Anda di halaman 1dari 33

DAFTAR ISI

DAFTAR ISI.............................................................................................................i
DAFTAR GAMBAR..............................................................................................iii
BAB I PENDAHULUAN........................................................................................1
I.1

Latar belakang...........................................................................................1

I.2

Rumusan masalah......................................................................................4

I.3

Tujuan penelitian.......................................................................................4

I.4

Ruang lingkup dan batasan penelitian.......................................................4

I.5

Lokasi penelitian......................................................................................4

BAB II TINJAUAN PUSTAKA.............................................................................6


II.1

Kecelakaan lalu lintas................................................................................6

II.2

Model Kecelakaan.....................................................................................8

II.3

Pemilihan Model.....................................................................................13

II.4

Negative Binomial...................................................................................15

II.5

Pemilihan model terbaik..........................................................................17

BAB III METODE PENELITIAN........................................................................20


III.1.

Program Penelitian..................................................................................20

III.1.1. Tahapan perumusan masalah...................................................................21


III.1.2. Tahapan tinjauan pustaka........................................................................21
III.1.3. Tahapan pengumpulan data.....................................................................21
III.1.4. Tahapan segmentasi ruas jalan................................................................22
III.1.5. Tahapan analisis Data..............................................................................23

III.2.

Variabel penelitian...................................................................................24

III.2.1. Variabel terikat (dependent)....................................................................24


III.2.2. Variabel bebas (independent)..................................................................24
DAFTAR PUSTAKA.............................................................................................28

ii

DAFTAR GAMBAR

Gambar I. 1 Korban meniggal dunia........................................................................1


Gambar I. 2 Faktor penyebab kecelakaan................................................................2
Gambar I. 1 Lokasi penelitian..................................................................................5
Gambar II. 1 Hubungan kecelakaan dengan LHRT.................................................7
Gambar III. 1 Metode penelitian............................................................................20
Gambar III. 2 Panjang segmen diantara dua simpang...........................................22
Gambar III. 3 Tahapan analisa data........................................................................23

iii

BAB I
PENDAHULUAN

I.1

Latar belakang

Kecelakaan lalu lintas merupakan kejadian yang tak terduga dan tak seorangpun
dapat memprediksi kapan terjadi. Kecelakaan lalu lintas di Indonesia merupakan
negara dengan tingkat kecelakaan yang cukup tinggi. Hal ini didasarkan pada data
yang dilansir oleh Global Status Report on Road Safety 2013 bahwa Indonesia
menempati peringkat kelima dengan korban tewas tertinggi dibawah Cina, India,
Nigeria, dan Brazil. Polri mencatat pada tahun 2010 sebesar 31.234 jiwa yang
meninggal dunia akibat kecelakaan lalu lintas. Sedangkan tahun 2011, sebesar
32.657 jiwa dan 2012 korban meninggal dunia adalah sebesar 27.441 jiwa.
Sementara itu pada 2013, sebesar 25.157 jiwa. Rata-rata 80 orang meninggal
setiap harinya atau 3-4 orang meninggal setiap jamnya akibat kecelakaan lalu
lintas.

Gambar I. 1 Korban meniggal dunia


(Sumber: Polri 2011)

Berdasarkan jumlah kecelakaan, Pulau Jawa memiliki angka yang tertinggi


daripada pulau-pulau lainnya, seperti Sumatra, Sulawesi, Kalimantan, dan Bali.
Sedangkan Propinsi Jawa Timur termasuk propinsi yang memiliki angka
kecelakaan tertinggi di Indonesia. Jalur selatan merupakan salah satu jalur rawan
kecelakaan di Jawa Timur. Hal ini dikarenakan jalur selatan memiliki medan
pegunungan dengan turunan (tanjakan) serta tikungan yang cukup tajam.
Kecelakaan lalu lintas diakibatkan banyak faktor, seperti manusia, kendaraaan,
dan faktor jalan. HSM (2010)

mengemukakan bahwa

faktor manusia

berkontribusi 93 persen terhadap kecelakaan, faktor kendaraan 34 persen, dan


faktor jalan dan lingkungannya 13 persen. Walaupun faktor jalan merupakan
faktor dengan kontribusi yang terkecil akan tetapi faktor jalan mempunyai
pengaruh 27 persen terhadap kesalahan manusia yang mengakibatkan kecelakaan.

Gambar II. 2 Faktor penyebab kecelakaan


(Sumber: HSM, 2010)
Peningkatan
penegakan

keselamatan dapat melalui cara-cara seperti aturan jalan,


hukum,

dan

pendidikan,

atau

dengan

menerapkan

kontrol lalu lintas lokal dan perbaikan geometri. Karlaftis dan Golias (2002)
menyatakan bahwa penyempurnaan desain jalan bisa menghasilkan penurunan
yang signifikan terhadap frekuensi kecelakaan. Sehingga, frekuensi kecelakaan

dapat dikurangi dengan meninjau faktor jalan. Suatu ruas jalan yang
berkeselamatan harus memperhatikan banyak hal dalam perencanaannya seperti
desain geometrik jalan (meliputi alinyemen jalan baik horisontal maupun vertikal,
perkerasan, kelandaian jalan dan radius tikungan), lebar lajur jalan, kecepatan
rencana, ketersediaan median jalan sampai kelengkapan rambu dan marka jalan.
Oleh sebab itu, strategi penanggulangan kecelakaan umumnya diarahkan pada
penerapan tindakan perbaikan teknis pada infrastruktur jalan guna mengurangi
kemungkinan pengguna jalan/pengemudi membuat kesalahan dan guna membuat
lingkungan jalan lebih dapat mentolelir kesalahan yang dibuat pengguna
jalan/pengemudi.
Memperkirakan kinerja keselamatan jalan yang ada atau direncanakan merupakan
tugas penting dalam manajemen keselamatan jalan. Untuk melakukan hal ini,
model prediksi kecelakaan telah dikembangkan untuk menjelaskan ketidakpastian
dalam terjadinya kecelakaan. Fungsi dari model prediksi kecelakaan adalah untuk
memberikan estimasi atau prediksi angka kecelakaan lalu lintas yang bebas
terhadap bias akibat fenomena regression-to-the-mean. Hasil estimasi atau
prediksi

angka

dikembangkannya

kecelakaan

lalu

berbagai

metoda

lintas

tersebut

untuk

menjadi

mengidentifikasi

dasar

bagi

lokasi-lokasi

berbahaya pada suatu entitas jalan yang lebih andal secara statistik dibandingkan
metoda-metoda yang selama ini lazim digunakan.
Lebih lanjut, model ini juga dapat digunakan untuk melakukan penilaian akan
keefektifan dari penerapan suatu program penanganan geometri pada lokasi-lokasi
berbahaya,

