BLACK SPOT

ANALYSIS (ANALISIS DAERAH RAWAN KECELAKAAN)

Zudhy Irawan, Ph.D.

Yogyakarta, 17 Oktober 2014

1) Definisi Kecelakaan

2) Definisi DRK

3) Metode Penentuan DRK

4) Contoh Kasus (Jl. Magelang)

CAKUPAN MATERI

Berdasarkan PP No. 43 Tahun 1993, kecelakaan

didefinisikan sebagai suatu peristiwa di jalan raya yang tidak

disangka-sangka dan tidak disengaja, melibatkan kendaraan

dengan atau tanpa pemakai jalan lainnya, yang dapat

mengakibatkan korban jiwa dan harta benda.

Secara filosofis, kecelakaan lalu-lintas didefinisikan sebagai

suatu kejadian yang jarang dan acak yang bersifat multi

faktor yang umumnya didahului oleh suatu situasi di mana

satu atau lebih dari pengemudi dianggap gagal menguasai

lingkungan (lalu-lintas dan lingkungan jalan).

Definisi Kecelakaan Lalu Lintas

Secara statistik sifat ini lebih mendekati kepada sifat-sifat

sebaran-Poisson.

Kecelakaan dikatakan bersifat acak karena kecelakaan itu

cenderung tidak terjadi dalam suatu ruang dan waktu

tertentu. Dengan pengertian lain acak dalam hal waktu dan

acak dalam hal lokasi.

Akan tetapi bila sifat kejadian ini melanggar kedua sifat

tersebut, maka kemungkinan besar terdapat suatu penyebab

yang spesifik yang relatif tidak multi faktor.

Sumber : Austroad, 2004

Apabila kejadian kecelakaan terjadi secara berulang dan

berlangsung dalam suatu ruang dan waktu yang relatif sama,

maka lokasi kecelakaan itu bisa jadi merupakan lokasi

rawan kecelakaan.

Tetapi secara sederhana, lokasi rawan kecelakaan bisa

diartikan sebagai lokasi kejadian kecelakaan yang terjadi

secara berulang dalam suatu ruang dan waktu yang

relatif sama dan diakibatkan oleh penyebab yang relatif

sama pula

Definisi Lokasi Rawan Kecelakaan

LOKASI RAWAN (Black-spot) kecelakaan

Suatu lokasi kecelakaan (biasanya di persimpangan, atau segmen ruas jalan 200-300m) yang memiliki angka kecelakaan dalam dua digit selama dua tahun

Lokasi rawan kecelakaan yang memiliki kejadian kecelakaaan secara berulang dalam ruang dan waktu yang relatif sama dan dengan penyebab yang relatif sama

RUAS TERBURUK (Black-Link)

Suatu ruas atau segmen ruas (minimum 1km panjang ruas) yang memiliki tingkat kecelakaan tertinggi

Tingkat Kecelakaan: suatu ukuran yang mengkonversikan angka kecelakaan lalu lintas dalam satuan kecelakaan/100 Juta Pergerakan Kendaraan-Kilometer

365

108

LHRLn

FT K

K

Tk : Tingkat Kecelakaan

Fk : Frekuensi Kecelakaan

n : tahun data

L : panjang ruas

LHR : LHR ruas jalan

AREA TERBURUK (Black Area)

Suatu AREA (minimum luas 2X2km) yang memiliki kepadatan kecelakaan tertinggi

Kepadatan Kecelakaan: suatu ukuran yang mengkonversikan angka kecelakaan lalu lintas dalam satuan:

