PEMODELAN JUMLAH KECELAKAAN PENGENDARA SEPEDA MOTOR DI DAERAH BLACK SPOT KOTA MALANG

MENGGUNAKAN GENERALIZED POISSON REGRESSION

Eka Putri Yuli Triana, Heni Kusdarwati, Henny Pramoedyo

Jurusan Matematika, F.MIPA, Universitas Brawijaya Email: mysakura29@gmail.com

Abstrak. Faktor utama penyebab kecelakaan adalah faktor pengemudi dengan lebih dari 75% kecelakaan melibatkan pengguna jalan yaitu pengendara sepeda motor. Salah satu cara mengetahui karakteristik tingkah laku pengendara sepeda motor yaitu diukur berdasarkan aspek sosiodemografi, pola berkendara, accident report dan Driver Behaviour Questionaire (DBQ) yang terdiri dari peubah Slips Lapses, Error, Ordionary Violation, Aggressive Violation dengan peubah respon jumlah kecelakaan. Penelitian dilakukan di daerah Black Spot yaitu daerah rawan kecelakaan di kota Malang. Analisis yang digunakan untuk data cacah/count adalah analisis regresi Poisson namun apabila data mengalami Overdispersion (nilai ragam lebih besar dari nilai rata-rata) dan Underdispersion (nilai ragam lebih kecil dari nila rata-rata) penanganan yang sesuai yaitu memakai model regresi Generalized Poisson Regression. Penelitian bertujuan mencari karakteristik dan model kecelakaan pengendara sepeda motor di daerah daerah Black Spot Kota Malang. Hasil penelitian menunjukkan bahwa salah satu karakteristik pengendara sepeda motor di daerah daerah Black Spot Kota Malang adalah berkendara dengan kecepatan rata-rata 64.04 km/jam dengan presentase jumlah responden yang pernah ditilang adalah tinggi. Dari model terbaik dapat diinterpretaikan bahwa peubah Slips dan Lapses dan peubah Aggresive Violation memiliki hubungan positif dengan banyaknya kecelakaan sepeda motor dan peubah Aggresive Violation adalah peubah yang paling berpengaruh terhadap banyaknya kecelakaan sepeda motor yang dialami oleh seorang pengendara dalam tiga tahun terakhir.

Kata Kunci: Kecelakaan, Underdispersion, Generalized Poisson Regression, Driver Behaviour Questionaire (DBQ).

1. PENDAHULUAN Peningkatan jumlah penduduk dengan sikap individu yang kurang peduli terhadap lingkungan

yang aman dan tertib menjadi salah satu penyebab kecelakaan lalu lintas di jalan meningkat, sehingga banyak pelanggaran lalu lintas yang dilakukan pengemudi kendaraan. Kecelakaan dipengaruhi beberapa faktor seperti faktor pengemudi, faktor kendaraan, faktor jalan, faktor lingkungan, dan faktor lalu lintas. Faktor yang menjadi penyebab utama kecelakaan lalu lintas adalah faktor pengemudi, yang berkontribusi lebih dari 90 persen dalam mempengaruhi kecelakaan (Dishub, 2008). Karakter dari seorang pengemudi berpeluang memiliki significant impact terhadap kecelakaan. Salah satu cara mengetahui karakteristik pengendara sepeda motor yaitu diukur berdasarkan aspek sosiodemografi, pola berkendara, Accident report dan Driver Behaviour Questionaire (DBQ). Penelitian dilakukan di daerah Black Spot yaitu daerah rawan kecelakaan di kota Malang. Analisis mengenai hubungan peubah respon yang berupa data cacah/ count dan peubah penjelas adalah analisis regresi Poisson. Regresi Poisson mengasumsikan rata-rata dan ragam dari peubah respon mempunyai nilai yang sama (equidispersi). Pada kenyataan sering dijumpai kasus Overdispersion/underdispersion (nilai ragam peubah respon tidak sama dengan rata-rata peubah respon tersebut). Penanganan hal tersebut salah satunya dapat menggunakan Generalized Poisson Regression. Penelitian ini bertujuan mendeskripsikan dan membuat model terbaik tentang karakteristik pengendara sepeda motor di daerah Black Spot kota Malang yang terindikasi terjadi kasus underdispersion pada data.

