadi sebagai berikut. (12) Dengan .
;
; dan
, sedangkan
merupakan penyederhanaan dari
Berdasarkan teori maximum likelihood, untuk menaksir varian kovarian diperoleh melalui turunan kedua fungsi likelihoodnya. (13) (14) dan . dengan Persamaan (12), (13), dan (14) tidak linier, maka digunakan prosedur iterasi seperti metode NewtonRaphson untuk mendapatkan nilai estimasi parameter yang dicari. 2.2 Pengujian Parameter Cara untuk mengetahui signifikansi parameter yang telah diestimasi adalah dengan melakukan pengujian terhadap parameter tersebut. Pengujian dilakukan pada koefisien dari model yang telah 3
diperoleh. Terdapat dua jenis pengujian terhadap parameter model regresi logistik multinomial, yaitu pengujian secara individu dan pengujian secara serentak. 1. Uji Individu Hipotesis yang digunakan adalah sebagai berikut. dengan Statitik uji yang digunakan adalah statistik uji Wald sebagai berikut (Hosmer dan Lemeshow, 2000). (15)
dengan
adalah taksiran standar error parameter. H0 ditolak jika dengan derajat bebas sebesar db, dimana db=1.
atau
2. Uji Serentak Hipotesis yang digunakan adalah sebagai berikut. paling sedikit terdapat satu dengan Statistik uji yang digunakan adalah statistik uji G atau likelihood ratio test sebagai berikut. (16) dengan adalah banyaknya observasi yang berkategori 1, dan adalah banyaknya observasi yang dengan derajat bebas db=(I-1)(J-1). G mengikuti distribusi berkategori 0. H0 ditolak jika Chi-square dengan derajat bebas p (Hosmer dan Lemeshow, 2000). 2.3 Uji Kesesuaian Model Pengujian kesesuaian model dilakukan untuk mengetahui apakah model yang diperoleh telah sesuai atau tidak. Statistik uji yang digunakan adalah uji Pearson Chi-square dengan hipotesis sebagai berikut (Hosmer dan Lemeshow, 2000). H0 : model sesuai (tidak ada perbedaan yang nyata antara hasil observasi dengan kemungkinan hasil prediksi model) H1 : model tidak sesuai (ada perbedaan yang nyata antara hasil observasi dengan kemungkinan hasil prediksi model) Statistik uji Chi-square seperti pada persamaan (17) berikut. (17) = pearson residual. H0 ditolak jika dengan derajat dengan j = 0, 1, 2; dan bebas sebesar jumlahan dari derajat bebas pada estimasi parameter setiap variabel yang masuk ke dalam model. 2.4 Interpretasi Model Model terbaik berdasarkan kriteria pengujian parameter yang telah diperoleh, selanjutnya dilakukan interprestasi koefisien berdasarkan parameter tersebut. Odds ratio dapat dipergunakan untuk memudahkan interprestasi model. Odds ratio adalah ukuran asosiasi yang memperkirakan berapa besar kemungkinan variabel-variabel prediktor terhadap variabel respon (Hosmer dan Lemeshow, 2000). Odds ratio untuk Y = j terhadap Y = k yang dihitung pada dua nilai (misal x = a dan x = b) adalah sebagai berikut. (18) . Sehingga jika a – b = 1 maka selalu positif dan umumnya digunakan sebagai pendekatan risiko nisbi (relative Ukuran risk). Untuk berarti bahwa x = a memiliki risiko yang sama dengan x = b untuk menghasilkan berarti x = a memiliki risiko lebih tinggi kali daripada x = b, dan sebaliknya Y = j. Bila untuk . Jika variabel prediktor kontinyu maka interprestasi koefisien dugaan tergantung pada unit partikular dari variabel prediktor. Untuk variabel prediktor kontinyu diperlukan unit perubahan sebesar c, maka odds ratio diperoleh dengan (Hosmer dan Lemeshow, 2000). 4
3. Kecelakaan Lalu Lintas Kecelakaan lalu lintas didefinisikan sebagai kejadian di mana sebuah kendaraan bermotor berkecelakaan dengan benda lain dan menyebabkan kerusakan, serta berisiko dapat mengakibatkan luka-luka atau kematian manusia (Andi, 2010). Sedangkan berdasarkan PP Nomor 43 Tahun l993 Pasal 93 dalam Undang-Undang Nomor 22 Tahun 2009 tentang Lalu Lintas dan Angkutan Jalan, kecelakaan lalu lintas adalah suatu peristiwa di jalan yang tidak disangka-sangka dan tidak disengaja melibatkan kendaraan dengan atau tanpa pemakai jalan lainnya, mengakibatkan korban manusia atau kerugian harta benda. Klasifikasi kecelakaan lalu lintas pada dasarnya dibuat berdasarkan tingkat keparahan korban, dengan demikian kecelakaan lalu lintas dibagi dalam 4 macam kriteria sebagai berikut (Rachman, 2010). 1. Kecelakaan Fatal Kecelakaan fatal adalah suatu peristiwa di jalan yang tidak disangka-sangka dan tidak disengaja melibatkan kendaraan dengan atau tanpa pemakai jalan lainnya, sampai mengakibatkan korban meninggal dunia. 2. Kecelakaan Berat Kecelakaan berat adalah suatu peristiwa di jalan yang tidak disangka-sangka dan tidak disengaja melibatkan kendaraan dengan atau tanpa pemakai jalan lainnya, mengakibatkan korban mengalami luka berat. 3. Kecelakaan Ringan Kecelakaan ringan adalah suatu peristiwa di jalan yang tidak disangka-sangka dan tidak disengaja melibatkan kendaraan dengan atau tanpa pemakai jalan lainnya, mengakibatkan korban mengalami luka ringan. 4. Kecelakaan dengan Kerugian Harta Benda Kecelakaan dengan kerugian harta benda adalah suatu peristiwa di jalan yang tidak disangkasangka dan tidak disengaja melibatkan kendaraan dengan atau tanpa pemakai jalan lainnya, mengakibatkan kerugian harta benda. Pada suatu kecelakaan lalu lintas yang terjadi, ada beberapa kriteria keparahan korban kecelakaan menurut PP Nomor 43 Tahun l993 Pasal 93, antara lain sebagai berikut. 