Zegeer, dkk (1990). Selain itu, variabel-variabel yang dilibatkan

dalam model menjadi informasi penting dalam pencegahan terjadinya


kecelakaan , Rengarasu dkk (2009). Dengan demikian, sasaran akhir yang
diharapkan dengan terbangunnya model kecelakaan adalah meningkatnya kondisi
keselamatan lalu lintas pada jalan antar kota di Indonesia.

I.2

Rumusan masalah

Permasalaan yang dihadapi di Indonesia adalah jumlah kecelakaaan lalu lintas


yang cenderung meningkat dari tahun ke tahun dengan jumlah kejadian
kecelakaan yang cukup tinggi. Melihat permasalahan tersebut diperlukan suatu
upaya penanganan yang bertujuan untuk menurunkan angka kecelakaan dan
meminimalkan kerugian yang ditimbulkannya. Upaya ini perlu dilakukan dengan
memodelkan lokasi kecelakaan pada suatu entitas jalan.
I.3

Tujuan penelitian

Tujuan penelitian ini adalah menentukan model kecelakaan dan menganalisis


faktor penyebab kecelakaan di jalan nasional khususnya jalur selatan Jawa Timur.

I.4 Ruang lingkup dan batasan penelitian


Berikut lingkup dan batasan dalam kegiatan penelitian ini :
1. Ruas jalan yang dipertimbangkan dalam penelitan ini adalah ruas jalan
nasional jalur selatan Jawa Timur: Batas Jawa Tengah-Pacitan-PonorogoTulungagung-Blitar-Wlingi-Malang-Lumajang-Jember-Genteng-Banyuwangi
dengan total panjang jalan 540 kilometer.
2. Faktor penyebab kecelakaan dalam penelitian ini fokus pada faktor jalan.
3. Data kecelakaan yang digunakan adalah data kecelakaan yang dikeluarkan
Korlantas Polri tahun 2011-2013.
4. Metode statistik yang digunakan dalam pemodelan hanya menggunakan
model Negative Binomial (NB).
I.5

Lokasi penelitian

Lokasi penelitian Jalur Selatan Jawa Timur: Batas Jawa Tengah- PacitanPonorogo-Tulungagung- Blitar- Wlingi- Malang- Lumajang- Jember- GentengBanyuwangi yang tertera pada gambar I.1.

Gambar III. 1 Lokasi penelitian

BAB II
TINJAUAN PUSTAKA

II.1

Kecelakaan lalu lintas

Kecelakaan adalah sebuah kejadian yang menghasilkan luka atau kerusakan


properti dikarenakan tabrakan minimal satu kendaraan bermotor dan tabrakan
yang melibatkan kendaraan motor lain, sepeda, pejalan kaki, atau sebuah objek.
Kecelakaan bersifat kejadian yang jarang dan random artinya seseorang tidak
dapat secara yakin memperkirakan kapan kecelakaan yang berikutnya akan terjadi
disuatu lokasi tertentu, dan juga tidak dapat secara yakin memperkirakan dimana
kecelakaan yang berikutnya akan terjadi (HSM, 2010).
Kecelakaan lalu lintas secara dasar tergantung pada tiga faktor yaitu eksposur,
tingkat kecelakaan, dan tingkat fatalitas, Elvick (Nilsson, 2002). Eksposur
dinyatakan sebagai ukuran

aktifitas yang menimbulkan kecelakaan. Setiap

aktifitas manusia dihadapkan pada resiko terjadinya kecelakaan yang dikaitkan


dengan jumlah perjalanan. Tingkat kecelakaan adalah risiko kecelakaan per unit
eksposur dan merupakan indikator dari kemungkinan terjadinya kecelakaan.
Tingkat kecelakaan biasa didefinisikan sebagai jumlah kejadian kecelakaan lalu
lintas per 10.000 populasi kendaraan. Sedangkan tingkat fatalitas mengacu pada
hasil dari kecelakaan baik cedera pada orang maupun kerusakan properti. Setiap
negara memiliki definisi yang berbeda terhadap tingkat fatalitas. Sebagian besar
negara mengklasifikasikan kecelakaan berdasarkan jumlah korban tewas per
jumlah kejadian kecelakaan lalu lintas. Akibat dari kecelakaan baik cidera maupun
kerusakan harta benda dipengaruhi oleh sistem lalu lintas dan faktor risiko
kecelakaan.
Hubungan antara eksposur dan kecelakaan biasanya mengacu pada volume lalu
lintas, bukan jumlah perjalanan, yang biasanya didefinisikan sebagai jumlah
kendaraan per waktu (Elvick, 2010). Peningkatan volume lalu lintas dapat

menyebabkan

meningkatnya jumlah kecelakaan. Namun, jumlah kecelakaan

tidak secara liniear terkait dengan volume lalu lintas. Hal ini senada dengan Qin ,
Ivan, dan Ravishanker (2004) yang menyatakan hubungan antara jumlah
kecelakaan dan eksposur yang dinyatakan oleh Lintas Harian Rata-Rata Tahunan
(LHRT) adalah tidak linear. Kecelakaan meningkat dengan meningkatnya LHRT
dengan hubungan keduanya tidak linear. Akibatnya, tingkat kecelakaan (rasio
kecelakaan per LHRT) tidak konstan terhadap volume lalu lintas bahkan di lokasi
yang sama. Gambar II. 1 menggambarkan fungsi kinerja keselamatan di lokasi
tertentu dengan volume yang berbeda. Untuk setiap titik pada kurva fungsi kinerja
keselamatan, hubungan antara jumlah kecelakaan dan eksposur selama periode
waktu tertentu, tingkat kecelakaan (N/LHRT) didefinisikan sebagai kemiringan
garis yang menghubungkan titik asal ke titik potong dengan garis fungsi kinerja
Kecelakaan per satuan waktu

keselamtan.

