Upload
vutu
View
231
Download
0
Embed Size (px)
Citation preview
POLA TINGKAT KEPARAHAN KORBAN KECELAKAAN LALU LINTASPOLA TINGKAT KEPARAHAN KORBAN KECELAKAAN LALU LINTASDENGAN MENGGUNAKAN REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS: KECELAKAAN LALU LINTAS DI SURABAYA)
sEOleh:Laylia Nur Afidah
.
Laylia Nur Afidah
Dosen Pembimbing:Dra. Destri Susilaningrum, M.Si.
JURUSAN STATISTIKAFAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAMINSTITUT TEKNOLOGI SEPULUH NOPEMBERSURABAYA2011
LATAR BELAKANG
Tahun 2009 terjadi
57.726PERMASALAHAN
PENELITIAN
57.726kasus kecelakaan lalulintas di Indonesia(Dephub, 2010)
TUJUAN PENELITIAN
MANFAAT
Tahun 1998 penyebabkematian tertinggi ke‐9 di dunia adalah PENELITIAN
BATASAN MASALAH
di dunia adalah
KECELAKAAN LALU LINTAS
Kecelakaan lalu lintas di Surabaya tahun 2010 menyebabkan:•Meninggal dunia: 324 korban
Prediksi WHO: tahun 2020 kecelakaan lalu
lintas penyebab kematian tertinggi ke‐3 dunia
•Luka berat: 240 korban•Luka ringan: 377 korbanSedangkan di kawasan hukumJ j P l b S b
Triwulan I 2010: Jumlah kecelakaan lalu lintas
Surabaya peringkat ke‐5 di JATIM
Jajaran Polrestabes Surabaya :•Meninggal dunia: 193 korban•Luka berat: 188 korban•Luka ringan: 126 korban
2
g
LATAR BELAKANG
Wahernika (2006)
PERMASALAHAN PENELITIAN
Wahernika (2006) meneliti kecelakaan lalulintas di Jajaran Polres
Madiun dengan
li i k d i
jenis kecelakaanmemiliki hubungan
dengan waktu kejadiankecelakaan
TUJUAN PENELITIAN
MANFAAT
analisis korespondensi
Indriani dan Indawati(2005) mengestimasi
tingkat keparahan korbankecelakaan berhubungan
Faktor‐faktor yang mempengaruhi
keparahan korbanPENELITIAN
BATASAN MASALAH
(2005) mengestimasitingkat kecelakaan Kota
Surabaya dengan
loglinier dua dimensi
kecelakaan berhubungandengan jenis kendaraandan interaksi antarawaktu dengan musimterjadinya kecelakaan
pkecelakaan lalu lintas dikawasan hukum JajaranPolrestabes Surabaya
j y
Ismail dan Jemain (2005) memodelkan risiko
kecelakaan di Malaysia
Terdapat hubungan antarajumlah kecelakaan lalu
lintas dengan jenis kelaminkecelakaan di Malaysia dengan
Generalized Poisson Regression
lintas dengan jenis kelaminkorban kecelakaan, umurkendaraan, dan kawasanterjadinya kecelakaan
3
LATAR BELAKANG
PERMASALAHAN PENELITIAN
Keparahankorban
TUJUAN PENELITIAN
MANFAAT Meninggal L k b t LukaPENELITIAN
BATASAN MASALAH
Meninggaldunia Luka berat Luka
ringan
Y=0 Y=1 Y=2
4REGRESI LOGISTIK MULTINOMIAL
LATAR BELAKANG
PERMASALAHAN PENELITIAN1. Bagaimanakah karaketristik korban
kecelakaan lalu lintas di Kota Surabaya padaTUJUAN
PENELITIAN
MANFAAT
kecelakaan lalu lintas di Kota Surabaya padatahun 2010?