1. Korban Meninggal Korban meninggal adalah korban yang dipastikan meninggal dunia sebagai akibat kecelakaan lalu lintas dalam jangka waktu paling lama 30 hari setelah kecelakaan tersebut. 2. Korban Luka Berat Korban luka berat adalah korban yang karena luka-lukanya menderita cacat tetap atau harus dirawat dalam jangka waktu lebih dari 30 hari sejak terjadi kecelakaan. 3. Korban Luka Ringan Korban luka ringan adalah korban yang tidak termasuk dalam kategori korban meninggal dan korban luka berat. Faktor-Faktor yang Mempengaruhi Kecelakaan Lalu Lintas Kecelakaan lalu lintas dapat disebabkan oleh banyak faktor, baik faktor internal maupun faktor eksternal pengguna kendaraan bermotor. Faktor internal meliputi faktor manusia, sedangkan faktor eksternal adalah faktor kendaraan, faktor jalan, dan faktor cuaca. Ada tiga faktor utama yang menyebabkan terjadinya kecelakaan, pertama adalah faktor manusia, kedua adalah faktor kendaraan dan yang terakhir adalah faktor jalan. Selain itu terdapat faktor cuaca yang juga dapat menyebabkan terjadinya suatu kecelakaan (Anonim3, 2010). Adapun penjelasan dari beberapa faktor penyebab kecelakaan lalu lintas tersebut adalah sebagai berikut. 1. Faktor Manusia Faktor manusia merupakan faktor yang paling dominan dalam kecelakaan lalu lintas. Hampir semua kejadian kecelakaan didahului dengan pelanggaran rambu-rambu lalu lintas. Pelanggaran dapat terjadi karena sengaja melanggar, ketidaktahuan terhadap arti aturan yang berlaku ataupun tidak melihat ketentuan yang diberlakukan atau pula pura-pura tidak tahu. Selain itu manusia sebagai pengguna jalan raya sering sekali lalai, bahkan ceroboh dalam mengendarai kendaraan, tidak sedikit angka kecelakaan lalu lintas diakibatkan karena membawa kendaraan dalam keadaan mabuk, 5
mengantuk, dan mudah terpancing oleh ulah pengguna jalan lainnya yang mungkin dapat memancing gairah untuk kebut-kebutan di jalan. Faktor manusia yang dicatat oleh kepolisian, meliputi jenis kelamin korban, usia korban, profesi korban, dan peran korban dalam berkendara. Dalam hal ini yang dimaksud dengan peran korban dalam berkendara adalah posisi korban saat terjadi kecelakaan, apakah termasuk sebagai pengemudi, penumpang, pejalan kaki, penyeberang jalan, dan lain-lain. Jenis kecelakaan yang dialami oleh korban juga merupakan salah satu faktor manusia yang diduga mampu mempengaruhi tingkat keparahan korban kecelakaan lalu lintas. Beberapa jenis kecelakaan yang kemungkinan terjadi adalah sebagai berikut. a. Kecelakaan belakang Kecelakaan belakang adalah jenis kecelakaan antara dua kendaraan yang tengah melaju satu arah sehingga salah satu kendaraan menabrak bagian belakang kendaraan lainnya. b. Kecelakaan depan Kecelakaan depan adalah jenis kecelakaan antara dua kendaraan yang tengah berlawanan arah sehingga bagian depan kendaran yang satu menabrak bagian depan kendaraan lainnya. c. Kecelakaan samping Kecelakaan samping adalah jenis kecelakaan antara dua kendaraan yang tengah melaju dimana bagian samping kendaraan yang satu menabrak bagian yang lain. d. Hilang kendali Hilang kendali adalah kecelakaan yang terjadi saat pengemudi tidak dapat menguasai kendaraannya. e. Lain-lain Kecelakaan yang bukan termasuk dalam kecelakaan belakang, kecelakaan depan, kecelakaan samping, dan hilang kendali. 2. Faktor Kendaraan Faktor kendaraan yang paling sering terjadi adalah ban pecah, rem tidak berfungsi sebagaimana seharusnya, kelelahan logam yang mengakibatkan bagian kendaraan patah, peralatan yang sudah aus tidak diganti, dan berbagai penyebab lainnya. Keseluruhan faktor kendaraan sangat terkait dengan teknologi yang digunakan dan perawatan yang dilakukan terhadap kendaraan. 3. Faktor Jalan Jalan menurut Undang-Undang Republik Indonesia Nomor 38 Tahun 2004 adalah prasarana transportasi darat yang meliputi segala bagian jalan, termasuk bangunan pelengkap dan perlengkapannya yang diperuntukkan bagi lalu lintas, yang berada pada permukaan tanah, di atas permukaan tanah, di bawah permukaan tanah dan/atau air, serta di atas permukaan air, kecuali jalan kereta api, jalan lori, dan jalan kabel. Untuk keperluan pengaturan penggunaan dan pemenuhan kebutuhan angkutan, jalan dibagi dalam beberapa kelas yang didasarkan pada kebutuhan transportasi, pemilihan moda secara tepat dengan mempertimbangkan keunggulan karakteristik masing-masing moda, perkembangan teknologi kendaraan bermotor, muatan sumbu terberat kendaraan bermotor serta konstruksi jalan. Pengelompokkan jalan menurut muatan sumbu yang disebut juga kelas jalan adalah berdasarkan Undang-Undang Republik Indonesia No 14 Tahun 1992 tentang Lalu Lintas dan Angkutan jalan. 4. Faktor Cuaca Selain itu terdapat faktor lain yang menyebabkan kecelakaan, yaitu faktor cuaca. Hujan juga mempengaruhi kinerja kendaraan seperti jarak pengereman menjadi lebih jauh, jalan menjadi lebih licin, jarak pandang juga terpengaruh karena penghapus kaca tidak bisa bekerja secara sempurna atau lebatnya hujan mengakibatkan jarak pandang menjadi lebih pendek. Asap dan kabut juga bisa mengganggu jarak pandang, terutama di daerah pegunungan. 4. Metodologi Penelitian Data yang digunakan dalam penelitian ini adalah data sekunder yang terdiri dari 507 data korban kecelakaan lalu lintas selama tahun 2010 di kawasan hukum Jajaran Polrestabes Surabaya. Data tersebut diperoleh dari laporan Unit Laka Satlantas Polrestabes Surabaya yang meliputi kecelakaan lalu lintas di Kecamatan Bubutan, Krembangan, Asemrowo, Tegalsari, Dukuh Pakis, Genteng, Sawahan, Tambaksari, Simokerto, Kenjeran, Wonokromo, Wonocolo, Gayungan, Tenggilis, 6