B
A

Tingkat kecelakaan

Gambar IVI. 1 Hubungan kecelakaan dengan LHRT


(Sumber: Qin , Ivan, dan Ravishanker , 2004)

L
H
RT

pe
r
sat
ua
n
wa
kt
u
7

Oleh karena itu, jika fungsi kinerja keselamatan bukanlah garis lurus, tingkat
kecelakaan bervariasi dengan jumlah eksposur. Sebagai contoh, jumlah
kecelakaan pada titik B lebih besar dari pada titik A, tetapi tingkat kecelakaan
pada titik B, sebaliknya, lebih kecil dari pada titik A, karena kemiringan garis
yang lebih kurang curam.
Sedangkan faktor risiko berhubungan dengan karakteristik jalan seperti
jumlah jalur, lebar lajur, alinyemen horizontal dan vertikal, desain persimpangan
dan sebagainya, (Elvick, 2010).

Hubungan kecelakaan dengan gometri jalan

seperti alinyemen horisontal, alinyemen vertikal, lebar jalan, dan lebar bahu jalan
telah dibuktikan secara statistik, Hauer, 1992; Miaou, 1994; Shankar dkk 1995;
Shankar dkk 1997; Vogt dan Bared, 1998; Berhanu, 2004; Rengarasu, dkk ,
2009; dan Ackaaha dan Salifu, 2011.
II.2

Model Kecelakaan

Banyak literatur yang membahas tentang model prediksi frekuensi kecelakaan,


dan identifikasi berbagai faktor yang mempengaruhi kecelakaan.

Miao dkk

(1992) menggunakan model log linear untuk frekuensi kecelakaan kendaraan


penumpang menggunakan jenis jalan, umur, jenis kelamin, faktor kendaraan dan
penggunaaan sabuk pengaman sebagai

variabel independen. Hauer (1992)

memodelkan frekuensi kecelakaan dengan mengidentifikasi geometri, lalu lintas,


umur, dan jenis kelamin menggunakan emperical bayes. Pendekatan emperical
bayes menghasilkan estimasi yang lebih baik dengan estimasinya bebas dari
regresi-to-mean. Namun

metode EB cukup sulit diterapkan

karena sulitnya

menemukan populasi yang memiliki estimasi rereta dan varians yang cocok pada
model.
Miaou dan Lum (1993) menggunakan menyelidiki model regresi linier

dan

regresi poisson dalam memodelkan kecelakaan menggunakan desain geometri dan


kondisi lalu lintas sebagai variabel independen. Miaou menunjukkan bahwa
model regresi linier memiliki kekurangan dalam

mengambarkan keacakan,

diskrit, non negatif, dan peristiwa yang jarang terhadap kecelakaan di jalan.
8

Sehingga model regresi tidak tepat dalam memodelkan kecelakaan lalu lintas.
Model regresi Poisson , memiliki sebagian besar sifat statistik yang diinginkan
dalam mengembangkan model kecelakaan. Namun, jika data kecelakaan yang
ditemukan secara signifikan overdispersi terhadap rata-rata, maka menggunakan
model regresi Poisson mneghasilkan bias terhadap estimasi kecelakaan.
Miaou (1994) mengevaluasi kinerja regresi Poisson, Zero-Inflated Poisson (ZIP)
regresi, dan regresi Negative Binomial (NB) dalam membangun hubungan antara
kecelakaan truk dan desain geometrik ruas jalan. Metode maksimum likelihood
(ML) digunakan untuk mengestimasi parameter yang tidak diketahui dari model
ini. Hasil penelitian menunjukkan bahwa model regresi BN lebih cocok
menggambarkan kejadian yang diskrit dan non negatif seperti data kecelakaan lalu
lintas. Sedangkan model ZIP baik digunakan untuk data kecelakaan yng memiliki
data nol yang berlebihan.
Shankar dkk (1995) memodelkan frekuensi kecelakaan jalan menggunakan BN
berdasarkan faktor-faktor yang berkontribusi terhadap kecelakaan termasuk
perilaku pengemudi, karakteristik geometris (alinyemen horosontal dan vertikal),
variabel cuaca (misalnya curah hujan dan salju, intensitas hujan salju dan hujan),
interaksi antara geometri dan unsur cuaca, dan efek musiman seperti volume lalu
lintas, curah hujan, dan variasi suhu yang berhubungan dengan lingkungan. Hasil
analisis menyatakan bahwa faktor geometri dan cuaca berpengaruh secara
signifikan terhadap frekuensi kecelakaan
Shankar, Milton, dan Mannering (1997) menyelidiki secara empiris terhadap
model frekuensi kecelakaan dimana terdapat nol kecelakaan pada segmen jalan.
Zero-inflated

Poisson (ZIP) dan Zero-Inflated Binomial Negative

(ZINB)

digunakan untuk memodelkan frekuensi kecelakaan dengan geometri jalan dan


volume lalu lintas. Hasil analisis menunjukkan bahwa model ZIP dan ZINB baik
digunakan pada segmen jalan yang memiliki kecelakan nol. Model menunjukan
volume lalu lintas dan geometri (alinyemen horisontal dan vertikal, gradien,
panjang segmen, lebar jalur dan jumlah lajur) signifikan terhadap kecelakaan.