2. Bagaimanakah pemodelan regresi logistikmultinomial untuk tingkat keparahan korban PENELITIAN
BATASAN MASALAH
multinomial untuk tingkat keparahan korbankecelakaan lalu lintas Kota Surabaya berdasarkan faktor-faktor yang mempengaruhinya?mempengaruhinya?
3. Bagaimanakah besar risiko berdasarkantingkat keparahan korban kecelakaan lalulintas?lintas?
5
LATAR BELAKANG
PERMASALAHAN PENELITIAN1. Mendapatkan deskripsi karaketristik korban
kecelakaan lalu lintas di Kota Surabaya padat h 2010 TUJUAN
PENELITIAN
MANFAAT
tahun 2010.
2. Mendapatkan model tingkat keparahan korbankecelakaan lalu lintas Kota Surabaya b d k f kt f kt PENELITIAN
BATASAN MASALAH
berdasarkan faktor-faktor yang mempe-ngaruhinya dengan regresi logistik multinomial.
3. Mendapatkan besar risiko masing-masingti k t k h k b k l k l l li ttingkat keparahan korban kecelakaan lalu lintas
6
LATAR BELAKANG
PERMASALAHAN PENELITIAN
Diperoleh faktor‐faktor yang berpengaruh terhadap keparahan
korban kecelakaan lalu lintasTUJUAN
PENELITIAN
MANFAAT Satlantas Polrestabes SurabayaPENELITIAN
BATASAN MASALAH
Satlantas Polrestabes Surabaya memberikan perhatian yang lebih
faktor‐faktor dijadikan referensiuntuk antisipasi jatuhnya korban
kecelakaan lalu lintas
7
LATAR BELAKANG
PERMASALAHAN PENELITIAN
TUJUAN PENELITIAN
MANFAAT Penelitian dibatasi pada
DATA VARIABEL PENELITIANPENELITIAN
BATASAN MASALAH
DATA VARIABEL PENELITIAN YANG SUDAH TERSEDIA
dalam data kecelakaan lalulintas di Kota Surabaya yang y y gberada di kawasan hukum
Jajaran Polrestabes Surabaya
8
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
STATISTIKA DESKRIPTIFSTATISTIKA DESKRIPTIF
Statistika deskriptif adalah metode‐pmetode yang berkaitan dengan
pengumpulan dan penyajian suatu gugusdata sehingga memberikan informasi
yang berguna (Walpole, 1993).yang berguna (Walpole, 1993).
Statistika deskriptif hanya memberikaninformasi mengenai data yang ada dansama sekali tidak menarik inferensia
atau kesimpulan apapun tentang gugusinduknya yang lebih besar.
9
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
UJI INDEPENDENSISTATISTIKA DESKRIPTIFUJI INDEPENDENSISTATISTIKA DESKRIPTIF
Uji independensi bertujuan untuk mengetahui adanya hubungan j p j g y gantara dua variabel. Hipotesis yang digunakan adalah sebagai berikut (Agresti, 2002). H0 : Tidak ada hubungan antara variabel Y dan X H1 : Ada hubungan antara variabel Y dan X Statistik uji yang digunakan pada uji independensi adalah uji Pearson Chi‐square berikut.
dengan J = banyaknya kategori variabel Y I = banyaknya kategori variabel XI = banyaknya kategori variabel X
H0 ditolak apabila dengan derajat bebas sebesar
.
10
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
REGRESI LOGISTIK MULTINOMIALUJI INDEPENDENSIREGRESI LOGISTIK MULTINOMIALUJI INDEPENDENSI
Regresi Multinomial membentuk fungsi logit,dengan membandingkan Y=1 dan Y=2 terhadap Y=0
Probabilitas respon atau model regresi logistik membandingkan Y=1 dan Y=2 terhadap Y=0. Bentuk model regresi logistik yang berupa fungsi peluang dengan p variabel prediktor: Regresi logistik multinomial
merupakan perluasan dari
multinomial dengan variabel respon berskala nominal tiga kategori :
Transformasi logit akan menghasilkan dua fungsi logit sebagai berikut, dengan menetapkan bahwa .
merupakan perluasan dariregresi logistik dengan responbiner yang dapat menangani
berikut, dengan menetapkan bahwa .
biner yang dapat menanganivariabel respon dengank t i l bih d i d
kategori lebih dari dua.
