1. PENDAHULUAN
Kecelakaan lalu lintas adalah kejadian dimana sebuah kendaraan bermotor bertabrakan
dengan benda lain sehingga menyebabkan kerusakan. Kecelakaan ini mungkin dapat
mengakibatkan luka-luka atau kematian manusia atau binatang. Kecelakaan lalu lintas di Indonesia
masih cukup tinggi. Saat ini di Indonesia, kecelakaan lalu lintas adalah penyebab kematian ketiga
terbesar setelah HIV/AIDS dan TBC. (Departeman Perhubungan RI, 2010). Kota Surabaya sebagai
salah satu kota besar di Indonesia, memiliki tingkat kecelakaan lalu lintas yang cukup tinggi. Kota
Surabaya terbagi menjadi dua kawasan hukum, yaitu kawasan hukum jajaran Polrestabes Surabaya
dan Polres Pelabuhan Tanjung Perak. Selama tahun 2010 di kawasan hukum jajaran Polrestabes
Surabaya terjadi kecelakaan lalu lintas sebanyak 411 kasus yang menyebabkan jatuhnya korban
sebanyak 507 orang.
M-1
Karena tingginya tingkat kecelakaan lalu lintas, maka perlu dilakukan penelitian tentang
pola tingkat keparahan korban kecelakaan lalu lintas di Surabaya. Penelitian tentang kecelakaan
lalu lintas untuk mengetahui faktor-faktor yang mempengaruhi tingkat keparahan korban
kecelakaan lalu lintas Kota Surabaya pernah dilakukan oleh Afidah (2011) metode yang digunakan
dalam penelitian tersebut yaitu metode regresi logistik. Namun dalam penelitian tersebut
menghasilkan ketepatan klasifikasi yang kecil, sehingga perlu untuk memodelkan dengan metode
lain yang diharapkan dapat menghasilkan ketepatan klasifikasi yang lebih besar.
Regresi logistik adalah salah satu metode statistik untuk menganalisis hubungan variabel
respon yang memiliki skala nominal atau ordinal dengan variabel prediktor. Regresi logistik tidak
memerlukan asumsi normalitas, meskipun screening data outliers tetap dapat dilakukan. Regresi
logistik yang memiliki variabel respon dengan tiga atau lebih kategori yang memiliki tingkatan
dinamakan regresi logistik ordinal. CART adalah suatu metode nonparametrik dimana setelah
didapatkan model klasifikasinya, maka struktur data dapat dilihat secara visual, sehingga
memudahkan dalam eksplorasi dan pengambilan keputusan, selain itu CART dapat mengekplorasi
struktur data yang komplek dengan banyak variabel.
Penelitian tentang regresi logistik telah banyak dilakukan antara lain Analisis regresi
ordinal oleh Salam (2010) membahas tentang pengujian kesamaan vektor parameter pada beberapa
model regresi logistik ordinal (faktor-faktor yang mempengaruhi indeks pembangunan manusia di
Provinsi Jawa Timur, Nusa Tenggara Timur, dan Papua) dengan kesimpulan ketiga provinsi
mempunyai perbedaan antara satu dan yang lainnya dalam hal pengaruh indikator pendidikan
terhadap IPM. Sementara itu CART lebih banyak digunakan karena kemudahan interpretasi dan
kemampuan penanganan data missing. Aplikasi yang menggunakan CART adalah oleh Prasetyo
(2009) membahas tentang klasifikasi deteksi intrusi menggunakan pendekatan CART dan MARS.
Penelitian tersebut menunjukkan bahwa tingkat akurasi CART dalam mengidentifikasi ketepatan
klasifikasi lebih tinggi dibandingkan dengan MARS.
Kuhnert,P.M., Do,Kim-Anh dan McClure,Rod, (2000) meneliti tentang penggabungan
antara regresi logistik, CART dan MARS dapat menghasilkan model yang lebih informatif dan
prediktif. Dalam penelitian tersebut juga dijelaskan penggunaan gabungan CART, MARS dengan
regresi logistik tidak hanya untuk pemodelan tetapi sebagai alat eksplorasi untuk analisa yang lebih
rinci dengan menggunakan metode konvensional seperti regresi logistik. Dalam penelitian ini akan
diaplikasikan dua pendekatan yang berbeda yaitu CART dan regresi logistik untuk mengetahui
tingkat keparahan korban kecelakaan lalu lintas yang dibagi menjadi tiga kategori yaitu meninggal
dunia, luka berat dan luka ringan.. Hasil klasifikasi yang diperoleh dari dua pendekatan tersebut
akan dibandingkan untuk mendapatkan model terbaik.