• kecelakaan/jumlah populasi

An

KecelakaanJumlahK

Pn

KecelakaanJumlahK

• kecelakaan/ha

K : Kepadatan

P : Jumlah populasi

A : Luas area

N : Tahun data

Berdasarkan Sebaran Data

Jumlah kecelakaan > upper limit interval tingkat keyakinan 95%

Ῡ = rata-rata sampel yang diamati,

t = nilai tingkat keyakinan (didapat dari tabel sebaran t-student),

α = persentase keyakinan,

SῩ = nilai standard error,

s = nilai standar deviasi sampel,

n = banyaknya sampel yang diamati

Metode Penentuan DRK

n

sS

SntY

Y

Y

1,2

Atas Batas

Berdasarkan Tingkat Kecelakaan

365

108

LHRLn

FT K

K

Berdasarkan Bobot Fatalitas (Angka Ekivalen Kecelakaan)

AEK = 12(Meningal) + 3(Luka Berat + Luka Ringan) + 1(Kerusakan)

Pusjatan 2003 = 8,34 M : 1,21 LB : 0,8 LR : 1 K

Berdasarkan CR (Crash Ratio)

tingkat

kecelakaan

keparahan

korban

data eksposur yang

sama atau sejenis +

Crash Ratio ≥ 1

𝑇𝐵 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑎ℎ𝑢𝑛 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑠𝑖 𝑋 𝐿𝐻𝑅 𝑋 𝑃𝑎𝑛𝑗𝑎𝑛𝑔 𝑠𝑒𝑔𝑚𝑒𝑛 𝑋 365

100 𝐽𝑢𝑡𝑎

AVR = 3 X jumlah korban + jumlah kecelakaan tanpa korban

𝐶𝑅 = 𝐴𝑉𝑅 +0,5

𝑇𝐵+ 𝑇𝐹

𝐴𝑉𝑅

𝑇𝐵

SCH = 3 X jumlah korban + jumlah kecelakaan tanpa korban

𝐶𝑟𝑎𝑠ℎ 𝑅𝑎𝑡𝑖𝑜 =𝑆𝐶𝐻

𝐶𝑅

dengan:

TB = tingkat Kecelakaan, (Kecelakaan/Seratus Juta Perjalanan

Kendaraan Per-kilometer),

LHR = volume lalu lintas harian, (Kend/Hari)

CR = tingkat keritis kecelakaan, (Kecelakaan/Seratus Juta Perjalanan

Kendaraan Per-kilometer)

AVR = rata-rata tingkat kecelakaan pada eksposur yang sama/sejenis,

TF = tingkat kepercayaan, biasanya untuk 95% digunakan 1,96.

SCH = tingkat kecelakaan yang ditinjau

Berdasarkan Model Prediksi

1) Jika variansi mendekati rerata = MODEL REGRESI POISSON

𝐿𝑜𝑔 𝛽 = −exp 𝛽. 𝑥𝑖 + 𝑦𝑖 𝛽. 𝑥𝑖 − log(𝑦𝑖!)𝑛𝑖=1

2) Jika variansi tidak mendekati rerata = MODEL REGRESI BINOMIAL

𝐿𝑜𝑔 𝛽 = ln 𝑒𝛼 + 𝑖 − ln 𝑦𝑖 − 1 + 𝑒𝛼 ln 𝑒𝛼 +𝑛𝑖=1 𝑦𝑖 ln 𝜇𝑖 −

𝑒𝛼 + 𝑦𝑖 ln(𝜇𝑖 + 𝑒𝛼)

Lokasi Penelitian : Jl. Magelang Km. 7 – 16

Contoh Kasus

Metode Penyelesaian

Rekapitulasi Data

Data-data yang dibutuhkan yaitu:

1. Data kecelakaan lalu lintas

2. Volume lalu lintas harian rata-rata (LHRT)

3. Pengumpulan data lebar jalan (m)

4. Volume lalu lintas harian rata-rata untuk permodelan (kend/jam)

5. Ketersediaan rambu lalu lintas

6. Kecepatan kendaraan (Km/jam)

7. Volume kendaraan masuk dan keluar (kend/jam)

8. Volume kendaraan yang berlawanan arah (kend/jam)

9. Volume kendaraan yang parkir on-street (kend/jam)

10. Jumlah pejalan kaki yang menyeberang (orang/jam)

Catatan : Mengabaikan kondisi fisik jalan

Karakteristik Kecelakaan Lalu Lintas

1. Frekuensi Kecelakaan di Tiap 1 kilometer

0

5

10

15

20

25

7-8 8-9 9-10 10-1111-1212-1313-1414-1515-16

Fre

ku

ensi

Kec

ela

kaan

Ruas (Km)