11
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
ESTIMASI PARAMETERREGRESI LOGISTIK MULTINOMIALESTIMASI PARAMETERREGRESI LOGISTIK MULTINOMIAL
Menggunakan metode MLE
Dengan memberi ln pada kedua sisi persamaan di atas, diperoleh persamaanberikut ini.
Estimasi parameter diperoleh dari turunan pertama di atas.
Dengan ; ; dan , sedangkan merupakan penyederhanaan dari .
12
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
UJI PARAMETER INDIVIDUESTIMASI PARAMETERUJI PARAMETER INDIVIDUESTIMASI PARAMETER
Hipotesis yang digunakan adalah sebagai berikut.
dengan
Statitik uji yang digunakan adalah statistik uji Wald Statitik uji yang digunakan adalah statistik uji Wald sebagai berikut (Hosmer dan Lemeshow, 2000).
Dengan adalah taksiran standar error parameter H ditolak jika atau parameter. H0 ditolak jika atau
dengan derajat bebas
13
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
UJI PARAMETER SERENTAKUJI PARAMETER INDIVIDUUJI PARAMETER SERENTAKUJI PARAMETER INDIVIDU
Uji serentak dilakukan untuk mengetahui signifikansi parameter yangberpengaruh secara serentak terhadap variabel respon. Hipotesis:
paling sedikit terdapat satu dengan
Statistik uji yang digunakan adalah statistik uji G atau likelihood ratio testsebagai berikut.
dengan adalah banyaknya observasi yang berkategori 1, dan adalah banyaknya observasi yang berkategori 0.
H0 ditolak jika dengan derajat bebas . G
14
0 j g j
mengikuti distribusi Chi‐square dengan derajat bebas p.
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
UJI KESESUAIAN MODELUJI PARAMETER SERENTAKUJI KESESUAIAN MODELUJI PARAMETER SERENTAK
Untuk mengetahui apakah model yang diperoleh telah sesuai atau tidak.
H0 : model sesuai (tidak ada perbedaan yang nyata antara hasil observasi dengan kemungkinan hasil prediksi model)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 berikut.
Dengan j = 0, 1, 2; dan = pearson residual.
H ditolak jika dengan db =
15
H0 ditolak jika dengan db = .
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
INTERPRETASI MODELUJI KESESUAIAN MODELINTERPRETASI MODELUJI KESESUAIAN MODEL
M ki k b bMenggunakan
Odds ratio
Memperkirakan berapa besarkemungkinan risiko variabel‐variabel prediktor terhadap
variabel respon.Odds ratio variabel respon.
(Hosmer dan Lemeshow, 2000)
16
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
KECELAKAAN LALU LINTASKECELAKAAN LALU LINTAS
Tingkat keparahan korban kecelakaan lalu lintasKecelakaan lalu lintas adalah suatu peristiwa di jalan yang tidak disangka‐sangka dan tidak disengaja melibatkan kendaraandengan atau tanpa pemakai jalan lainnya, mengakibatkan korban
Tingkat keparahan korban kecelakaan lalu lintas
g p p j y , gmanusia atau kerugian harta benda.(PP Nomor 43 Tahun 1993 Pasal 93 dalam Undang‐Undang Nomor 22 Tahun 2009 )
Meninggal dunia Luka berat Luka ringan
Korban yang dipastikan meninggaldunia sebagai akibatkecelakaan lalu lintas
Korban yang karenaluka‐lukanya
menderita cacattetap atau harus
Korban yang tidaktermasuk dalamkecelakaan lalu lintas
dalam jangka waktupaling lama 30 harisetelah kecelakaan
tetap atau harusdirawat dalam jangkawaktu lebih dari 30 hari sejak terjadi
kategori korbanmeninggal dan
korban luka berat.