Gubeng, Rungkut, Mulyorejo, Sukolilo, Tandes, Pakal, Benowo, Sukomanunggal, Lakarsantri, Wiyung, Karangpilang, dan Jambangan, dengan variabel yang tersedia pada laporan tersebut. Variabel yang digunakan dalam penelitian ini meliputi variabel respon dan variabel prediktor yang seluruhnya merupakan variabel kategorik yang dijelaskan sebagai berikut. Penentuan variabel respon (Y), ditentukan sesuai dengan tujuan penelitian yaitu mengetahui pola keparahan korban kecelakaan lalu lintas. Sedangkan variabel prediktor merupakan variabel-variabel selain variabel respon yang diduga sebagai penyebab tingkat keparahan korban kecelakaan lalu lintas. Adapun variabel yang digunakan adalah sebagai berikut. Tabel 1 Variabel Penelitian yang Digunakan No Variabel Skala/Kategori 1 Keparahan Nominal korban Y(0) = korban meninggal kecelakaan lalu Y(1) = korban luka berat lintas (Y) Y(2) = korban luka ringan 2 Jenis Nominal kecelakaan (X1) X1(0) = kecelakaan belakang (TB) X1(3) = hilang kemdali (HK) X1(1) = kecelakaan depan (TD) X1(4) = lain-lain X1(2) = kecelakaan samping (TS) 3 Jenis kelamin Nominal (X2) X2(0) = laki-laki X2(1) = perempuan 4 Usia (X3) X3(0) = anak-anak dan remaja (0 – 21 tahun) X3(1) = dewasa (22 – 55 tahun) X3(2) = lanjut usia (lebih dari 55 tahun) 5 Peran korban Nominal dalam X4(0) = pengendara kecelakaan (X4) X4(1) = penumpang kendaraan selain pengendara X4(2) = pengguna jalan non penumpang kendaraan (penyeberang jalan dan pejalan kaki) 6 Jenis kendaraan Nominal (X5) X5(0) = sepeda motor (kendaraan bermotor roda dua atau tiga) X5(1) = kendaraan roda empat X5(2) = kendaraan dengan lebih dari empat roda X5(3) = lain-lain (sepeda angin, becak, atau kendaraan bukan bermotor lainnya) 7 Waktu Nominal kecelakaan (X6) X6(0) = padat kendaraan (antara pukul 06.00 WIB – 08.00 WIB, antara pukul 12.00 WIB – 13.30 WIB, antara pukul 16.00 WIB – 18.00 WIB) X6(1) = sepi (selain waktu padat) 10 Tanggal Nominal perayaan X7(0) = libur hari raya idul fitri, natal, dan tahun baru khusus (X7) X7(1) = lainnya
Langkah-langkah dalam analisis data yang dilakukan dalam menjawab tujuan penelitian adalah sebagai berikut. 1. Melakukan analisis statistika deskriptif data untuk mengetahui karakteristik korban kecelakaan lalu lintas Surabaya pada tahun 2010 yang meliputi variabel respon (Y) dan variabel prediktor (X1, X2, X3, X4, X5, X6, dan X7) dengan langkah sebagai berikut. a. Melakukan analisis menggunakan pie diagram pada masing-masing variabel dengan menggunakan software microsoft excel 2007. b. Melakukan tabulasi silang masing-masing variabel pre-diktor terhadap variabel respon dengan menggunakan software SPSS versi 13. 2. Membuat model regresi logistik multinomial untuk menda-patkan faktor–faktor yang mempengaruhi tingkat keparahan korban kecelakaan lalu lintas dengan menggunakan software SPSS versi 13, dan langkah sebagai berikut. a. Melakukan uji independensi antara variabel respon (Y) dengan variabel prediktor (X1, X2, X3, X4, X5, X6, dan X7). 7
b. Melakukan analisis regresi multinomial secara individu terhadap variabel respon (Y) dengan variabel prediktor yang memiliki hubungan dengan variabel respon berda-sarkan uji independensi. Pada penelitian ini kategori variabel respon yang digunakan sebagai pembanding adalah kategori meninggal dunia, sehingga terbentuk dua fungsi logit, dimana logit 1 untuk kategori luka berat dan logit 2 untuk kategori luka ringan. c. Melakukan analisis regresi mutinomial secara serentak. d. Melakukan interpretasi terhadap nilai odds ratio. e. Menghitung probabilitas masing-masing variabel predik-tor terhadap variabel respon. f. Melakukan uji kesesuaian model. g. Menginterpretasikan model secara serentak dan menghitung ketepatan klasifikasi model. 5. Analisis Data dan Pembahasan Analisis data dan pembahasan pada penelitian ini meliputi statistika deskriptif tentang karakteristik korban kecelakaan lalu lintas, analisis untuk mengetahui hubungan antara variabel tingkat keparahan korban dan semua variabel yang diduga sebagai penyebab kecelakaan tersebut, serta analisis tentang pemodelan tingkat keparahan korban kecelakaan lalu lintas. 