Vogt dan Bared (1998) memodelkan frekuensi kecelakaan pada tiga ruas jalan,
simpang tiga bersinyal, dan simpang empat bersinyal. di Minnesota (1985-1989)
dan Washington (1993-1995). Model Regresi Poisson dan NB digunakan dalam
pemodelan. Hasil penelitian menunjukkan bahwa variabel eksposur dan lalu lintas
berkontribusi terhadap kecelakaan baik pada ruas dan persimpangan. Variabel
lebar lajur, lebar bahu, alinyemen horizontal dan vertikal, kondisi pinggir jalan,
dan kepadatan jalan berkonstribusi terhadap kecelakaan di ruas jalan. Sedangkan
alinyemen vertikal dan horisontal, kondisi pinggir jalan, jumlah jalan masuk,
rambu kecepatan, pendekat pada persimpangan, dan lajur U-turn berkontribusi
terhadap kecelakaan dipersimpangan.
Karlaftis dan Golias (2002) menilai efek dari berbagai karakteristik jalan raya
pada frekuensi kecelakaan pada jalan antar kota (rural). Metodologi yang
digunakan adalah hierarchical tree-based regression (HTBR). Hasil penelitian
karekteristik jalan mempengaruhi secara signifikan terhadap frekuensi kecelakaan
seperti jumlah lajur, lebar jalur, kondisi trotoar, jenis perkerasan, dan kekesatan.
Abas, Khaled A (2004) memodelkan frekuensi kecelakaan jalan antar kota di
Mesir menggunakan model regresi. Lima model regresi dikembangkan pada jalan
yang berbeda, terdapat dua model yang signifikan. Hanya variabel lintas harian
rata-rata tahunan (LHRT) yang berpengaruh terhadap model.
Berhanu (2004) mengembangkan model prediksi kecelakaan berdasarkan data
yang dikumpulkan di jalan-jalan arteri di Kota Addis Ababa. Poisson dan metode
regresi binomial negatif digunakan untuk memodelkan data kecelakaan
(kecelakaan tunggal, kecelakaan dua kendaraan atau lebih, dan kecelaaan pejalan
kaki) dengan geometri jalan ( jenis jalan: terbagi dan tidak terbagi, lebar jalan,
jumlah lajur, dan fasilitas pejalan kaki) dan arus lalu lintas. Variabel-variabel
independen

geometri dan arus lalu lintas signifikan. terhadap model. Hasil

penelitian juga menunjukkan bahwa perbaikan lebar jalan,fasilitas pejalan kaki,


dan manajemen akses yang efektif dalam mengurangi kecelakaan lalu lintas jalan.

10

Lord dkk (2005) membandingkan model regresi Poisson , binomial negatif, zeroinflated Poisson dan zero-inflated binomial negatif ( ZIP dan ZINB) , dan model
probabilitas multinomial untuk memprediksi kecelakan bermotor. Model ZIP dan
ZINB baik untuk menjelaskan dominan " kelebihan" nol yang sering diamati
dalam data kecelakaan. Poisson dan model BN berfungsi sebagai statistik
pendekatan untuk proses kecelakaan. Model Poisson baik digunakan pada kondisi
homogen, sementara BN baik digunakan untuk kondisi heterogenitas. Data
kecelakaan menyebabkan data nol berlebihan dalam data kecelakaan karena hal
berikut: (1)lokasi memiliki tingkat eksposur yang rendah, heterogenitas yang
tinggi ,dan lokasi dikategorikan sebagai risiko tinggi ; (2) analisis yang
dilakukandengan waktu atau skala spasial yang cukup kecil; (3) persentase data
hilang atau tidak dilaporkan cukup tinggi; dan (4) model kecelakaan dengan
variabel penting tidak dipertimbangkan dalam model.
Lord dkk (2005) menentukan model frekuensi kecelakaan dengan karakteristik
arus lalu lintas per jam, seperti volume lalu lintas, kerapatan kendaraan dan rasio
V/C, pada jalan bebas hambatan antar kota (rural) dan perkotaan. Model Regresi
Poison digunakan dalam penelitian ini. Hasil penelitian menunjukkan bahwa
model prediksi yang menggunakan volume lalu lintas sebagai satu-satunya
variabel independen tidak cukup mencirikan proses kecelakaan di jalan segmen
bebas hambatan. Bentuk fungsional yang menggabungkan kerapatan dan rasio
V/C mempunyai pengaruh yang signifikan terhadap kecelakaan, baik segmen
jalan bebas hambatan antar kota (rural) maupun perkotaan. Model dengan
memisahkan jenis kecelakaan seperti kecelakaan tunggal dan multi-kendaraan
memberikan hasil yang lebih baik.
Aguero-Valverde dan Jovanis (2006) memodelkan prediksi frekuensi kecelakan
serius dan fatal di Pennsylvania untuk 1996-2000 menggunakan motede Full
Bayes (FB) hirarkis (dengan efek spasial dan temporal dan interaksi ruang-waktu)
dibandingkan dengan binomial negatif (NB) untuk mengestimasi
kecelakaan

tingkat

dipertimabangkan

kabupaten
adalah

per

tahun.

sosio-demografi,
11

Variabel
kondisi

frekuensi

independen
cuaca,

yang

infrastruktur

transportasi dan jumlah perjalanan. Kabupaten dengan persentase penduduk yang


lebih tinggi di bawah garis kemiskinan, persentase populasi dalam kelompok usia
0-14, 15-24, dan lebih dari 64 tahun yang tinggi dan peningkatan jarak tempuh
jalan dan kepadatan jalan berpengaruh

secara signifikan

terhadap frekuansi

kecelakaan. Frekuensi curah hujan signifikan dan positif dalam model NB , tetapi
tidak signifikan dengan FB . Korelasi spasial , tren waktu , dan interaksi ruangwaktu yang signifikan dalam model FB kecelakaan. Model FB tingkat kabupaten
mengungkap keberadaan korelasi spasial dalam data kecelakaan dan menyediakan
mekanisme untuk mengukur, dan mengurangi efek dari korelasi ini.
Rengarasu, dkk (2009) meneliti efek dari geometri jalan dan penempang
melintang jalan pada frekuensi

kecelakaan. Metode yang digunakan

menggabungkan variabel independen menggunakan pohon keputusan. Variabel


kombinasi untuk geometri jalan dan penampang dikembangkan dengan
menggunakan algoritma Chi-kuadrat Interaksi Deteksi Otomatis (CHAID). Tiga
model BN dikembangkan: dua dengan ruas jalan homogen, dan yang lainnya
dengan

ruas

jalan

1-km.