17
tersebut. kecelakaan.
PP Nomor 43 Tahun 1993 Pasal 93
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
FAKTOR‐FAKTOR YANG MEMPENGARUHI KECELAKAAN LALU LINTASKECELAKAAN LALU LINTASKECELAKAAN LALU LINTAS
Faktor ManusiaFaktor Manusia
Faktor‐faktorpenyebab
Faktor Kendaraan
penyebabkecelakaan lalu lintas
Faktor Jalan
Faktor Cuaca
18
Faktor Cuaca
Data Sekunder
SUMBER DATA
VARIABEL PENELITIAN
• Terdiri dari 507 data korban kecelakaan
kawasan hukum Jajaran Polrestabes Surabaya
METODE ANALISIS DATAselama tahun 2010
1. Bubutan2. Krembangan3 A
8. Tambaksari9. Simokerto10 Kenjeran
15. Gubeng16. Rungkut17 Mulyorejo
22. Sukomanunggal23. Lakarsantri24 Wiyung3. Asemrowo
4. Tegalsari5. Dukuh Pakis6. Genteng
10. Kenjeran11. Wonokromo12. Wonocolo13. Gayungan
17. Mulyorejo18. Sukolilo19. Tandes20. Pakal
24. Wiyung25. Karangpilang26. Jambangan
g7. Sawahan 14. Tenggilis 21. Benowo
19
i b l Sk l / i
No Variabel Skala/Kategori
5 Peran NominalNo Variabel Skala/Kategori
1 Keparahankorbankecelakaan lalu
NominalY(0) = korban meninggalY(1) = korban luka berat
5 Peran korban dalam kecelakaan (X4)
NominalX4(0) = pengendaraX4(1) = penumpang kendaraan selain pengendaraX4(2) = pengguna jalan non penumpang kendaraan
(penyeberang jalan pejalan kaki dll)
SUMBER DATA
VARIABEL PENELITIANkecelakaan lalulintas (Y)
Y(1) = korban luka beratY(2) = korban luka ringan
2 Jenis Nominal
(X4) (penyeberang jalan, pejalan kaki, dll)
6 Jenis kendaraan (X5)
NominalX5(0) = sepeda motor (kendaraan bermotor roda dua atau
tiga)
METODE ANALISIS DATA
kecelakaan (X1) X1(0) = tabrakan belakang (TB)X1(1) = tabrakan depan (TD)X1(2) = tabrakan samping (TS)
X1(3) = hilang kemdali (HK)X1(4) = lain‐lain
3 Jenis kelamin Nominal
(X5) tiga)X5(1) = kendaraan roda empatX5(2) = kendaraan dengan lebih dari empat rodaX5(3) = lain‐lain (sepeda angin, becak, atau kendaraan bukan
bermotor lainnya)3 Jenis kelamin(X2)
NominalX2(0) = laki‐lakiX2(1) = perempuan
bermotor lainnya)7 Waktu
kecelakaan (X6)
NominalX6(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)
4 Usia (X3) OrdinalX3(0) = anak‐anak (0 – 16 tahun)X3(1) = remaja (17 ‐ 21 tahun)
X3(3) = paruh baya (36 – 58 tahun)X3(4) = usia lanjut (lebih dari 58
tahun)
16.00 WIB 18.00 WIB)X6(1) = sepi (selain waktu padat)
8 Tanggal perayaan khusus (X7)
NominalX7(0) = libur hari raya idul fitri, natal, dan tahun baruX7(1) = lainnya
20
3( ) j ( )X3(2) = muda (22 – 35 tahun)
)khusus (X7) X7(1) lainnya
Analisis regresi multinomial secaraindividu
SUMBER DATA
VARIABEL PENELITIANAnalisis regresi multinomial secara
serentak• Pie diagram• Tabulasi silang