5.1 Karakteristik Kecelakaan Lalu Lintas di Surabaya Korban kecelakaan lalu lintas di Surabaya untuk kawasan hukum Jajaran Polrestabes Surabaya pada tahun 2010, dari sebanyak 507 korban, terdapat sebanyak 38 persen meninggal dunia, 37 persen luka berat, dan 25 persen luka ringan. Sebagian besar korban kecelakaan lalu lintas tersebut mengalami kecelakaan tabrak depan, yaitu sebanyak 32 persen. Sebanyak 69 persen korban berjenis kelamin laki-laki. Selain itu, usia terbanyak korban adalah usia dewasa (22 sampai 55 tahun). Mayoritas korban kecelakaan lalu lintas adalah pengendara. Sebanyak 79 persen korban menggunakan sepeda motor saat terjadi kecelakaan. Korban kecelakaan terbanyak justru mengalami kecelakaan pada jam sepi, yaitu selain jam padat kendaraan. Sementara itu sebanyak 6 persen korban kecelakaan mengalami kecelakaan pada libur hari Raya Idul Fitri, Natal, dan tahun baru, sedangkan 94 persen korban lainnya mengalami kecelakaan pada hari biasa. Setelah mengetahui karakteristik variabel yang akan digunakan dalam penelitian ini, langkah berikutnya adalah melakukan uji independensi antara variabel prediktor dengan variabel respon untuk mengetahui adanya hubungan antara variabel-variabel tersebut. Kemudian dilakukan tabulasi silang antara variabel respon dengan variabel prediktor. Adapun hipotesis yang digunakan untuk melakukan uji independensi antara variabel prediktor dengan variabel respon adalah sebagai berikut. H0 : tidak ada hubungan antara variabel prediktor dengan variabel respon H1 : ada hubungan antara variabel prediktor dengan variabel respon Statistik uji yang digunakan adalah statistik uji Chi-square, dan hasil pengujian ditampilkan pada Tabel 2 berikut ini. Tabel 2 Uji Independensi antara Variabel Prediktor dengan Variabel Respon Nilai Variabel P-Value Keputusan Chi-square Jenis kecelakaan (X1) 41,887 0,000 Tolak H0 Jenis kelamin (X2) 0,274 0,872 Terima H0 Usia (X3) 11,317 0,023 Terima H0 Peran korban dalam 12,497 0,014 Tolak H0 kecelakaan (X4) Jenis kendaraan (X5) 7,005 0,320 Terima H0 Waktu kecelakaan (X6) 0,221 0,896 Terima H0 Tanggal perayaan 1,224 0,542 Terima H0 khusus(X7) Sumber: diolah dari data kecelakaan lalu lintas Polrestabes Surabaya
Berdasarkan Tabel 2 diketahui bahwa variabel prediktor yang memiliki hubungan dengan variabel respon adalah jenis kecelakaan (X1), usia (X3), dan peran korban dalam kecelakaan (X4), karena signifikan pada α=15%. Hasil tabulasi silang antara variabel respon dengan variabel prediktor ditunjukkan pada Tabel 3. 8
Tabel 3 Tabulasi Silang antara Variabel Respon dengan Variabel Prediktor Keparahan Korban Kecelakaan (%) Variabel Jumlah Meninggal Luka Prediktor (%) Luka Berat Dunia Ringan Jenis kecelakaan (X1) TB 8,09 7,30 9,27 24,65 TD 11,83 14,20 6,11 32,15 TS 9,27 12,62 7,50 29,39 HK 1,58 0,99 0,79 3,35 Lainnya 7,30 1,97 1,18 10,45 Jenis kelamin (X2) Laki-laki 26,43 26,04 16,77 69,23 Perempuan 11,64 11,05 8,09 30,77 Usia (X3) Anak-anak dan remaja 8,68 9,27 8,68 26,63 Dewasa 22,49 23,87 13,81 60,16 Lanjut usia 6,90 3,94 2,37 13,21 Peran korban dalam kecelakaan (X4) Pengendara 25,25 23,87 16,17 65,29 Penumpang 4,34 7,89 5,52 17,75 Lainnya 8,48 5,33 3,16 16,96 Jenis kendaraan (X5) Sepeda motor 28,60 28,60 21,50 78,70 Mobil, pickup 0,59 0,79 0,20 1,58 Truk 0,20 0,20 0,00 0,39 Selain kendaraan 8,68 7,50 3,16 19,33 bermotor Waktu kecelakaan (X6) Jam ramai 15,78 15,19 9,66 40,63 Jam sepi 22,29 21,89 15,19 59,37 Tanggal perayaan khusus (X7) Libur hari Raya Idul 2,17 1,58 1,78 5,52 Fitri, Natal, tahun baru Hari biasa 35,90 35,50 23,08 94,48 Sumber: diolah dari data kecelakaan lalu lintas Polrestabes Surabaya
Berdasarkan Tabel 3 diketahui bahwa terdapat kategori pada variabel prediktor yang beranggotakan kurang dari 5 atau mendekati 0% terhadap kategori variabel respon, yaitu pada variabel jenis kecelakaan dan jenis kendaraan. Oleh sebab itu, selanjutnya dilakukan penggabungan beberapa kategori dalam variabel tersebut agar setiap kategori berjumlah lebih dari 5. Pada variabel jenis kecelakaan untuk kategori HK (hilang kendali) berjumlah 4 untuk kategori luka parah. Oleh sebab itu, HK akan digabung dengan kategori lainnya pada variabel jenis kecelakaan. Kemudian untuk variabel jenis kendaraan untuk kategori mobil, pickup dan kategori truk memiliki anggota yang kurang dari 5, selanjutnya kedua kategori tersebut digabung menjadi kategori kendaraan roda empat. Setelah dilakukan penggabungan pada variabel yang memiliki kategori yang bernilai kurang dari 5, selajutnya dilakukan uji independensi pada variabel dengan kategori yang telah digabung tersebut dengan variabel respon. Untuk variabel prediktor yang tidak mengalami penggabungan kategori dan tidak berhubungan dengan variabel respon, tidak diikutsertakan dalam pengujian ini karena telah dibuktikan bahwa variabel tersebut tidak berhubungan. Adapun hasil uji independensi variabel dengan kategori yang baru dengan hipotesis dan pengujian yang sama dengan uji independensi pada Tabel 2, ditunjukkan pada Tabel 4 berikut ini. Tabel 4 Uji Independensi antara Variabel Prediktor dengan Variabel Respon Variabel Nilai Chi-square P-Value Keputusan Jenis kecelakaan (X1) 38,968 0,000 Tolak H0 Jenis kendaraan (X5) 6,839 0,145 Tolak H0 Sumber: diolah dari data kecelakaan lalu lintas Polrestabes Surabaya
9
Berdasarkan Tabel 4 diketahui bahwa setelah dilakukan kategori mengalami perubahan, variabel prediktor yang memiliki hubungan dengan variabel respon adalah jenis kecelakaan (X1), usia (X3), peran korban dalam kecelakaan (X4), dan jenis kendaraan (X5).