2. Regresi Logistik Ordinal
Model yang dapat digunakan untuk regresi logistik ordinal adalah model logit kumulatif
(cumulative logit models). Misalkan variabel respon Y berskala ordinal memiliki G buah kategori
x x
x
dan i menyatakan vektor variabel prediktor pada pengamatan ke-i, i i1
dengan i 1, 2,..., n , maka model logit kumulatif dinyatakan :
T
logit P Yi g xi g xi , g 1, 2,..., G 1
dengan
P Yi g x i
M-2
(1)
xi , g adalah parameter
xi 2 ... xip
P Yi g x i
logit P Yi g xi ln
1 P Yi g x i
g 1, 2,..., G 1
(2)
berdasarkan persamaan (1) dan (2) maka model regresi logistik ordinal dapat dinyatakan
P Yi g xi
T
logit P Yi g xi ln
g xi
1 P Yi g x i
, g 1, 2,..., G 1
(3)
Penaksiran parameter model regresi logistik ordinal dilakukan dengan menggunakan
metode Maximum Likelihood Estimation (MLE), kemudian diselesaikan dengan metode iterasi
numerik yaitu Newton-Raphson. Pengujian parameter model regresi logistik ordinal dapat
dilakukan secara serentak maupun parsial. Hipotesis dalam uji serentak adalah :
H 0 : 1 2 ... p 0
G 2 2 ln L ln L
dengan L() merupakan nilai maksimum likelihood di bawah populasi dan L( ) merupakan
nilai maksimum likelihood di bawah
lebih besar dari
(2 , p )
atau p-value kurang dari . Sedangkan hipotesis dalam uji parsial adalah :
H 0 : k 0
H1 : k 0 , k =1,2,,p
Wk
Statistik uji yang digunakan:
Kriteria penolakan
dari .
k
SE ( k )
H 0 yaitu tolak H 0 apabila nilai Wk lebih besar dari Z 2 atau p-value kurang
Simpul
utamanode
(root
Child
node)
Simpul terminal
M-3
(TS), dan lain-lain, jenis kelamin (X2) yang terdiri dari dua kategori, yaitu laki-laki dan perempuan,
Usia (X3) yang terdiri dari tiga kategori, yaitu anak-anak dan remaja (0-21 tahun), dewasa (22-55
tahun) dan lanjut usia (lebih dari 55 tahun), peran korban dalam kecelakaan (X4) yang terdiri dari
tiga kategori, yaitu pengendara, penumpang kendaraan selain pengendara dan penggunna jalan non
penumpang kendaraan (penyeberang jalan, pejalan kaki, dll), jenis kendaraan (X5) yang terdiri dari
tiga kategori, yaitu sepeda motor (kendaraan bermotor roda dua atau tiga), kendaraan roda empat
atau lebih dan lain-lain (sepeda angin, becak atau kendaraan bukan bermotor lainnya), Waktu
kecelakaan (X6) yang terdiri dari dua kategori, yaitu padat kendaraan (pukul 06.00 WIB-08.00
WIB, 12.00 WIB-13.30 WIB, 16.00 WIB-18.00 WIB) dan sepi (selain waktu padat), tanggal
perayaan khusus (X7) yang terdiri dari dua kategori, yaitu libur hari raya idul fitri, natal, dan tahun
baru dan lainnya.
Untuk mengetahui faktor-faktor yang berpengaruh terhadap tingkat keparahan korban
kecelakaan lalu lintas dilakukan analisis dengan langkah-langkah sebagai berikut :
1.
Memodelkan dengan menggunakan regresi logistik ordinal
2.
Memodelkan dengan menggunakan CART dengan langkah-langkah :
a. Penentuan pemilah dan pemilahan secara rekrusif pada simpul.
Penentuan pemilah dilakukan dengan menentukan satu gugus pertanyaan dikotomus,
dimana jawaban dari pertanyaan tersebut menentukan sekatan atau pemilah, bagi ruang
variabel prediktor. Selanjutnya pemilahan dievaluasi dengan menggunakan kriteria
goodness-of-split ( s ,t ) . Pemilah terbaik adalah pemilah yang memberikan penurunan
keheterogenan tertinggi.
b. Penentuan simpul terminal (terminal node).