1. AnalisisDeskriptif
METODE ANALISIS DATA
Interpretasi terhadap nilai odds ratio
Uji i d d i2. MembuatUji kesesuaian model• Uji independensi• Membuat model regresilogistik multinomial
2. Membuatmodel regresilogistik Dengan
melakukanInterpretasi model secara serentak
logistik multinomialmultinomialmelakukan
Menghitung ketepatan klasifikasimodel
21
model
KETEPATAN KLASIFIKASIINTERPRETASI MODEL SERENTAKUJI KESESUAIAN MODELREGRESI LOGISTIK MULTINOMIAL SECARA SERENTAK
REGRESI LOGISTIK MULTINOMIAL SECARA INDIVIDU
TABULASI SILANG UJI INDEPENDENSISECARA SERENTAKSECARA INDIVIDUANTARA Y DAN XUJI INDEPENDENSI ANTARA Y DAN XKARAKTERISTIK KORBAN
meninggal 3%11%
TB
0%sepeda motor
17%
38%25%
ggdunia
luka berat25%
29%
3% TB
TD
TS
HK
2%19%
mobil
truk65%18%
17%pengendara
penumpang
lainnya37% luka ringan 32% HK
lainnya
79%becak, sepeda angin, jalan kaki
31%laki‐laki
11%
16%31%
12% anak‐anak
remaja
muda
6% libur Hari Raya Idul Fitri, Natal, dan tahun baru
l i
41% jam ramai
j i69%
perempuan
30%
31%paruh baya
usia lanjut94%
lainnya59% jam sepi
22
KETEPATAN KLASIFIKASIINTERPRETASI MODEL SERENTAKUJI KESESUAIAN MODELREGRESI LOGISTIK MULTINOMIAL SECARA SERENTAK
REGRESI LOGISTIK MULTINOMIAL SECARA INDIVIDU
TABULASI SILANG UJI INDEPENDENSISECARA SERENTAKSECARA INDIVIDUANTARA Y DAN XUJI INDEPENDENSI ANTARA Y DAN XKARAKTERISTIK KORBAN
Variabel Nilai P‐Value KeputusanChi‐square
p
Jenis kecelakaan (X1) 41,887 0,000 Tolak H0
Jenis kelamin (X2) 0,274 0,872 Terima H0Usia (X3) 14,323 0,074 Terima H0Peran korban dalam 12,497 0,014 Tolak H0kecelakaan (X4)
0
Jenis kendaraan (X5) 7,005 0,320 Terima H0
Waktu kecelakaan (X6) 0,221 0,896 Terima H0
Tanggal perayaan kh (X )
1,224 0,542 Terima H0
23
khusus(X7)
KETEPATAN KLASIFIKASIINTERPRETASI MODEL SERENTAKUJI KESESUAIAN MODELREGRESI LOGISTIK MULTINOMIAL SECARA SERENTAK
REGRESI LOGISTIK MULTINOMIAL SECARA INDIVIDU
TABULASI SILANG UJI INDEPENDENSISECARA SERENTAKSECARA INDIVIDUANTARA Y DAN XUJI INDEPENDENSI ANTARA Y DAN X
Variabel Prediktor Keparahan Korban Kecelakaan (%) Jumlah(%)Meninggal Dunia Luka Berat Luka Ringan
Variabel Prediktor Keparahan Korban Kecelakaan (%) Jumlah(%)Meninggal Dunia Luka Berat Luka Ringan (%)Meninggal Dunia Luka Berat Luka Ringan
Jenis kecelakaan (X1)TB 8,09 7,30 9,27 24,65TD 11,83 14,20 6,11 32,15
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, , , ,TS 9,27 12,62 7,50 29,39HK 1,58 0,99 0,79 3,35Lainnya 7,30 1,97 1,18 10,45Jenis kelamin (X2)
Lainnya 8,48 5,33 3,16 16,96Jenis kendaraan (X5)Sepeda motor 28,60 28,60 21,50 78,70