Model

Binomial

Negatif

menggunakan

ruas jalan homogen berdasarkan alinyemen horisontal menunjukkan pengaruh


yang signifikan terhadap frekuensi kecelakaan.
Ackaaha dan Salifu (2011) mengembangkan model prediksi untuk kecelakaan lalu
lintas jalan rural

di Ashanti Region of Ghana. Model menggunakan data

kecelakaan yang terjadi pada tiga tahun 2005-2007. Data dikumpulkan dari 76
segmen jalan dan setiap segmen bervariasi antara 0,8 km dan 6,7 km . Variabel
independen terdiri, data kecepatan, arus lalu lintas, data geometri jalan (seperti:
alinyemen vertikal dan horisontal, lebar jalan, panjang segmen,gradien dan lebar
bahu) dan karekteristik jalan (seperi kerapatan simpang, perkerasan jalan dan
bahu, marka jalan, dan tata guna lahan). Model Negative Binomial

(NB)

digunakan untuk memperkirakan parameter model. Hasil menunjukkan bahwa


arus lalu lintas, panjang segmen, kerapatan simpang, gradien dan tataguna lahan
dalam jalan signifikan secara statistik terhadap frekuensi kecelakaan.

12

Zhong, dkk (2011) meneliti frekuensi kecelakaan pada ruas jalan antar kota
(rural) Wyowming dengan variabel independen volume, kecepatan, dan kondisi
perkerasan jalan. Motode BN digunakan dalam pemodelan frkuensi kecelakaan.
Model BN memiliki goodnes of fit yang baik secara statistik dan dapat mengatasi
overdispersi dari data kecelakaan. Hasil analaisis menunjukan bahwa volume,
kecepatan, dan kondisi perkerasan jalan berpengaruh secara signifikan tehadap
model.
Polus dan Cohen (2012) membandingkan model prediksi kecelakaan dari model
non-canonical Poisson dengan Binomial Negatif. Model, menggunakan data
kecelakaan serius dan fatal dari 86 segmen jalan antarkota (rural) bervolume
rendah. Model binomial negatif dapat diterima secara statistik daripada model non
canonical Poisson. Model non canonical Poisson, baik jika menggunakan hanya
satu parameter, sedangkan jika menggunakan banyak parameter sebaiknya
menggunakan

model binomial negatif. Hasil analisis menyimpulkan bahwa

frekuensi kecelakaan berbanding lurus secara exponesial terhadap volume lalu


lintas.
Ulasan singkat dari beberapa literatur yang ada menunjukkan bahwa faktor lalu
lintas dan jalan seperti AADT, desain cross-section, alinyemen horisontal dan
vertikal, fitur pinggir jalan, kontrol akses, kondisi trotoar, lebar jalur , dan lebar
bahu, dan gradien mempengaruhi tingkat kecelakaan. Sebagian besar dari hasil
ini telah didasarkan pada beberapa model regresi linear, Emperical Bayes,
Poisson, ZIP. ZINB dan NB.
II.3

Pemilihan Model

Berdasarkan sifatnya yang jarang dan random, kecelakaan termasuk dalam


percobaan Bernoulli, Lord dkk (2005). Setiap kendaraan yang memasuki suatu
lokasi tertentu baik simpang maupun ruas akan

memiliki suatu kejadian

"kecelakaan" atau "tidak". Sehingga jika kecelakaan merupakan kejadian sukses


dan tidak terjadi kecelakaan merupakan kejadian gagal. Maka peluang sukses
(kecelakaan) adalah p dan peluang gagal (tidak terjadi kecelakaan) adalah 1-p.
13

Secara umum, jika ada N percobaan independen (kendaraaan mamasuki simpang


atau ruas jalan) yang merupakan percobaan Bernoulli. Jika variabel random Z
adalah jumlah sukses dari N percobaan maka peluang suskses adalah

N n N n
ZP p 1 p
n

... (1)

dimana n adalah 1, 2, 3, ... , N. Persamaan (1) merupakan distribusi binomial


dengan rerata dan variansnya adalah E Z Np dan Var Z Np 1 p .
Kecelakaan kendaraan memiliki peluang yang sangat rendah terhadap sejumlah
percobaan yang ada

(misalnya juta kendaraan, kendaraan-mil-perjalanan,dll).

dapat ditunjukkan bahwa distribusi binomial mendekati

distribusi Poisson.

Misalkan merupakan rerata, maka p N . Sehingga persamaan (1) menjadi:

n Np

N
ZP 1
n N N
dengan N , maka persamaan (2) menjadi:

14

...(2)

n pN n

N
PZ lim 1 e
N n N N n!

...(3)

dengan merupakan rerata distribusi Poisson.


Kecelakaan merupakan kombinasi dari berbagai aspek seperti pengalaman
pengemudi, kosentrasi dalam mengemudi, karekteristik kendaraaan, dan keadaan
geometri jalan dan lingkungan sekitarnya. Peluang terjadinya kecelakaan menjadi
bervariasi tergantung aspek -aspek tersebut. Sehingga sulit untuk membuat p dan

konstan, hal ini mengakibatkan variance-to-mean pada model.

Lord dkk

(2005) mengusulkan bahwa persamaan (3) didekati oleh distribusi NB yang


merupakan bagian dari distribusi Gamma.
II.4

Negative Binomial

Jika Yi adalah variabel acak bebas yang terdistribusi binomial negatif dengan i
adalah angka ekspektasi kecelakaan, maka fungsi probabilitasnya ditunjukkan
pada persamaan (4).
1

1
yi
y i

i
1


; i 1,..., n
f (Yi yi )
... (4)
1 1 i 1 i
y i 1

(Miaou, 1993)
dimana:
f (Yi yi ) = fungsi probabilitas terjadinya y kecelakaan pada lokasi-i,
i
= angka ekspektasi kecelakaan,
yi
= jumlah kecelakaan yang terjadi pada lokasi-i,

= parameter overdispersi.

dengan angka ekspektasi kecelakaan dan simpangan bakunya sesuai yang


diberikan pada persamaan (5) dan persamaan (6).

15


E Yi i exp X i' exp

.(5)

x
ij

..

Var Yi i i2

...(6)

dimana:
E(Yi)
Var(Yi)
Xi

= angka ekspektasi kecelakaan,


= simpangan baku dari angka kecelakaan,
= variabel bebas dari model,
= koefisien yang diestimasi,

xij

= nilai parameter j untuk lokasi i .

Kesesuaian model dengan model NB ditunjukkan oleh parameter dispersinya ().