2010

2011

2012

Jumlah

Kecelakaan

∑2010 = 105

∑2011 = 110

∑2012 = 95

2. Fatalitas kecelakaan

0

10

20

30

40

50

60

70

7-8 8-9 9-10 10-11 11-12 12-13 13-14 14-15 15-16

Ju

mla

h K

orb

an

(J

iwa

)

Ruas (Km)

Meninggal Dunia Luka Berat Luka Ringan

3. Keterlibatan Pengguna Jalan

Motor

69.48%

Mobil

19.05%

Truk

3.44%

Bus

1.86%

Sepeda

1.86%

Pejalan

Kaki

4.30%

4. Pola Tabrakan

Depan-

Depan

25.00%

Depan-

Belakang

40.26%

Depan-

Samping

20.13%

Tunggal

5.52%

Menabra

k Orang

9.09%

5. Waktu Terjadinya Kecelakaan

0%

2%

4%

6%

8%

10%

12%

14%

16%

18%

Senin Selasa Rabu Kamis Jumat Sabtu Minggu

05.00-08.59 09.00-11.59 12.00-14.59 15.00-19.59 20.00-04.59

No Ruas Jalan

(Km)

Jumlah

Kecelakaan

1 7-7,25 15

2 7,35-7,6 8

3 7,6-7,85 20

4 7,85-8,05 11

5 8,05-8,6 32

6 8,6-9,1 16

7 9,1-9,4 11

8 9,5-10 24

9 10-10,3 6

10 10,3-10,65 3

No Ruas Jalan

(Km)

Jumlah

Kecelakaan

11 10,75-11 6

12 11-11,55 14

13 11,55-12 28

14 12-12,35 7

15 12,35-12,65 14

16 12,65-13,1 28

17 13,1-13,6 14

18 13,6-14 8

19 14-14,45 11

20 14,45-14,7 5

21 14,7-15,05 8

22 15,05-15,4 13

23 15,4-16 4

Pendetailan

Segmen,

berdasar

1. akses

keluar-

masuk

kendaraan

2. aktifitas

lingkungan

segmen

3. kondisi

geometrik

jalan

Model Prediksi Kecelakaan

Regresi Poisson Negatif

Binomial

Skala Deviasi 17,498 1,340

Skala Pearson

Chi-Kuadrat 18,241 1,356

Derajat

Kebebasan 14 14

Skala Dispersi 1,303 0,097

Rasio Kemiripan

Chi-Kuadrat 66,320 65,576

Derajat

Kebebasan

Model

8 8

Signifikansi 0,000 0,000

Segmen (Km) Observasi Poisson Negatif Binomial Keterangan

7-7,25 15 10 11

7,35-7,6 8 9 9

7.6-7,85 20 18 20 Prediksi Tepat

7,85-8,05 11 6 7

8,05-8,6 32 35 43

8,6-9,1 16 23 25

9,1-9,4 11 12 12

9,5-10 24 20 19

10-10,3 6 6 6 Prediksi Tepat

10,3-10,65 3 4 3 Prediksi Tepat

10,75-11 6 8 6 Prediksi Tepat

11-11,55 14 15 16

11,55-12 28 23 20

12-12,35 7 9 8

12,35-12,65 14 17 18

12,65-13,1 28 23 21

13,1-13,6 14 15 15

13,6-14 8 9 8 Prediksi Tepat

14-14,45 11 11 11 Prediksi Tepat

14,45-14,7 5 7 7

14,7-15,05 8 8 7 Prediksi Tepat

15,05-15,4 13 11 11

15,4-16 4 8 7

Model Prediksi Kecelakaan

Persamaan regresi model Negatif Binomial:

Y = exp (-1,122 Lebar Jalan + 2,89x10-4 LHR + 1,25x10-1 Kecepatan

+ 1x10-3 Kend Keluar Masuk + 1,8x10-2 Penyeberang Jalan)

Regresi Poisson Negatif Binomial

Parameter B Sig. B Sig.