5.2
Pemodelan Pola Kecelakaan Lalu Lintas
Upaya untuk mengetahui faktor-faktor yang berpengaruh terhadap keparahan korban kecelakaan lalu lintas yang terbagi menjadi tiga kategori, yaitu meninggal dunia, luka berat, dan luka ringan, menggunakan metode regresi logistik multinomial. Ketiga kategori tersebut merupakan variabel respon dalam regresi logistik multinomial ini, sedangkan variabel prediktor yang digunakan adalah jenis kecelakaan (X1), usia (X3), peran korban dalam kecelakaan (X4), dan jenis kendaraan (X5). 5.3 Pemodelan Pola Kecelakaan Lalu Lintas Upaya untuk mengetahui faktor-faktor yang berpengaruh terhadap keparahan korban kecelakaan lalu lintas yang terbagi menjadi tiga kategori, yaitu meninggal dunia, luka berat, dan luka ringan, menggunakan metode regresi logistik multinomial. Ketiga kategori tersebut merupakan variabel respon dalam regresi logistik multinomial ini, sedangkan variabel prediktor yang digunakan adalah jenis kecelakaan dan peran korban dalam kecelakaan. Regresi logistik multinomial secara individu meliputi pengujian parameter secara individu dan estimasi parameter. Pengujian secara individu dilakukan untuk mengetahui signifikansi parameter variabel prediktor dengan menggunakan uji Wald. Apabila parameter suatu variabel prediktor signifikan, maka variabel prediktor tersebut berpengaruh terhadap variabel respon. Adapun hipotesis yang digunakan adalah sebagai berikut. dimana Statistik uji yang digunakan adalah statistik uji Wald. Dengan menggunakan kategori pembanding yaitu meninggal dunia, maka diperoleh hasil analisis yang ditampilkan pada Tabel 5. Tabel 5 Pengujian Individu Variabel Prediktor Logit Kategori Variabel Prediktor Jenis Kecelakaan (X1) Konstanta X1(0) = TB 1 X1(1) = TD X1(2) = TS X1(3) = Lainnya Konstanta X1(0) = TB 2 X1(1) = TD X1(2) = TS X1(3) = Lainnya Usia (X3) Konstanta X3(0) = Anak-anak dan remaja 1 X3(1) = Dewasa X3(2) = Lanjut usia Konstanta X3(0) = Anak-anak dan remaja 2 X3(1) = Dewasa X3(2) = Lanjut usia Peran korban dalam kecelakaan (X4) Konstanta X4(0) = Pengendara 1 X4(1) = Penumpang X4(2) = Lainnya Konstanta X4(0) = Pengendara 2 X4(1) = Penumpang X4(2) = Lainnya
Wald
P-Value
13,578 0,000 7,070 0,008 13,737 0,000 15,745 0,000 Pembanding 18,509 0,000 16,033 0,000 4,159 0,041 9,823 0,002 Pembanding 3,986 0,046 3,193 0,074 4,010 0,045 Pembanding 10,239 0,001 7,282 0,007 2,516 0,113 Pembanding 3,592 0,058 2,192 0,139 8,646 0,003 Pembanding 11,397 0,001 2,791 0,095 9,060 0,003 Pembanding
10
Keputusan
B
Exp (B)
Tolak H0 Tolak H0 Tolak H0
-1,099 0,996 1,281 1,407
2,707 3,600 4,085
Tolak H0 Tolak H0 Tolak H0
-1,504 1,641 0,844 1,292
5,159 2,325 3,638
Tolak H0 Tolak H0
-0,560 0,626 0,619
1,869 1,857
Tolak H0 Tolak H0
-1,070 1,070 0,583
2,917 1,791
Tolak H0 Tolak H0
-0,465 0,409 1,063
1,505 2,896
Tolak H0 Tolak H0
-0,989 0,543 1,230
1,722 3,420
Tabel 5 lanjutan Logit Kategori Variabel Prediktor Wald P-Value Jenis kendaraan (X5) Konstanta 0,438 0,508 X5(0) = Sepeda motor 0,342 0,559 1 X5(1) = Kendaraan bermotor roda 0,274 0,601 empat atau lebih X5(2) = Bukan kendaraan bermotor Pembanding Konstanta 12,007 0,001 X5(0) = Sepeda motor 5,206 0,023 2 X5(1) = Kendaraan bermotor roda 0,105 0,746 empat atau lebih X5(2) = Bukan kendaraan bermotor Pembanding Sumber: diolah dari data kecelakaan lalu lintas Polrestabes Surabaya
Keputusan
B
Exp (B)
Terima H0
-0,147 0,147
1,158
Terima H0
0,370
1,447
Tolak H0
-1,012 0,726
2,067
Terima H0
-0,375
0,687
Tabel 5 menunjukkan bahwa variabel yang digunakan dalam pengujian regresi logistik multinomial secara individu tersebut, yaitu variabel jenis kecelakaan (X1), usia (X3), peran korban dalam kecelakaan (X4), dan jenis kendaraan (X5) signifikan berpengaruh terhadap keparahan korban kecelakaan lalu lintas (Y). Hal tersebut ditunjukkan oleh p-value pada setiap kategori variabel prediktor pada salah satu logit atau kedua logit yang bernilai kurang dari α, dimana α yang digunakan sebesar 15 persen. Berdasarkan Tabel 5 maka fungsi probabilitas respon atau model regresi logistik multinomial untuk variabel prediktor jenis kecelakaan (X1) adalah sesuai dengan persamaan (6) dan (7), dengan fungsi logit sebagai berikut. g1(x1) = -1,099 + 0,966 x1(0) + 1,281 x1(1) + 1,407 x1(2) (19) g2(x1) = -1,504 + 1,641 x1(0) + 0,844 x1(1) + 1,292 x1(2) (20) Regresi logistik multinomial secara individu telah dilakukan, dan telah diperoleh variabelvariabel prediktor yang signifikan berpengaruh terhadap variabel respon. Selanjutnya dilakukan pengujian secara serentak untuk memperoleh variabel prediktor yang secara serentak berpengaruh terhadap variabel respon dengan menggunakan uji rasio Likelihood. Adapun hipotesis yang digunakan dalam pengujian serentak adalah sebagai berikut. paling sedikit terdapat satu