Mobil, pickup 0,59 0,79 0,20 1,58Jenis kelamin (X2)Laki‐laki 26,43 26,04 16,77 69,23Perempuan 11,64 11,05 8,09 30,77Usia (X3)Anak anak 3 16 3 35 4 14 10 65
Truk 0,20 0,20 0,00 0,39Selain kendaraan bermotor
8,68 7,50 3,16 19,33
Waktu kecelakaan (X6)Anak‐anak 3,16 3,35 4,14 10,65Remaja 5,52 5,92 4,54 15,98Muda 10,65 12,03 7,89 30,57Paruh baya 12,62 12,23 6,31 31,16
Jam ramai 15,78 15,19 9,66 40,63Jam sepi 22,29 21,89 15,19 59,37Tanggal perayaan khusus (X7)Libur hari Raya Idul Fitri, 2,17 1,58 1,78 5,52
24
Usia lanjut 6,11 3,55 1,97 11,64Natal, tahun baru
Hari biasa 35,90 35,50 23,08 94,48
KETEPATAN KLASIFIKASIINTERPRETASI MODEL SERENTAKUJI KESESUAIAN MODELREGRESI LOGISTIK MULTINOMIAL SECARA SERENTAK
REGRESI LOGISTIK MULTINOMIAL SECARA INDIVIDU
TABULASI SILANG SECARA SERENTAKSECARA INDIVIDUANTARA Y DAN X
Logit Kategori Variabel Prediktor Wald P‐Value B Exp(B)Jenis Kecelakaan (X1)
1 Konstanta 13 578 0 000 ‐1 0991 Konstanta 13,578 0,000 1,099X1(0) = TB 7,070 0,008*) 0,996 2,707X1(1) = TD 13,737 0,000*) 1,281 3,600X1(2) = TS 15,745 0,000*) 1,407 4,085X1(3) = Lainnya Pembanding
2 K 18 509 0 000 1 5042 Konstanta 18,509 0,000 ‐1,504X1(0) = TB 16,033 0,000*) 1,641 5,159X1(1) = TD 4,159 0,041*) 0,844 2,325X1(2) = TS 9,823 0,002*) 1,292 3,638X1(3) = Lainnya Pembanding1( ) y g
Peran korban dalam kecelakaan (X4)1 Konstanta 3,529 0,058 ‐0,465
X4(0) = Pengendara 2,192 0,139*) 0,409 1,505X4(1) = Penumpang 8,646 0,003*) 1,063 2,896X (2) = Lainnya PembandingX4(2) = Lainnya Pembanding
2 Konstanta 11,397 0,001 ‐0,989X4(0) = Pengendara 2,791 0,095*) 0,543 1,722X4(1) = Penumpang 9,060 0,003*) 1,230 3,420X4(2) = Lainnya Pembanding
25 *)Signifikan pada α = 15%
KETEPATAN KLASIFIKASIINTERPRETASI MODEL SERENTAKUJI KESESUAIAN MODELREGRESI LOGISTIK MULTINOMIAL SECARA SERENTAK
REGRESI LOGISTIK MULTINOMIAL SECARA INDIVIDUSECARA SERENTAKSECARA INDIVIDU
Logit Prediktor B Wald P‐Value Exp(B)
1 Konstanta ‐1,850 21,224 0,000
Efek Uji Rasio LikelihoodChi Square Derajat Bebas P‐Value
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
Konstanta 0 0X1 41,086 6 0,000X 16 557 4 0 002
X1(3) = Lainnya PembandingX4(0) = Pengendara 0,607 4,453 0,035*) 1,835
X4(1) = Penumpang 1,426 13,742 0,000*) 4,164
X4(2) = Lainnya PembandingX4 16,557 4 0,002X4(2) Lainnya Pembanding2 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
Secara serentak variabel prediktorberpengaruh terhadap respon
X1(2) = TS 1,470 12,155 0,000*) 4,350
X1(3) = Lainnya PembandingX4(0) = Pengendara 0,544 2,586 0,108*) 1,723
X (1) = Penumpang 1 276 8 704 0 003*) 3 583
26
X4(1) = Penumpang 1,276 8,704 0,003 ) 3,583
X4(2) = Lainnya Pembanding