(Intercept) 9,140 0,174 9,199 0,124

Lebar Jalan -1,023 0,027 -1,122 0,011

Ketersediaan Rambu 0,123 0,073 0,093 0,139

LHR 0,000366 0,036 0,000289 0,046

Kecepatan Kend 0,098 0,057 0,125 0,015

Kend Masuk Keluar 0,001 0,059 0,001 0,039

Kend Berlawanan Arah -0,004 0,169 -0,002 0,597

Kend Parkir On-Street -0,012 0,187 -0,015 0,116

Penyeberang Jalan 0,016 0,079 0,018 0,034

Identifikasi Lokasi Rawan Kecelakaan

No Ruas Jalan

(Km) Sebaran Data

Tingkat Kecelakaan

(100JPKP) AEK

Critical Crash

Ratio Model Prediksi

1 7-7,25 15 1.3170 69 - 11

2 7,35-7,6 8 0.6807 36 0.52434 9

3 7,6-7,85 20 1.7016 97 1.70897 20

4 7,85-8,05 11 1.1699 105 1.41353 7

5 8,05-8,6 32 1.2375 182 1.49131 43

6 8,6-9,1 16 0.6946 93 1.79792 25

7 9,1-9,4 11 0.7841 66 2.07639 12

8 9,5-10 24 1.1038 99 2.56818 19

9 10-10,3 6 0.4599 42 1.04665 6

10 10,3-10,65 3 0.2103 18 - 3

11 10,75-11 6 0.5272 42 1.00761 6

12 11-11,55 14 0.5591 81 0.83421 16

13 11,55-12 28 1.3668 114 2.10122 20

14 12-12,35 7 0.4072 36 0.50006 8

15 12,35-12,65 14 0.9501 110 1.46514 18

16 12,65-13,1 28 1.2668 162 1.69667 21

17 13,1-13,6 14 0.5701 49 0.49402 15

18 13,6-14 8 0.4932 49 0.56531 8

19 14-14,45 11 0.6029 73 1.05236 11

20 14,45-14,7 5 0.4932 18 0.49239 7

21 14,7-15,05 8 0.5637 39 0.61463 7

22 15,05-15,4 13 0.9160 81 1.47511 11

23 15,4-16 4 0.1644 69 0.53488 7

Batas atas = 16,828

1

3

2

1

3

2

1 3

2

1

3

2 1

2

2

3

Identifikasi Lokasi Rawan Kecelakaan

Dari beberapa hasil metode analisis yang dilakukan, terdapat perbedaan

pemeringkatan identifikasi

Identifikasi Lokasi Rawan Kecelakaan

Total Nilai kurang dari batas bawah dianggap lokasi rawan kecelakaan

Identifikasi Lokasi Rawan Kecelakaan

No Ruas Jalan

(Km)

Tingkat

Kecela-

kaan

Angka

Ekivalen

Kecelakaan

Critical

Crash

Ratio

Sebaran

Data

Model

Prediksi

Total

Nilai

1 11,55-12 2 3 2 2 4 13

2 8,05-8,6 5 1 7 1 1 15

3 12,65-13,1 4 2 6 2 3 17

4 7,6-7,85 1 7 5 5 4 22

5 9,5-10 7 6 1 4 6 24

6 8,6-9,1 11 8 4 6 2 31

7 7-7,25 3 12 - 7 11 33

8 12,35-12,65 8 4 9 8 7 36

Peta Delapan Lokasi Rawan Kecelakaan

1

2

3

5

4

8

7

6