Penentuan simpul terminal dilakukan jika suatu simpul t dicapai sehingga tidak terdapat
penurunan keheterogenan secara berarti.
c. Penandaan label kelas (class label).
Label kelas dari simpul terminal ditentukan berdasarkan aturan jumlah terbanyak, yaitu
jika
terminal t adalah
j0
N j (t)
N ( t)
r ( t ) =1max p( jt) .
j
H 0 : k =0
M-5
H1 :
k 0 , dengan k =1,2,... , 7
W=
^
SE( ^ )
H 0 : 1= 2== 4 =0
H 1 : paling sedikit ada satu
k 0 , k =1,2,3,4 .
^ ))
Statistik uji G =2 ( ln (
^ ) lnL (
2
2
Kesimpulan : H 0 ditolak jika G > x(db , ) atau p-value 10 .
Dapat dilihat bahwa nilai statistik G 2 yang dihasilkan adalah sebesar 257,901 dan apabila
dibandingkan dengan nilai x 20,1 ;9 maka nilai statistik G 2 lebih besar dari pada x 20,1 ;9
H 0 yang berarti minimal ada satu variabel prediktor yang
sehingga keputusan tolak
2
berpengaruh signifikan terhadap tingkat keparahan korban kecelakaan lalu lintas di Surabaya.
2
Tabel 6.1 Nilai statistik uji G model regresi logistik ordinal multivariabel
2
df
P-value
Statistik G
257,901
0,000
wald
p-value
10,001
46,868
0,002*
0,000*
17,735
9,373
13,233
0,000*
0,002*
0,000*
keputusan
Tolak
Tolak
Tolak
H0
H0
H0
Variabel-variabel prediktor yang digunakan dalam pengujian analisis regresi ordinal secara
parsial yaitu jenis kecelakaan (X 1 ) , usia ( X 3 ) , peran korban dalam kecelakaan ( X 4)
dan jenis kendaran ( X 5 ) . Dari pengujian serentak digunakan tingkat signifikansi sebesar
10%, variabel yang berpengaruh signifikan terhadap tingkat keparahan korban kecelakaan lalu
(X 1 )
W
lintas yaitu jenis kecelakaan
karena memiliki nilai
lebih besar dari
Z 0,05=1,64485 atau p-value yang kurang
10 .
Fungsi logit yang terbentuk digunakan untuk membentu fungsi model peluang yang
menggambarkan pola hubungan antar variabel respon dengan variabel prediktor. Fungsi logit
tersebut adalah:
0 ( x) ,
0 ( x )=1
1 ( x )=
( TD ) +1,161 x 1 ( TS )
2 ( x )=
( 1+e 2,965+1,365 x (TB )+0,971 x (TD ) +1,161 x (TS ) )( 1+e 1,304+1,365 x (TB ) +0,971 x ( TD )+1,161 x (TS ) )
1
Pada variabel jenis kecelakaan menunjukkan bahwa risiko korban kecelakaan kategori
tabrak belakang 3,916 kali lebih banyak daripada korban kecelakaan kategori lainnya. Risiko
korban kecelakaan kategori tabrak depan 2,641 kali lebih banyak daripada korban kecelakaan
kategori lainnya, dan risiko korban kecelakaan kategori tabrak samping 3,193 kali lebih banyak
daripada korban kecelakaan kategori lainnya.
Berdasarkan perhitungan peluang di atas, maka dapat diperoleh hasil prediksi sehingga
kebenaran model logit ini dapat dilihat berdasarkan hasil pengklasifikasian antara prediksi dan
observasi.