2. TINJAUAN TEORI

2.1 Teori Statistika Statistik deskriptif adalah statistik yang berfungsi untuk mendeskripsikan atau memberi

gambaran tentang obyek yang diteliti melalui data sampel atau populasi, tanpa melakukan analisis dan membuat kesimpulan yang bersifat umum. Regresi Poisson merupakan suatu bentuk analisis regresi yang digunakan untuk memodelkan data yang berbentuk count (jumlahan). Overdispersion adalah kejadian dimana data memiliki nilai varians yang lebih besar daripada nilai mean, sedangkan bila Underdispersion adalah ketika nilai varians lebih kecil dari nilai mean. Apabila data peubah respon mengalami over/under dispersi maka model yang digunakan adalah Generalized Poisson Regression. Distribusi GP (Famoye, dkk., 2004) adalah:

;; =

! exp

, y = 0,1,2,...,n

Mean dan varians model GP adalah sebagai berikut: E() = dan Var() =1

Model GP memiliki model yang sama model regresi Poisson yaitu: ln(i) = =0+i xi1 +2 xi2 +...+ k xik

i = exp (), i=1,2,,n (1) Dimana: i = 1 dan =

Penduga parameter model GPR dilakukan menggunakan metode MLE (Miximum Likelihood Estimator) pada persamaan (1). Fungsi likelihood untuk model GPR adalah sebagai berikut:

L(,) = " #$#$$%

& $'$(

$!%& exp

#$$#$

%&

2.2 Teori Non Statistika Black Spot adalah suatu lokasi dimana tingkat kecelakaan tinggi dengan kejadian kecelakaan

berulang dalam suatu ruang dan rentang tertentu yang relatif sama yang diakibatkan oleh suatu penyebab tertentu. Faktor-faktor tersebut terdiri dari 5 faktor yaitu faktor pemakai jalan, faktor kendaraan, faktor jalan, faktor lingkungan, faktor lalu Lintas (Miaou dkk., 2003). Berdasarkan data dari POLRESTA Malang pada tahun 2012, jumlah kecelakaan lalu lintas di Kota Malang cukup banyak dan lebih dari 76 persen adalah kecelakaan yang melibatkan sepeda motor . Dari kelima faktor, faktor induvidu berkontribusi lebih dari 90 persen dalam mempengaruhi kecelakaan (Dishub, 2008).

Sosiodemografi merupakan salah satu bentuk informasi yang diperoleh dari pengendara seperti keterangan usia, jenis kelamin, status pekerjaan, status pendidikan, daerah asal dan lain-lain. Karakteristik pola berkendara merupakan informasi pola aktivitas manusia berpindah dari satu tempat ke tempat lainnya dilakukan untuk memenuhi kebutuhan hidupnya. Accident repot akan menjelaskan perilaku pengendara, pengalaman pengendara dan dapat dilihat pula riwayat kecelakaan yang terjadi selama 3 tahun terakhir. Driver Behaviour Questionaire (DBQ) adalah salah satu alat yang sudah digunakan untuk meneliti tingkah laku pengendara kendaraan dengan maksud menyelidiki perilaku pengendara serta mengidentifikasi faktor yang berhubungan dengan kecelakan dan pelanggaran; terdiri dari 4 peubah yaitu slips dan lapses, error, ordinary violation dan aggressive violation.

3. METODE PENELITIAN

3.1 Sumber data Data pada penelitian merupakan data primer dari hasil jawaban kuesioner kepada 100 responden

usia antara 16 - 40 tahun yang pernah mengalami kecelakaan dalam 3 tahun terakhir serta berdomisili di kota Malang maupun luar Kota Malang. Berdasarkan data UNIT LAKA dari SATLANTAS Kota Malang tahun 2012, maka penelitian dilakukan di daerah black spot yaitu daerah rawan kecelakaan yaitu di Jl. S.P. Sudarmo, Jl. S. Supriadi, Jl. Kol. Sugiono, Jl. Mayjend. Sungkono dan Jl. Achmad Yani. Teknik pengambilan sampel yang digunakan adalah Quota Sampling.