dengan
Tabel 6 Pengujian Serentak Variabel Prediktor Uji Rasio Likelihood Efek Chi Square P-Value Konstanta 0 X1 39,042 0,000 X3 6,095 0,192 X4 13,634 0,009 X5 5,947 0,203 Sumber: diolah dari data kecelakaan lalu lintas Polrestabes Surabaya
Berdasarkan Tabel 6 diketahui variabel jenis kecelakaan (X1) dan peran korban sebagai pengendara (X4) secara serentak signifikan berpengaruh terhadap respon. Sedangkan variabel usia (X3) dan variabel jenis kendaraan (X5) tidak signifikan berpengaruh secara serentak terhadap respon. Hal ini kemungkinan terdapat korelasi antar variabel prediktor, sehingga variabel X3 dan X5 yang semula signifikan berpengaruh terhadap respon secara individu ternyata tidak signifikan berpengaruh saat dimodelkan secara serentak. Sehingga agar diperoleh model dengan variabel prediktor yang tidak saling berkorelasi, maka dilakukan pengujian serentak ulang dengan memasukkan hanya variabel yang signifikan secara serentak, yaitu variabel X1 dan X4 yang ditunjukkan pada Tabel 4.7. Tabel 7 Pengujian Serentak Variabel Prediktor Uji Rasio Likelihood Efek Chi Square P-Value Konstanta 0 X1 41,086 0,000 X4 16,557 0,002
11
Berdasarkan Tabel 7 diketahui bahwa p-value untuk uji rasio Likelihood di setiap variabel bernilai kurang dari 15 persen, hal ini menunjukkan bahwa H0 ditolak, dan berarti bahwa secara serentak variabel prediktor berpengaruh terhadap respon. Adapun estimasi parameter dari pengujian serentak di atas ditampilkan pada Tabel 8. Tabel 8 Estimasi Parameter dan Odds ratio dari Pengujian Serentak Logit Prediktor B Wald P-Value Exp(B) Konstanta -1,850 21,224 0,000 X1(0) = TB 0,982 6,662 0,010 2,669 X1(1) = TD 1,478 17,175 0,000 4,384 X1(2) = TS 1,607 19,265 0,000 4,990 1 X1(3) = Lainnya Pembanding X4(0) = Pengendara 0,607 4,453 0,035 1,835 X4(1) = Penumpang 1,426 13,742 0,000 4,164 X4(2) = Lainnya Pembanding Konstanta -2,168 21,418 0,000 X1(0) = TB 1,626 15,427 0,000 5,084 X1(1) = TD 1,019 5,819 0,016 2,769 X1(2) = TS 1,470 12,155 0,000 4,350 2 X1(3) = Lainnya Pembanding X4(0) = Pengendara 0,544 2,586 0,108 1,723 X4(1) = Penumpang 1,276 8,704 0,003 3,583 X4(2) = Lainnya Pembanding Sumber: diolah dari data kecelakaan lalu lintas Polrestabes Surabaya
Berdasarkan Tabel 8 diketahui bahwa keseluruhan parameter signifikan karena memiliki pvalue kurang dari α = 1 5%. Ini menunjukkan bahwa setiap kategori pada variabel jenis kecelakaan (X1) dan peran korban dalam kecelakaan (X4) berpengaruh secara serentak terhadap keparahan korban kecelakaan lalu lintas. Berdasarkan tabel 8 diketahui pula bahwa nilai odds ratio pada logit 1 (korban luka berat) untuk kategori jenis kecelakaan kategori TB bernilai sebesar 2,669, yang berarti bahwa korban kecelakaan kategori TB berisiko 2,669 kali lebih banyak mengalami luka berat dibandingkan dengan korban kecelakaan kategori Lainnya dengan asumsi variabel yang lain konstan. Risiko korban yang mengalami kecelakaan kategori TD 4,384 kali lebih banyak mengalami luka berat dibandingkan dengan korban yang mengalami kecelakaan kategori Lainnya dengan asumsi variabel yang lain konstan. Risiko korban yang mengalami kecelakaan kategori TS 4,990 kali lebih banyak dibandingkan korban yang mengalami kecelakaan kategori Lainnya dengan asumsi variabel yang lain konstan. Risiko korban yang berperan sebagai pengendara 1,835 kali lebih banyak mengalami luka berat dibandingkan korban yang berperan sebagai lainnya dengan asumsi variabel yang lain konstan. Risiko korban yang berperan sebagai penumpang 4,164 kali lebih banyak mengalami luka berat dibandingkan korban yang berperan sebagai lainnya dengan asumsi variabel yang lain konstan. Uji kesesuaian model dilakukan untuk mengetahui adanya perbedaan antara hasil observasi dengan hasil prediksi setelah model serentak terbentuk. Adapun hipotesis yang digunakan adalah sebagai berikut. H0 : model sesuai (tidak ada perbedaan antara hasil observasi dengan hasil prediksi model) H1 : model tidak sesuai (ada perbedaan antara hasil observasi dengan hasil prediksi model) Statistik uji yang digunakan adalah uji Pearson Chi-square dan hasil uji kesesuaian model ditampilkan pada Tabel 9 berikut ini. Tabel 9 Uji Kesesuaian Model Derajat Chi-square Bebas Pearson 9,087 12
P-Value 0,696
Berdasarkan Tabel 9 diketahui bahwa p-value uji Pearson Square dari model yang telah diperoleh bernilai 0,696, atau lebih besar daripada α = 15%, yang artinya terima H0. Ini menunjukkan bahwa model yang telah dihasilkan sesuai, sehingga tidak ada perbedaan yang signifikan antara hasil observasi dengan hasil prediksi model. 12