Tabel 6.3 Hasil Klasifikasi dengan Model Regresi Logistik Data Learning
observasi
Meninggal
Dunia
Luka Berat
Luka Ringan
prediksi
Luka
Ringan
Meninggal Dunia
Luka
Berat
68
78
36,9%
45
91
23
69
Total keseluruhan
14
16
36,7%
26,4%
42,79%
Ketepatan klasifikasi
Tabel 6.4 Hasil Klasifikasi dengan Model Regresi Logistik Data Testing
observasi
Meninggal
Dunia
Luka Berat
Luka Ringan
Meninggal Dunia
0
0
0
Total keseluruhan
prediksi
Luka
Luka
Berat
Ringan
Ketepatan klasifikasi
42
0%
38
18
0
0
100%
0%
38,77%
Terminal
Nodes
52
47
45
43
42
41
Test Set
Relative Cost
0.936 0.079
0.901 0.080
0.845 0.080
0.845 0.080
0.845 0.080
0.858 0.080
Resubstitution
Relative Cost
0.624
0.624
0.625
0.628
0.630
0.632
M-7
Complexity
-1.000
3.57E-005
0.000257
0.001
0.001
0.001
Terminal
Nodes
37
36
35
33
26
24
22
21
19
17
16
14
9
8
5
4
3
1
Test Set
Relative Cost
0.806 0.080
0.792 0.080
0.792 0.080
0.792 0.080
0.792 0.080
0.753 0.080
0.779 0.080
0.794 0.080
0.781 0.080
0.766 0.080
0.766 0.080
0.765 0.079
0.753 0.079
0.757 0.079
0.798 0.075
0.788 0.076
0.806 0.072
1.000 0.000
Resubstitution
Relative Cost
0.642
0.645
0.648
0.655
0.678
0.685
0.693
0.697
0.706
0.715
0.722
0.736
0.772
0.779
0.805
0.821
0.844
1.000
Complexity
0.002
0.002
0.002
0.002
0.002
0.002
0.002
0.003
0.003
0.003
0.004
0.005
0.005
0.005
0.006
0.011
0.015
0.052
* Maksimum ** Optimal
Pohon klasifikasi maksimal yang dihasilkan terdiri dari 52 simpul terminal. Pohon
maksimal yang terbentuk mengandung test set relative cost sebesar 0,936 0,079 dengan
resubstitution relative cost sebesar 0,624 dan kompleksitas paramete -1,000. Pohon klasifikasi
maksimal menggambarkan struktur data yang sangat kompleks, sehinga perlu dilakukan
pemangkasan pohon agar diperoleh nilai kompleksitas yang relatif kecil (Breiman, dkk 1993).
Pohon optimal merupakan pohon yang memiliki test set relative cost terkecil. Pohon
optimal yang terbentuk terdiri dari jumlah simpul terminal sebanyak 24 buah terlihat pada nomor
pohon 12.
Classification tree topology for: KEPARAHAN
%
36.9
36.7
26.4
Terminal
Node 2
Node
Class1= 0
Class = =
0 (1)
MOMEN
Class
%
ClassCases
cases %
00
35
60.3
35 60,3
11
24.1
1414 24,1
22
15.5
9 9 15,5
N=
58
N = 58
Terminal
Node 1
Class = 0
Class cases %
0
33 63,5
1
13 25,0
2
6
11,5
N = 52
Node 2
Class = 2
JENIS_TA = (1,2)
Class Cases %
0
116 33.0
1
136 38.7
2
99 28.2
N = 351
Terminal
Node 2
Class = 2
Class cases %
0
2 33,3
1
1 16,7
2
3 50,0
N=6
Node 3
Class = 1
USIA = (2)
Class Cases
0
84
1
105
2
58
N = 247
Terminal
%
34.0
42.5
23.5
Terminal
Terminal
NodeNode
4 4
Class Class
=2 =2
Class
Class casesCases
%
0
0
32
30.832
1
1
31
29.831
2
2
41
39.441
N = 104
N = 104
Terminal
%
30.8
29.8
39.4
Node Klasifikasi
2
Node
3
Gambar 6.2 Ilustrasi Proses Pemilahan pada Pohon
Optimal
dengan 24 Simpul Terminal
Class = 0
Class Cases %
0
18 54.5
1
11 33.3
2
4 12.1
N = 33
M-8
Class = 1
Class Cases
0
66
1
94
2
54
N = 214
%
30.8
43.9
25.2
Pada pohon optimal yang menjadi simpul utama adalah kelompok jenis tabrakan (simpul
1), dimana ada 409 korban kecelakaan yang dipilah menjadi 2 simpul anak yaitu simpul kiri
sebanyak 58 korban dan 351 korban menjadi simpul kanan. Kelompok jenis tabrakan lain-lain
(kecelakaan yang bukan termasuk dalam tabrakan belakang, tabrakan depan, dan tabrakan
samping) dikelompokkan pada simpul kiri (simpul 2). Simpul 2 dipilah lagi dengan variabel
pemilah adalah variabel momen. Simpul kiri (simpul terminal 1) sebanyak 52 korban dengan
karakteristik selain libur hari raya idul fitri, natal, dan tahun baru. Simpul kanan (simpul terminal
2) sebanyak 6 korban dengan karakteristik selain libur hari raya idul fitri, natal, dan tahun baru.