KETEPATAN KLASIFIKASIINTERPRETASI MODEL SERENTAKUJI KESESUAIAN MODELREGRESI LOGISTIK MULTINOMIAL SECARA SERENTAKSECARA SERENTAK
H0: model sesuai (tidak ada perbedaan antarah il b i d h il dik i d l)hasil observasi dengan hasil prediksi model)
H1: model tidak sesuai (ada perbedaan antarahasil observasi dengan hasil prediksi model)hasil observasi dengan hasil prediksi model)
Chi‐square Derajat P‐ValueBebas
Pearson 9,087 12 0,696
Terima H0 menunjukkan bahwad l t l h dih ilk i
27
model yang telah dihasilkan sesuai
KETEPATAN KLASIFIKASIINTERPRETASI MODEL SERENTAKUJI KESESUAIAN MODEL
(untuk respon meninggal dunia)
Jenis Kecelakaan Peran Korban Tingkat KeparahanMeninggal Dunia Luka Berat Luka Ringan
TB Pengendara 0 361 0 278 0 361 (untuk respon luka berat)
(untuk respon luka ringan)
TB Pengendara 0,361 0,278 0,361
Penumpang 0,207 0,362 0,431
Lainnya 0,500 0,210 0,291TD Pengendara 0 356 0 450 0 194
Dengan fungsi logit sebagai berikut.
TD Pengendara 0,356 0,450 0,194
Penumpang 0,200 0,573 0,227
Lainnya 0,498 0,344 0,158TS Pengendara 0 303 0 437 0 260
TS Pengendara 0,303 0,437 0,260
Penumpang 0,165 0,540 0,295
Lainnya 0,438 0,344 0,218Lainn a Pen endara 0 673 0 194 0 133Lainnya Pengendara 0,673 0,194 0,133
Penumpang 0,484 0,317 0,199
Lainnya 0,786 0,124 0,090
28
KETEPATAN KLASIFIKASIINTERPRETASI MODEL SERENTAK
Observasi Prediksi Ketepatan (%)Meninggal Luka Luka (%)Meninggal
DuniaLuka Berat
Luka Ringan
Meninggal Dunia 84 72 37 43,5%
Luka Berat 40 112 36 59 6%
C
Luka Berat 40 112 36 59,6%
Luka Ringan 24 56 46 36,5%
Ketepatan K l h (%)
29,2% 47,3% 23,5% 47,7%Keseluruhan (%)
Kurang dari 50%
Kemungkinan disebabkan:d d l k
29
•Metode pemodelan kurang tepat•Variabel prediktor kurang
KESIMPULANSARAN
1. Korban kecelakaan lalu lintas di Surabaya untuk kawasan hukum Jajaran2 Variabel yang berpengaruh terhadap keparahan korban berdasarkan penelitian ini adalah jenis3. Peran korban sebagai lainnya, yaitu korban yang 1. Korban kecelakaan lalu lintas di Surabaya untuk kawasan hukum Jajaran
Polrestabes Surabaya pada tahun 2010, dari sebanyak 507 korban:
• 38 persen meninggal dunia, 37 persen luka berat, dan 25 persen luka ringan.
2. Variabel yang berpengaruh terhadap keparahan korban berdasarkan penelitian ini adalah jeniskecelakaan dan peran korban saat terjadi kecelakaan. fungsi logit yang dihasilkan:
g y y y gmerupakan pengguna jalan selain penggunakendaraan seperti penyeberang jalan atau pejalan
• 32 persen mengalami tabrak depan. • 69 persen korban berjenis kelamin laki‐laki• usia terbanyak korban adalah usia paruh baya (36 sampai 58 tahun).