Uji kesesuaian model yang telah dilakukan menunjukkan bahwa model yang telah dibentuk telah sesuai. Selanjutnya dilakukan interpretasi terhadap model yang telah dibentuk. Adapun fungsi probabilitas atau fungsi regresi logistik multinomial serentak yang dihasilkan dari estimasi parameter yang telah dilakukan adalah sesuai dengan persamaan (6) dan (7) dengan fungsi logit sebagai berikut. g1(x) = -1,850 + 0,982 x1(0) + 1,478 x1(1) + 1,607 x1(2) + 0,607 x4(0) + 1,426 x4(1) (21) g2(x) = -2,168 + 1,626 x1(0) + 1,019 x1(1) + 1,470 x1(2) + 0,544 x4(0) + 1,276 x4(1) (22) Sehingga diperoleh nilai probabilitas untuk masing-masing kategori yang ditampilkan pada Tabel 10. Tabel 10 Probabilitas Korban Kecelakaan Lalu Lintas Berdasarkan Jenis Kecelakaan dan Peran korban dalam kecelakaan Tingkat Keparahan Jenis Peran Meninggal Luka Luka Kecelakaan Korban Dunia Berat Ringan Pengendara 0,361 0,278 0,361 TB Penumpang 0,207 0,362 0,431 Lainnya 0,500 0,210 0,291 Pengendara 0,356 0,450 0,194 TD Penumpang 0,200 0,573 0,227 Lainnya 0,498 0,344 0,158 Pengendara 0,303 0,437 0,260 TS Penumpang 0,165 0,540 0,295 Lainnya 0,438 0,344 0,218 Pengendara 0,673 0,194 0,133 Lainnya Penumpang 0,484 0,317 0,199 Lainnya 0,786 0,124 0,090
Tabel 10 menunjukkan bahwa probabilitas korban kecelakaan TB yang dalam kecelakaan merupakan pengendara mengalami meninggal dunia dengan probabilitas sebesar 0,361. Hal ini berarti bahwa dari 1000 korban kecelakaan TB yang merupakan pengendara, kemungkinan ada sebanyak 425 korban di antaranya meninggal dunia. Berdasarkan Tabel 10, diketahui pula bahwa peran korban sebagai lainnya, yaitu yang merupa-kan pengguna jalan selain pengguna kendaraan seperti penyeberang jalan atau pejalan kaki, memiliki peluang meninggal dunia terbesar pada semua jenis kecelakaan. Sedangkan peran korban sebagai penumpang memiliki peluang mengalami luka berat dan luka ringan terbesar pada setiap jenis kecelakaan. Ketepatan kasifikasi yang diperoleh dari model yang telah dibentuk ditunjukkan pada Tabel 11 berikut ini. Tabel 11 Ketepatan Klasifikasi Observasi Meninggal Dunia Luka Berat Luka Ringan Ketepatan Keseluruhan (%)
Meninggal Dunia 84 40 24
Prediksi Luka Berat 72 112 56
29,2%
47,3%
Luka Ringan 37 36 46 23,5%
Ketepatan (%) 43,5% 59,6% 36,5% 47,7%
Tabel 11 diketahui ketepatan klasifikasi dari model yang telah dibentuk yaitu sebesar 47,7 persen. Hal ini menunjukkan bahwa banyaknya prediksi yang tepat diklasifikasikan sesuai dengan kondisi sesungguhnya (observasi) adalah sebanyak 47,7 persen. Ini juga menunjukkan bahwa kesalahan klasifikasi yang dihasilkan sebesar 52,3 persen. Dari Tabel 11diketahui pula bahwa banyaknya observasi meninggal dunia yang tepat diprediksi pada meninggal dunia sebesar 43,5 persen ini menunjukkan sebanyak 56,5 persen kategori meninggal dunia salah pengklasifikasian ke dalam kategori lain. Begitu pula pada observasi luka berat yang hanya tepat terklasifikasi sebanyak 59,6 persen, dan berarti bahwa 40,4 persen kategori luka berat salah pengklasifikasian ke dalam kategori lain. Dan pada observasi luka ringan hanya tepat terklasifikasi sebanyak 36,5 persen yang berarti 63,5 persen observasi luka ringan lainnya salah pengklasifikasian ke dalam kategori lain. 13
Meskipun model yang dihasilkan telah sesuai dan keseluruhan parameter signifikan pada α=15%, namun ketepatan klasifikasi yang dihasilkan kurang dari 50 persen. Hal ini mungkin disebabkan karena kurangnya variabel prediktor yang dapat mewakili untuk memodelkan pola keparahan korban kecelakaan lalu lintas di Surabaya atau model yang digunakan kurang tepat, sehingga model yang dibentuk menghasilkan ketepatan klasifikasi kecil. 6. Kesimpulan dan Saran 6.1 Kesimpulan Berdasarkan analisis data dan pembahasan, disimpulkan bahwa korban kecelakaan lalu lintas di Surabaya untuk kawasan hukum Jajaran Polrestabes Surabaya pada tahun 2010, dari sebanyak 507 korban, sebanyak 38 persen meninggal dunia, 37 persen luka berat, dan 25 persen luka ringan. Sebagian besar korban kecelakaan lalu lintas tersebut mengalami kecelakaan tabrak depan, yaitu sebanyak 32 persen. Sebanyak 69 persen korban berjenis kelamin laki-laki. Selain itu, usia terbanyak korban adalah usia dewasa (22 sampai 55 tahun). Mayoritas korban kecelakaan lalu lintas adalah pengendara. Sebanyak 79 persen korban menggunakan sepeda motor saat terjadi kecelakaan. Korban kecelakaan terbanyak justru mengalami kecelakaan pada jam sepi, yaitu selain jam padat kendaraan. Sementara itu sebanyak 6 persen korban kecelakaan mengalami kecelakaan pada libur Hari Raya Idul Fitri, Natal, dan tahun baru, sedangkan 94 persen