Setiap simpul terminal tidak dipilah lagi karena sudah bersifat homogen.
Adapun interpretasi hasil untuk masing-masing simpul terminal adalah sebagai berikut:
1. Simpul terminal 1, korban kecelakaan dengan
- jenis tabrakan lain-lain (kecelakaan yang bukan termasuk dalam tabrakan belakang,
tabrakan depan, dan tabrakan samping),
- momen lainnya (bukan libur hari raya idul fitri, natal, dan tahun baru),
mempunyai dugaan sebesar 52 korban kecelakaan. Dimana sebanyak 33 korban meninggal
dengan presentase 63,5 persen, 13 korban mengalami luka berat dan 6 korban mengalami luka
ringan, masing-masing dengan presentase sebesar 25,0 persen dan 11,5 persen.
2. Simpul terminal 2, korban kecelakaan dengan
- jenis tabrakan lain-lain (kecelakaan yang bukan termasuk dalam tabrakan belakang,
tabrakan depan, dan tabrakan samping),
- momen libur hari raya idul fitri, natal, dan tahun baru,
mempunyai dugaan sebesar 6 korban kecelakaan. Dimana sebanyak 2 korban meninggal
dengan presentase 33,3 persen, 1 korban mengalami luka berat dan 3 korban mengalami luka
ringan, masing-masing dengan presentase sebesar 16,7 persen dan 50,0 persen.
3. Simpul terminal 4, korban kecelakaan dengan
- jenis tabrakan tabrak depan dan tabrak samping,
- usia lebih dari 55 tahun (lanjut usia),
- peran korban dalam kecelakaan pengendara dan penumpang,
- pada jam sepi,
mempunyai dugaan sebesar 7 korban kecelakaan. Dimana sebanyak 1 korban meninggal
dengan presentase 14,3 persen, masing-masing 3 korban mengalami luka berat dan luka
ringan, dengan presentase sebesar 42,9 persen.
Pada pohon optimal yang terbentuk ternyata semua variabel prediktor masuk dalam model,
yaitu jenis kecelakaan ( X 1 ) , jenis kelamin ( X 2 ) , usia ( X 3 ) , peran korban dalam
kecelakaan ( X 4) , jenis kendaran (X 5 ) , waktu kecelakaan ( X 6 ) , dan tanggal perayaan
khusus (X 7 ) . Lebih jelasnya dapat dilihat pada Tabel 6.6.
Tabel 6.6 Variabel yang Masuk dalam Pohon Klasifikasi
Variable
JENIS_TA
USIA
PERAN_KO
JENIS_KE
MOMENT
JAM
JK
Score
100.00
79.47
53.02
51.19
49.48
40.34
32.10
||||||||||||||||||||||||||||||||||||||||||
|||||||||||||||||||||||||||||||||
||||||||||||||||||||||
|||||||||||||||||||||
||||||||||||||||||||
||||||||||||||||
|||||||||||||
Variabel prediktor yang menjadi pemilah pertama (utama) pada simpul induk adalah
variabel jenis tabrakan ( X 1 ) , hal ini disebabkan variabel X 1 merupakan variabel paling
dominan dalam pembentukan model klasifikasi dengan skor 100.
Berdasarkan perhitungan peluang di atas, maka dapat diperoleh hasil prediksi sehingga
kebenaran model logit ini dapat dilihat berdasarkan hasil pengklasifikasian antara prediksi dan
observasi.
M-9
Prediksi kelas
Meninggal Luka Berat Luka Ringan
Meninggal
59
47
45
Luka Berat
17
83
50
Luka Ringan
9
25
74
Ketepatan klasifikasi total (%)
52,80
Kelas aktual
Ketepatan
klasifikasi (%)
39,07
55,33
68,52
Pada Tabel 6.6 besarnya ketepatan klasifikasi total 52,8 persen, artinya pohon klasifikasi
yang terbentuk mampu memprediksi pengamatan dengan tepat sebesar 52,80 persen.
