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
I.5
Lokasi penelitian......................................................................................4
II.2
Model Kecelakaan.....................................................................................8
II.3
Pemilihan Model.....................................................................................13
II.4
Negative Binomial...................................................................................15
II.5
Program Penelitian..................................................................................20
III.2.
Variabel penelitian...................................................................................24
ii
DAFTAR GAMBAR
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.
mengemukakan bahwa
faktor manusia
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,
I.2
Rumusan masalah
Tujuan penelitian
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.
BAB II
TINJAUAN PUSTAKA
II.1
menyebabkan
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
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).
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
Miao dkk
karena sulitnya
menemukan populasi yang memiliki estimasi rereta dan varians yang cocok pada
model.
Miaou dan Lum (1993) menggunakan menyelidiki model regresi linier
dan
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
(ZINB)
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
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
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
ruas
jalan
1-km.
Model
Binomial
Negatif
menggunakan
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)
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
Pemilihan Model
N n N n
ZP p 1 p
n
... (1)
distribusi Poisson.
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)
Lord dkk
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.
15
E Yi i exp X i' exp
.(5)
x
ij
..
Var Yi i i2
...(6)
dimana:
E(Yi)
Var(Yi)
Xi
xij
memiliki nilai
dimana:
LHRT
...(7)
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
16
2. Deviance
Persamaan deviance adalah
D 2 ( y; y ) ( ; y )
...(9)
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 .
dimana
model. Semakin kecil nilai AIC model negatif binomial semakin baik.
Sedangkan persamaan BIC adalah
BIC 2 p log(n)
dimana
model. Semakin kecil nilai BIC model negatif binomial semakin baik.
17
II.5
2.
regresi
himpunan
bagian
terbaik(best
subset
regression)
dengan
4.
5.
ridge regression
6.
7.
8.
untuk
menggunakan
persamaan
yang diperoleh
suatu
keputusan
dengan
jumlah
2.
18
3.
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
20
III.1.1.
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.
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.
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;
Lebar bahu;
Gradien.
III.1.5.
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
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
25
26
27
DAFTAR PUSTAKA
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
29
Severity
Rural
Statistical
Analysis
Of
Milton, J.,
Frequencies
dan
As Zero-Altered
Probability
Processes: An
Accident
Empirical
30