korban lainnya mengalami kecelakaan pada hari biasa. Variabel yang berpengaruh terhadap keparahan korban berdasarkan penelitian ini adalah jenis kecelakaan, usia, peran korban saat terjadi kecelakaan, dan jenis kendaraan. Tetpi pada pengujian serentak hanya terdapat dua variabel yang secara serentak berpengaruh terhadap respon, yaitu jenis kecelakaan dan peran korban saat terjadi kecelakaan. Adapun model regresi logistik multinomial untuk tingkat keparahan korban kecelakaan lalu lintas dengan α=15% adalah sebagai berikut. (untuk respon meninggal dunia) (untuk respon luka berat) (untuk respon luka ringan) Dengan fungsi logit sebagai berikut. g1(x) = -1,850 + 0,982 x1(0) + 1,478 x1(1) + 1,607 x1(2) + 0,607 x4(0) + 1,426 x4(1) g2(x) = -2,168 + 1,626 x1(0) + 1,019 x1(1) + 1,470 x1(2) + 0,544 x4(0) + 1,276 x4(1) Model tersebut menghasilkan ketepatan klasifikasi hanya sebesar 47,7%. Ketepatan klasifikasi yang kecil mungkin disebabkan karena kurangnya variabel prediktor yang dapat mewakili untuk memodelkan pola keparahan korban kecelakaan lalu lintas di Surabaya atau disebabkan oleh kurang tepatnya pemilihan model sehingga ketepatan klasifikasi yang dihasilkan kecil. Berdasarkan model yang dihasilkan, diketahui bahwa peran korban sebagai lainnya, yaitu korban yang merupakan pengguna jalan selain pengguna kendaraan seperti penyeberang jalan atau pejalan kaki, memiliki peluang meninggal dunia terbesar pada semua jenis kecelakaan yaitu sebesar 0,5 pada jenis kecelakaan TB; 0,498 pada jenis kecelakaan TD; 0,438 pada jenis kecelakaan TS; dan 0,786 pada jenis kecelakaan selain TB, TD, dan TS. Sedangkan peran korban sebagai penum-pang memiliki peluang mengalami luka berat dan luka ringan terbesar pada setiap jenis kecelakaan. Korban penumpang memiliki peluang mengalami luka berat sebesar 0,362 pada kecelakaan TB; 0573 pada kecelakaan TD; 0,540 pada kecelakaan TS; dan 0,317 pada keceakaan selain TB, TD, dan TS. Korban penumpang memiliki peluang mengalami luka ringan sebesar 0,431 pada kecelakaan TB; 0,227 pada kecelakaan TD; 0,295 pada kecelakaan TS; dan 0,119 pada kecelakaan selain TB, TD, dan TS. 6.2 Saran Model yang dihasilkan dalam penelitian ini menghasilkan ketepatan klasifikasi yang kecil, sehingga dalam penelitian berikutnya disarankan untuk memodelkan dengan metode lain yang kemungkinan dapat menghasilkan ketepatan klasifikasi yang lebih besar seperti memodelkan dengan metode bagging regresi logistik multinomial atau metode non parametrik seperti Mulivariate Adaptive 14
Regression Spline (MARS). Selain itu pada penelitian berikutnya hendaknya menggunakan variabel prediktor yang lebih lengkap. DAFTAR PUSTAKA Agresti, A., 2002. Categorical Data Analysis, Second Edition. New York: John Wiley & Sons, Inc. Andi, 2010. Empat Faktor yang Mempengaruhi Kecelakaan Lalu lintas. (Online). (http://ditlantaspoldariau.com/pro/index.php?option=com_content&view=article&id=178:emp at-faktor-yang-mempengaruhi-kecelakaan-lalu lintas&catid =37:infomasyarakat &Itemid=64). Diakses Jumat, 3 Desember 2010 pukul 13:14. Departemen Perhubungan, 2010. Kecelakaan Jalan Raya di Indonesia Terjadi Setiap 9,1 Menit. (Online). (http:// www.dephub.go.id/read/berita/direktorat-jenderal-perhu bungan-darat /2307). diakses Minggu, 26 Desember 2010 pukul 09:21. Hosmer, D.W. dan Lemeshow, S. Jr., 2000. Applied Logistic Regression. New York: John Wiley and Sons, Inc. Indriani D., dan Indawati R., 2005. Model Hubungan dan Estimasi Tingkat Kecelakaan Lalu Lintas. Berita Kedokteran Masyarakat, III (22): 100 – 106. Ismail, N. dan Jemain, A. A., 2005. Generalized Poisson Regression: an Alternative for Risk Classification. Jurnal Teknologi Universiti Teknologi Malaysia, 43(C): 39–54. Media Raharja, Februari 2010. ‘The Killing Fields’ bagi Kalangan Muda (hlm. 20-21). (Online). (http://www.jasaraharja.co. id/files/magazine/PDF%20MJLH%20PEB%202010.pdf). Diakses Kamis, 14 Juli 2011 pukul 11:30. Rachman, R. R., 2010. Evaluasi Accident Cost Mahasiswa Universitas Airlangga Surabaya. Tugas Akhir tidak diterbitkan. Surabaya: Institut Teknologi Sepuluh Nopember. Rashid, M., 2008. Inference on Logistic Regression Models. Disertasi. Ohio: Department of Mathematics and Statistics at Bowling Green State University. Undang-Undang Nomor 22 Tahun 2009 tentang Lalu Lintas dan Angkutan Jalan. Undang-Undang Republik Indonesia Nomor 14 Tahun 1992 tentang Lalu Lintas dan Angkutan jalan. Undang-Undang Republik Indonesia Nomor 38 Tahun 2004. Wahernika, Y., 2006. Aplikasi Analisis Korespondensi Kecelakaan Lalu Lintas Jajaran Polres Madiun. Tugas Akhir tidak diterbitkan. Surabaya: Institut Teknologi Sepuluh Nopember.
15