3.2 Metode Analisis Prosedur analisis data dalam penelitian adalah (1) melakukan pengecekan kelengkapan jawaban

kuesioner, apabila tidak memenuhi kelengkapan akan dieliminasi (tidak dipakai); (2) menyajikan peubah sosiodemografi, pola berkendara, dan accident report dalam bentuk statistika deskriptif; (3) Peubah Slips dan lapses (X1), error (X2), ordinary violation (X3), dan aggressive violation (X4) menjadi peubah prediktor dan jumlah kecelakaan menjadi peubah respon; (4) pemeriksaan sebaran Poisson pada peubah respon; (5) pemeriksaan multikolinieritas dengan menggunakan nilai VIF; (6) mendeteksi over/underdispersion; (7) menggunakan metode Generalized Poisson Regression untuk mengatasi over/underdispersion; (8) uji kelayakan model menggunakan statistik uji sisaan Pearson; (10) pemilihan model terbaik Generalized Poisson Regression menggunakan nilai AIC terkecil; (11) Interpretasi model.

186

4. HASIL DAN PEMBAHASAN

4.1 Analisis Deskriptif

a. Berdasarkan aspek sosiodemografi: Responden yang terambil pada penelitian ini mayoritas berasal dari Malang dan berstatus tempat tinggal tetap. Kebanyakan berstatus mahasiswa dan bekerja dengan latar belakang pendidikan SMA/SMK.

b. Berdasarkan aspek pola berkendara: Rata-rata kecepatan berkendara yaitu 64.04 km/jam, mayoritas berkendara pada pagi hari. 75% responden memiliki SIM. Dalam berkendara mayoritas responden masih melakukan aktifitas lain salah satunya mengobrol dengan lawan bicara. Safety riding yang paling sering dilakukan oleh responden adalah menggunakan helm SNI.

c. Berdasarkan aspek accident report: Rata-rata kecelakaan yang dialami responden adalah 2 kali selama 3 tahun terakhir dengan presentase jumlah responden yang pernah ditilang adalah tinggi. Waktu yang sering terjadinya kecelakaan adalah siang dan jenis kecelakaan mayoritas adalah sebagai korban ditabrak. Tempat yang sering terjadi kecelakaan adalah jalan raya dengan kecepatan 53.08 km/jam.

4.2. Analisis Inferensia Pemeriksaan sebaran peubah respon dilakukan untuk mengetahui peubah respon pada data mengikuti sebaran Poisson atau tidak. Tabel 1. Hasil pengujian Kolmogorov-Smirnov

Nilai Statistik Uji Dn P-value Keterangan 0.087 0.070tn Peubah respon mengikuti sebaran Poisson

Hasil pengujian Kolmogorov-Smirnov pada Tabel 1. menunjukkan peubah respon pada data mengikuti sebaran Poisson.. Pemeriksaan multikolinieritas menggunakan nilai Variance Infation Factor (VIF) berdasarkan nilai batas sebesar 10 disajikan pada Tabel 2: Tabel 2. Hasil Pengujian Asumsi Bebas Multikolinieritas

Peubah Prediktor Nilai VIF Kesimpulan Slips dan lapses (X1) 1.855 Tidak ada Multikolinieritas Error (X2) 2.161 Tidak ada Multikolinieritas Ordinary violation (X3) 3.049 Tidak ada Multikolinieritas Aggressive violation (X4) 2.141 Tidak ada Multikolinieritas

Selanjutnya dilakukan pengujian Overdispersion dan Underdispersion. Tabel 3. Hasil Pengujian Overdispersion dan Underdispersion regresi Poisson

-/db Keterangan 0.614 Underdispersion

Dari Tabel 3 dapat disimpulkan data mengalami Underdispersion, karena nilai statistik uji Khi Kuadrat Pearson dibagi dengan derajat bebas lebih kecil dari 1 oleh karena itu menggunakan model Generalized Poisson Regression. Tabel 4. Hasil pendugaan koefisien regresi, nilai statistik uji Wald dan statistik uji G Generalized Poisson Regression dengan mengikutkan semua Peubah Prediktor.

Peubah Koefisien Salah Baku Statistik Uji Wald P-value

Statistik Uji G = 38.449

P-value = 0.000

Konstanta -0.557 0.2804 3.953 0.047* X1 0.041 0.0166 6.231 0.013* X2 -0.011 0.0163 0.497 0.481tn X3 0.006 0.0187 0.102 0.749tn X4 0.041 0.0171 5.882 0.015*

Tabel 4 menunjukkan pengujian parameter regresi dilakukan secara simultan dan parsial menggunakan taraf nyata 0.05. Terlihat bahwa peubah X2 dan X3 tidak signifikan, artinya peubah X2 dan X3 tidak memberikan pengaruh signifikan terhadap Peubah Jumlah Kecelakaan.