Apabila

memiliki nilai

yang jauh lebih besar dari 0 (nol) maka model

terdistribusi negatif binomial, begitu pula sebaliknya, Miaou (1993).


Persamaan dasar model kecelakaan ditunjukkan pada persamaan (7).
k ( LHRT ) exp 1 X 1 2 X 2 ... n X n
a

dimana:

LHRT

...(7)

= angka ekspektasi kecelakaan (kecelakaan/tahun)


= konstanta,
= koefisien yang diestimasi,
= lintas harian rata-rata tahunan (kendaraan),

Ismail dkk (2007) menyatakan bahwa goodness of fit model regresi binomial
negatif dapat dilakuakan dengan empat cara yaitu, Pearson Chi-Square statistic,
deviance, Likelihood ratio, dan AIC dan BIC. Berikut penjelasan singkatnya:
1. Pearson Chi-Square statistic
Persamaan Pearson Chi-Square statistic adalah

yi i
i 1 i 1 i
n

2 Pearson

...(8)

2
2
Tolak model jika Pearson 1 ;n p , dengan derajat signifikansi ( ) dan

derajat kebebasan (n-p).

16

2. Deviance
Persamaan deviance adalah
D 2 ( y; y ) ( ; y )

...(9)

dimana ( y; y ) dan ( ; y ) adalah model log likehood untuk dan y. Tolak


2
model jika D 1 ;n p .

3. Likelihood ratio
Persamaan likelihood ratio adalah
T = 2(1 - o )

dimana 1 dan 0 adalah model log likehood dari model. Tolak model jika
T 12 2 ;1 .

4. AIC dan BIC


Akaike Information Criteria (AIC) dan Bayesian Schwartz Information Criteria
(BIC) merupakan kriteria pembanding untuk kinerja model negatif binomial.
Persamaan AIC adalah
AIC 2 2 p

dimana

adalah log likehood untuk dan p adalah jumlah parameter dalam

model. Semakin kecil nilai AIC model negatif binomial semakin baik.
Sedangkan persamaan BIC adalah
BIC 2 p log(n)

dimana

adalah log likehood untuk dan p adalah jumlah parameter dalam

model. Semakin kecil nilai BIC model negatif binomial semakin baik.

17

II.5

Pemilihan model terbaik

Draper (1998) menyatakan bahwa terdapat beberapa prosedur yang akan


digunakan dalam pemilihan persamaan regresi terbaik adalah:
1.

semua kemungkinan regresi yang dapat dibuat(all possible regression)


dengan menggunakan tiga kriteria yaitu:R2, S2, dan Cp Mallows

2.

regresi

himpunan

bagian

terbaik(best

subset

regression)

dengan

menggunakan standar R2, R2 (adjusted), Cp Mallows;


3.

eliminasi langkah maju (stepwise regression);

4.

eliminasi langkah mundur (backward regression)

5.

ridge regression

6.

regresi komponen utama (principal components regression);

7.

Regresi akar (latent root regression); dan

8.

regresi bertahap (stagewise regression)

Penelitian ini hanya akan menggunakan eliminasi langkah mundur (backward


regression) dalam menentukan model terbaik. Eliminasi langkah mundur mulai
dengan semua variabel bebas Xi digunakan dalam model, dan secara bertahap
variabel dikurangi atau dikeluarkan dalam model sampai
dicapai

untuk

menggunakan

persamaan

yang diperoleh

suatu

keputusan

dengan

jumlah

variabel tertentu. Metode eliminasi langkah mundur mencoba memeriksa


hanya model terbaik yang mengandung sejumlah variabel bebas Xi tertentu.
Langkah-langkah dalamprosedur ini adalah sebagai berikut:
1.

Semua variabel bebas Xi dimasukan terhadap model.

2.

Hitung P-value untuk setiap variabel bebas Xi.

18

3.

Bandingkan nilai P-value dengan nilai bertaraf nyata tertentu,

Jika P-value > , maka hilangkan atau buang variabel Xi, yang menghasilkan
nilai P-value tersebut dari model dan

kemudian

hitung

model

tanpa

menyertakan variabel Xi tersebut; seperti ke langkah (2) diatas. Jika terdapat dua
atau lebih variabel bebas Xi yang mempunyai nilai P-value > , pilih variabel
bebas Xi yang memiliki error terbesar. Jika P-value , untuk setiap variabel
bebas Xi maka pilih model itu.
.

19

BAB III
METODE PENELITIAN

III.1.

Program Penelitian

Gambar V. 1 Metode penelitian

20

III.1.1.

Tahapan perumusan masalah

Penelitian diawali dengan perumusan masalah yang dilakukan dengan


mengidentifikasi masalah yang berkaitan dengan pertanyaan apakah variabel
geometrik jalan dan kondisi lingkungan mempunyai pengaruh yang signifikan
terhadap kecelakaan lalu lintas pada jalan arteri Nasional. Sehingga perlu adanya
pengembangan model hubungan keterkaitan untuk menguji pengaruh variabel
jalan dan lingkungan terhadap kecelakaan lalu lintas dalam penelitian ini.
III.1.2.

Tahapan tinjauan pustaka

Tinjauan pustaka dilakukan terhadap literatur-literatur yang ada baik yang ada di
dalam maupun luar negeri. Tinjauan pustaka ini digunakan untuk memahami
landasan teoritis mengenai permasalahan yang akan dikaji dalam penelitian ini.
Tinjauan pustaka yang dikaji adalah kecelakaan, model prediksi kecelakaan dan
metode statistik yang digunakan dalam analisis. Metode statistik yang digunakan
dalam memodelkan data kecelakaan pada malam hari adalah model regresi
binomial negatif.
III.1.3.

Tahapan pengumpulan data

Pengumpulan data dalam penelitian ini meliputi data kecelakaan lalu lintas yang
diperoleh dari Korlantas Polri, data lintas harian rata-rata (LHR) dan data
geometri jalan yang diperoleh dari Pusat Penelitian dan Pengembangan Jalan dan
Jembatan, Kementrian Pekerjaan Umum. Data kecelakaan lalu lintas yang
digunakan dalam penelitian ini adalah data kecelakaan yang terjadi pada tahun
2011-2013.
Data geometri jalan diperoleh menggunakan Hawkeye. Cara kerja Hawkeye ini
adalah dengan metode video Logging, merekam kondisi lokasi dengan
menggunakan kendaraan survey yang dilengkapi dengan hardware (kamera, GPS,
computer) dan software (program hawkeye) yang akan digunakan untuk
menganalisis data yang diperoleh dari hardware. Adanya Hawkeye kita dapat
memperoleh dan mengumpulkan banyak data dalam waktu yang lebih cepat.