Tabel 6.8 Hasil Klasifikasi Pohon Optimal untuk Data Testing
Kelas aktual
Meninggal
Luka Berat
Luka Ringan
Ketepatan
48,00
Prediksi kelas
Meninggal Luka Berat Luka Ringan
14
12
16
5
23
10
0
8
10
klasifikasi
total
Ketepatan
klasifikasi (%)
33,33
60,53
55,56
(%)
Pada Tabel 6.7 besarnya ketepatan klasifikasi total 48 persen, artinya pohon klasifikasi yang
terbentuk mampu memprediksi pengamatan dengan tepat sebesar 48 persen.
7. KESIMPULAN
Berdasarkan analisis dan pembahasan yang telah dilakukan pada bab sebelumnya, maka
dapat ditarik kesimpulan sebagai berikut:
1. Variabel yang berpengaruh terhadap tingkat keprahan korban kecelakaan lalu lintas di
Surabaya berdasarkan penelitian ini adalah variabel jenis kecelakaan ( X 1 ) , usia ( X 3 ) ,
peran korban dalam kecelakaan (X 4) dan jenis kendaran (X 5 ) . Tetapi pada pengujian
serentak hanya variabel jenis kecelakaan ( X 1 ) . Model regresi logistik yang didapatkan
adalah sebagai berikut:
Afidah, L. N., (2011), Pola Tingkat Keparahan Korban Kecelakaan Lalu Lintas Dengan
Menggunakan Regresi Logistik Multinomial (Studi kasus : Kecelakaan Lalu Lintas di
Surabaya, Tugas Akhir, (Tidak Dipubilkasikan), Institut Teknologi Sepuluh Nopember,
Surabaya.
Agresti, A., (2002), Categorical Data Analysis, John Willey and Sons, New York.
Anonim, (2011) Kecelakaan Lalu Lintas,id.wikipedia.org/wiki/Kecelakaan_ lalu-lintas, Diakses
1 Juni 2011.
Anonim, (2011), Kecelakaan Lalu Lintas Tempati Urutan Tiga Penyebab Kematian Pusat
KomunikasiPublik,http://www.dephub.go.id/read/ berita/direktorat-jenderal...darat/5131,
Diakses 30 Oktober 2011.
Breiman, L., Friedman, J.H., Olshen, R.A., dan Stone, C.J., (1993), Cassification and Regression
Tree, Chapman And Hall, New York..
Dillon, W.R, (1978), On the performance of soma multnomial classification rules, Journal of
American statical Association, vol 73, hal 305-313.
Farida, A. (2008), Analisis Regresi Logistk Ordinal (Studi Kasus: Akreditasi SMK di Jawa Timur),
Tesis (Tidak Dipubilkasikan),, Institut Teknologi Sepuluh Nopember, Surabaya.
Frank, I.E., (1995), Modern nonlinear regression methods, Chem.Int.Lab.Systems Vol 27, hal 1-9.
Kuhnert,P.M., Do,Kim-Anh dan McClure,Rod, (2000), Combining non-parametric models with
logistic regression: an application to motor vehicle injury data, computational statistics &
data analysis, Vol 34, hal 371-386.
Maradona, S., (2010), Sebanyak 28 Nyawa Melayang Tiap Hari Akibat Kecelakaan Lalu Lintas,
http://www.republika.co.id/berita/breaking-news/nasional/10/12/30/155169-sebanyak-28nyawa-melayang-tiap-hari-akibat-kecelakaan-lalu-lintas, diakses 30 Oktober 2011.
Prasetyo, G. C., (2009), Klasifikasi Deteksi Intrusi Menggunakan Pendekatan Classi-fication And
Regression Trees (CART) Dan Multivariate Adaptive Regression Spline (MARS), Tesis,
(Tidak Dipubilkasikan), Institut Teknologi Sepuluh Nopember, Surabaya.
Salam, R., (2010), Pengujian Kesamaan Vektor Parameter pada Beberapa Model Regresi Logistik
Ordinal (Faktor-faktor Yang Mempengaruhi Indeks Pembangunan Manusia di Provinsi
Jawa Timur, Nusa Tenggara Timur, dan Papua Tahun 2006), Tesis, (Tidak Dipubilkasikan),
Institut Teknologi Sepuluh Nopember, Surabaya.
Undang-undang Nomor 22 Tahun 2009 tentang Lalu Lintas dan Angkutan Jalan.
M-11