187

Pemilihan model terbaik dari model regresi Generalized Poisson Regression didasarkan pada nilai AIC pada setiap kombinasi peubah prediktor. Dari kombinasi peubah prediktor didapatkan kombinasi 3 terbaik dengan nilai AIC terkecil tersaji dalam Tabel 5. Tabel 5. Nilai AIC dari Model Generalized Poisson Regression

Kombinasi Peubah Prediktor Sisaan Pearson P-value Keterangan Nilai AIC X1, X2, X3, X4 0.126 1 Model Layak 225.320

X1, X3, X4 0.136 1 Model Layak 223.627 X1, X2, X4 0.108 1 Model Layak 223.382

X1, X4 0.133 1 Model Layak 221.628 Model regresi Generalized Poisson dengan Peubah Prediktor X1 dan X4 paling baik untuk memodelkan faktor-faktor penyebab kecelakaan pada penelitian ini, karena memiliki nilai AICR paling kecil sebesar 221.628. Kemudian dilakukan pendugaan parameter regresi ulang dengan menggunakan Peubah Prediktor X1 danX4 di dalam model dan didapatkan model terbaik (best model) hasil analisis menggunakan Generalized Poisson Regression adalah sebagai berikut:

. / exp00.594 0.037X 0.042X: Interpretasi model regresi Generalized Poisson dengan kasus kecelakaan pada sepeda motor tersebut adalah: 1. Rata-rata banyaknya kecelakaan sepeda motor yang dialami oleh seorang pengendara di daerah

Black Spot Kota Malang berkurang sebesar 0.594% dibandingkan 3 tahun terakhir. 2. Peubah Slips dan Lapses memiliki hubungan yang positif dengan banyaknya kecelakaan sepeda

motor yang dialami oleh seorang pengendara dalam tiga tahun terakhir di daerah Black Spot Kota Malang. Apabila Peubah Slips dan Lapses meningkat, maka banyaknya kecelakaan sepeda motor yang dialami oleh seorang pengendara dalam tiga tahun mendatang di daerah Black Spot Kota Malang akan meningkat, begitu pula sebaliknya.

3. Peubah Aggresive Violation memiliki hubungan yang positif dengan banyaknya kecelakaan sepeda motor yang dialami oleh seorang pengendara dalam tiga tahun terakhir di daerah Black Spot Kota Malang. Apabila Peubah Aggresive Violation meningkat, maka banyaknya kecelakaan sepeda motor yang dialami oleh seorang pengendara dalam tiga tahun mendatang di daerah Black Spot Kota Malang akan meningkat, begitu pula sebaliknya.

4. Peubah Aggresive Violation adalah peubah yang paling berpengaruh terhadap banyaknya kecelakaan sepeda motor yang dialami oleh seorang pengendara dalam tiga tahun terakhir di daerah Black Spot Kota Malang dilihat dari nilai penduga sebesar 0.042 yang lebih besar dari nilai penduga Peubah Slips dan Lapses serta nilai P-value sebesar 0.001 yang lebih kecil dari nilai P-value Peubah Slips dan Lapses.

5. KESIMPULAN Peubah Slips dan Lapses dan peubah Aggresive Violation memiliki hubungan yang positif dengan banyaknya kecelakaan sepeda motor dan peubah Aggresive Violation adalah peubah yang paling berpengaruh terhadap banyaknya kecelakaan sepeda motor yang dialami oleh seorang pengendara dalam tiga tahun terakhir di daerah Black Spot Kota Malang dilihat dari nilai parameter dugaan yang lebih besar serta nilai P-value yang lebih kecil dari Peubah Slips dan Lapses.

DAFTAR PUSTAKA Dinas Perhubungan Darat., (2008), Laporan Akhir Pedoman Teknis Kampanye Program Keselamatan,

http:/www.hubdat.web.id, diakses tanggal 12 Februari 2013. Famoye, F., Wulu, J.T. dan Singh, K.P., (2004), On The Generalized Poisson Regression Model with

an Application to Accident Data, Journal of Data Science, 2, hal. 287- 295. Ismail, N. dan A. A. Jemain., (2005), Generalized Poisson Regression : An Alternative for Risk Class-

ification, Jurnal Teknologi Universiti Teknologi Malaysia, hal. 39-54. Miaou, S.P. and Bani, J., (2003), Roadway Traffic Crash Mapping: A Space-Time Modelling

Approach, Journal of Transportation and Statistics, The United State Department of Transportation, USDOT, USA, hal. 33-57.

188