21

Selain itu tingkat keakuratan data lebih tinggi (karena kondisi lokasi dapat dilihat
berulang-ulang sehingga perbedaan asumsi dapat dihindari) dan biaya yang
dikeluarkan untuk survey lebih kecil. Data geometri dan kondisi jalan seperti
lengkung horisontal (rad/km), lengkung vertikal (rad/km), gradien, lebar jalur dan
bahu, superelevasi, kondisi perkerasan jalan, dan kondisi lingkungan sekitar.
Survey Hawkeye sendiri sudah dilakukan pada bulan September 2013.
III.1.4.

Tahapan segmentasi ruas jalan

Berdasarkan HSM (2010) proses segmentasi menghasilkan satu segmen jalan


dengan panjang yang berbeda, masing-masing yang segmen homogen sehubungan
dengan karakteristik seperti volume lalu lintas, karakteristik desain jalan, dan fitur
kontrol lalu lintas.

Gambar VI. 2 Panjang segmen diantara dua simpang


Gambar III-2 menunjukkan panjang segmen, L, untuk segmen jalan homogen
tunggal terjadi antara dua persimpangan. Segmen homogen dimulai pusat setiap
persimpangan atau di salah satu berikut ini:

Awal atau akhir kurva horizontal (spiral transisi dianggap sebagai bagian dari
kurva);
Titik perpotongan vertikal (PVI) untuk kurva puncak vertikal, kurva vertikal
menurun, atau titik sudut temu di mana dua nilai yang berbeda jalan. Spiral
transisi dianggap sebagai bagian dari dua kurva horisontal dan kurva vertikal
berdampingan;
Awal atau akhir marka;

22

Lebar lajur;

Lintas harian rata-rata;

Lebar bahu;

Tipe bahu, dan

Gradien.

III.1.5.

Tahapan analisis Data

Analisis data dalam penelitian ini menggunakan metode statistika inferensia yang
menghubungkan variabel terikat dengan variabel bebasnya merupakan skala
nominal dan ordinal. Metoda statistika yang digunakan dalam penelitian ini adalah
model Negative Binomial (NB) dan software yang digunakan dalam analisis data
adalah Limdep (NLOGIT4).
Adapun tahapan analisa sebagaimana dijelaskan dalam gambar berikut ini:

23

Gambar VII. 3 Tahapan analisa data


III.2.

Variabel penelitian

Variabel yang digunakan dalam penelitian ini terdiri dari dua yaitu variabel bebas
(independent variable) dan variabel terikat (dependent variable). Variabel bebas
merupakan variabel stimulus atau variabel yang mempengaruhi yang lain.
Variabel bebas merupakan faktor yang dapat diukur, atau dipilih oleh peneliti
untuk menentukan hubungannya dengan suatu gejala yang diobservasi. Variabel
terikat adalah variabel yang memberikan reaksi atau respon jika dihubungkan
dengan variabel bebas. Variabel terikat adalah variabel yang faktornya dapat
diamati dan diukur untuk menentukan pengaruh yang disebabkan variabel bebas.
Hasil yang diharapkan dari penelitian ini adalah model statistik berupa persamaan
matematis yang menyatakan hubungan antara jumlah kecelakaan dengan faktor
geometri jalan.
III.21. Variabel terikat (dependent)
Variabel terikat (dependent) dalam penelitian ini adalah frekuensi kecelakaan
kecelakaan yang terjadi pada segmen jalan nasional.
III.22. Variabel bebas (independent)
Pemilihan variabel bebas pada penelitian adalah data lintas harian rata-rata
tahunan (LHR), data geometri jalan, data kondisi jalan, data perlengkapan jalan
dan lingkungan jalan. Berikut penjelasan variabel bebas:
1. Jumlah lajur
Jumlah lajur dihitung berdasarkan arah perjalanan, berikut kategori jumlah
lajur dalam penelitian ini:
(0) = satu lajur,
(1) = dua lajur,

24

(2) = tiga lajur, dan


(3) = lainnya
2. Lebar lajur
Besar nilai variabel ini dihitung berdasarkan beberapa kondisi berikut :
a. Jika ada marka tepi jalan kiri, kanan, dan tengah; maka lebar lajur sama
dengan jarak antara marka tepi kiri atau kanan dengan marka tengah.
b. Jika tidak ada marka tepi jalan, maka lebar lajur sama dengan jarak antara
tepi perkerasan dengan marka tengah.
c. Jika tidak marka tepi dan marka tengah, maka lebar lajur sama dengan
jarak antar tepi perkerasan dibagi dengan jumlah lajur
Berdasarkan hasil perhitungan lebar jalur, lebar jalur dikelompokan kedalam
kondisi berikut:
(0) = 0 - 2.75 meter,
(1) = 2.75- 3.25 meter, dan
(2) = > 3.25.
3. Alinyemen horisontal
Alinyemen horisontal yang dimaksud adalah tikungan dimana keberadaan
tikungan dapat menimbulkan potensi sebagai penyebab terjadinya kecelakaan.
Sebagai contoh jalan menikung terlalu tajam sehingga membutuhkan
kewaspadaan lebih si pengemudi. Variabel alinyemen horisontal dengan
menghitung derajat kelengkungannya (rad/km).
4. Kualitas alinyemen horisontal