Dengan ketepatan klasifikasi hanya sebesar 47,7%.
kaki, memiliki peluang meninggal dunia terbesarpada semua jenis kecelakaan. Sedangkan perankorban sebagai penumpang memiliki peluang• mayoritas korban adalah pengendara.
• 79 persen korban menggunakan sepeda motor • Korban terbanyak justru mengalami kecelakaan pada jam sepi• 6 persen korban kecelakaan mengalami kecelakaan pada libur Hari Raya
korban sebagai penumpang memiliki peluangmengalami luka berat dan luka ringan terbesar padasetiap jenis kecelakaan. • 6 persen korban kecelakaan mengalami kecelakaan pada libur Hari Raya
Idul Fitri, Natal, dan tahun baru• 94 persen korban lainnya mengalami kecelakaan pada hari biasa.
p j
30
KESIMPULANSARAN
Model yang dihasilkan dalam penelitian iniModel yang dihasilkan dalam penelitian inimenghasilkan ketepatan klasifikasi yang kecil, sehingga dalam penelitian berikutnya, gg p ydisarankan untuk memodelkan dengan metode lain yang kemungkinan dapat menghasilkan ketepatanklasifikasi yang lebih besar seperti memodelkandengan metode bagging regresi logistikmultinomialmultinomial.
31
Agresti A 2002 Categorical Data Analysis Second EditionIsmail N dan Jemain A A 2005 Generalized PoissonAgresti, A., 2002. Categorical Data Analysis, Second Edition. New York: John Wiley & Sons, Inc.
Alleyne R., 2010. Middle Age Begins at 35 and Ends at 58. (O li ) (htt // t l h k/h lth/h lth /
Ismail, N. dan Jemain, A. A., 2005. Generalized Poisson Regression: an Alternative for Risk Classification. Jurnal Teknologi Universiti Teknologi Malaysia, 43(C): 39–54.
2010 l l l i(Online). (http://www.telegraph.co.uk/health/healthnews/7458147/Middle-age-begins-at-35-and-ends-at-58. html). Diakses Senin, 13 Juni 2011 pukul 20:32.
Kasman, D., 2010. Kampanye Keselamatan Berlalu Lintas.(Online). (http://www. probolinggokab.go.id/site/index.php?option=com_content&task=view&id=2363&Itemid=
Andi, 2010. Empat Faktor yang Mempengaruhi Kecelakaan Lalulintas. (Online). (http://ditlantaspoldariau.com/pro/index.php?option=com content&view=article&id=178:e
p p p _92). Diakses Jumat 3 Desember 2010 pukul 15:42.
Rachman, R. R., 2010. Evaluasi Accident Cost MahasiswaUniversitas Airlangga Surabaya. Skripsi tidak diterbitkan.p p p _mpat-faktor-yang-mempengaruhi-kecelakaan-lalu lintas&catid=37:infoma syarakat&Itemid=64). Diakses Jumat 3 Desember 2010 pukul 13:14
Universitas Airlangga Surabaya. Skripsi tidak diterbitkan.Surabaya: Institut Teknologi Sepuluh NopemberSurabaya.
Rashid M 2008 Inference on Logistic Regression ModelsJumat, 3 Desember 2010 pukul 13:14.Anonim1, 2010. Explorer Lalu Lintas, Road Safety. (Online).
(http://satlantaspolresrejanglebong.blogspot.com/p/peneml l l li t ht l) Di k S l 16 N b
Rashid, M., 2008. Inference on Logistic Regression Models. Disertasi. Ohio: Department of Mathematics andStatistics at Bowling Green State University.
32
u-lampu-lalu lintas.html). Diakses Selasa, 16 November 2010 pukul 23:59.
Anonim2, 2010. Tekan Korban Kecelakaan, Polda Buat Zona
g yUndang-Undang Nomor 22 Tahun 2009 tentang Lalu Lintas dan
Angkutan Jalan. Undang-Undang Republik Indonesia Nomor 14 Tahun 1992