25

Jalan menikung diasumsikan tidak berbahaya seandainya didahului dengan


rambu peringatan yang terletak sebelum jalan menikung dengan penilaian
sebagai berikut :
(0) = Jika jalan lurus (tidak menikung) atau jika jalan menikung tetapi
dilengkapi dengan rambu peringatan yang terletak sebelum jalan
menikung; dan
(1) = Jika jalan menikung dan tidak didahului oleh rambu peringatan
sebelumnya atau kondisi menikung lainnya yang dinilai berbahaya
oleh penulis.
5. Akses
Keberadaan akses dianggap memberi potensi hazard karena mengganggu lalu
lintas sekitar. Variabel ini dihitung jumlahnya sepanjang segmen jalan.
6. Marka Tepi Kanan Jalan
Variabel yang menjadi penilaian adalah sebagai berikut :
(0) = jika marka tepi kiri jalan terlihat samar-samar / tidak ada.
(1) = jika marka tepi kiri jalan ada / terlihat jelas.
7. Marka Tepi Kiri Jalan
Variabel penilaian adalah sebagai berikut :
(0) = jika marka tepi kanan jalan terlihat samar-samar / tidak ada.
(1) = jika marka tepi kanan jalan ada / terlihat jelas.
8. Marka Pemisah Lajur
Variabel yang menjadi penilaian adalah sebagai berikut :

26

(0) = jika marka pemisah lajur terlihat samar-samar / tidak ada.


(1) = jika marka pemisah lajur ada / terlihat jelas.
9. Gradien jalan
Variabel ini dihitung berdasarkan persentsi kemiringan jalan.
10. Jenis bahu
Variabel yang menjadi penilaian adalah sebagai berikut :
(0) = bahu tanpa diperkeras.
(1) = bahu diperkeras.
11. Lebar bahu jalan
(0) = tidak ada bahu,
(2) = 0-1 meter,
(3) = 1-2.4 meter, dan
(4) = > 2.4 meter.

27

DAFTAR PUSTAKA

Abas, Khaled A (2004): Traffic safety assessment and development of predictive


models for accidents on rural roads in Egypt, Accident Analysis and
Prevention,36, 149163.
Ackaaha, Williams dan Salifu, Mohammed (2011): Salifu Crash prediction model
for two-lane rural highways in the Ashanti region of Ghana, IATSS
Research, 35, 3440.
Aguero-Valverde, Jonathan dan Jovanis, Paul P. (2006): Spatial analysis of fatal
and injury crashes in Pennsylvania, Accident Analysis and Prevention, 38,
618625.
Berhanu, Girma. (2004): Models relating traffic safety with road environment and
traffic flows on arterial roads in Addis Ababa, Accident Analysis and
Prevention, 36, 697704.
Draper, Norman R., dan Smith, Harry. (1998). Applied Regression Analysis, Third
Editon, Jhon Wiley and Son, Canada.
Hauer, Ezra. (1992): Empirical Bayes Approach To The Estimation Of
Unsafety: The Multivariate Regression Method, Accident Analysis and
Prevention, 2.4, 451-473.
HSM. (2010). Highway Safety Manual, National Cooperative Highway Research
Program Transportation Research Board, Washington, D.C.
Ismail, Noriszura, and Abdul Aziz Jemain (2007): Handling Overdispersion with
Negative binomial and Generalized Poisson Regression Models, Casualty
Actuarial Society Forum, 103-115.

28

Elvik, Rune, Hye, Alen,Vaa, Truls; Srensen, Michael (2009) The Handbook of
Road Safety Measures, Second Edition, Emerald Group Publishing
Limited, UK.
Karlafti, Matthew G. dan Golias, Ioannis (2002): Effects of road geometry and
traffic volumes on rural roadway accident rates, Accident Analysis and
Prevention, 34, 357 365.
Lord, Dominique, Washington, Simon P., dan Ivan, John N. (2005): Poisson,
Poisson-gamma and zero-inflated regression models of motor vehicle
crashes: balancing statistical fit and theory, Accident Analysis and
Prevention 37, 3546.
Lord, Dominique., Manar, Abdelaziz., dan Vizioli, Anna (2005): Modeling crashflow-density and crash-flow-V/C ratio relationships for rural and urban
freeway segments, Accident Analysis and Prevention, 37, 185199.
Miao, Ronald F., Green, Paule., Becker, Mark P. dan Compton, Charles (1992):
Rural Motor Vehicle Crash Mortality: The Role Of Crash Severity
And Medical Resources, Accident Analysis and Prevention , 24, 631642.1992
Miaou, SP.dan Lum (1993): Modeling

Vehicle

Accidents

And

Highway

Geometric Design Relationships, Accident Analysis and Prevention, 25,


689-709.
Polus, Abishai dan Cohen, Moshe (2012):

A new, non-canonical Poisson

regression model for the prediction of crashes on low-volume rural roads,


IATSS Research, 35, 98103.
Qin Xiao, Ivan, John N., dan Ravishanker, Nalini (2004): Selecting exposure
measures in crash rate prediction for two-lane highway segments,
Accident Analysis and Prevention, 36, 183191.
Rengarasu, Terrance M.,

Hagiwara, Toru, dan Hirasawa, Masayuki (2009):

Modeling Simple and Combination Effects of Road Geometry and Cross

29

Section Variables on Traffic Accidents, Journal of the Eastern Asia Society


for Transportation Studies, 8.
Shankar, V., Mannering,
Accident

Severity

F., dan Barfield (1995):


On

Rural

Statistical

Analysis

Of

Freeways, Accident Analysis and

Prevention, 28, 391-401.


Shankar, V.,

Milton, J.,

Frequencies

dan

Mannering, F. (1997): Modeling

As Zero-Altered

Probability

Processes: An

Accident
Empirical

Inquiry, Accident Analysis and Prevention, 29, 829-837.


Vogt, Andrew dan Bared, Joe G (1998): Accident Models for Two-lane Rural
Roads: Segments and Intersections, FHWA No. FHWA-RD-98-133.
Zegeer, C. V., Hummer J., Reinfurt, D., Herf. L., dan Hunter, W (1990): Safety
Effect of Cross-Section Design for Two Lane Way, FHWA No. FHWA-RD87-007.
Zhong, Cheng, Sisiopiku, Virginia P., Ksaibati, Khaled, dan Zhong, Tao (2011):
Crash Prediction On Rural Roads, Submitted to the 3rd International
Conference on Road Safety and Simulation, September 14-16, 2011,
Indianapolis, USA.
Korlantas Polri, Laporan Kecelakaan Lalu Lintas 2010-2013.
WHO, 2013, Global Status Report on Road Safety, World Health Organization.

30