POLA TINGKAT KEPARAHAN KORBAN KECELAKAAN LALU LINTAS DENGAN MENGGUNAKAN REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS: KECELAKAAN LALU LINTAS DI SURABAYA)

(1)

(STUDI KASUS: KECELAKAAN LALU LINTAS DI SURABAYA)

sE

Oleh:

Laylia Nur Afidah .

Laylia Nur Afidah Dosen Pembimbing:

Dra. Destri Susilaningrum, M.Si.

JURUSAN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA 2011

(2)

LATAR BELAKANG Tahun 2009 terjadi

57.726

PERMASALAHAN PENELITIAN

57.726

kasus kecelakaan lalu lintas di Indonesia (Dephub, 2010) TUJUAN PENELITIAN MANFAAT Tahun 1998 penyebab kematian 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 korban

Sedangkan di kawasan hukum

J 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

(3)

meneliti kecelakaan lalu lintas di Jajaran Polres

Madiun dengan

li i k d i

jenis kecelakaan memiliki hubungan dengan waktu kejadian

kecelakaan

TUJUAN PENELITIAN

MANFAAT

analisis korespondensi

Indriani dan Indawati (2005) mengestimasi

tingkat keparahan korban kecelakaan berhubungan Faktor‐faktor yang mempengaruhi keparahan korban PENELITIAN BATASAN MASALAH (2005) mengestimasi

tingkat kecelakaan Kota Surabaya dengan loglinier dua dimensi

kecelakaan berhubungan dengan jenis kendaraan

dan interaksi antara waktu dengan musim terjadinya kecelakaan p

kecelakaan lalu lintas di kawasan hukum Jajaran

Polrestabes Surabaya

j y

Ismail dan Jemain (2005) memodelkan risiko kecelakaan di Malaysia

Terdapat hubungan antara jumlah kecelakaan lalu lintas dengan jenis kelamin kecelakaan di Malaysia

dengan

Generalized Poisson Regression

lintas dengan jenis kelamin korban kecelakaan, umur

kendaraan, dan kawasan terjadinya kecelakaan

(4)

LATAR BELAKANG PERMASALAHAN PENELITIAN

Keparahan

korban

TUJUAN PENELITIAN MANFAAT

Meninggal

L k b

t

Luka

_PENELITIAN BATASAN MASALAH

Meninggal

dunia

Luka berat

Luka

ringan

(5)

1. Bagaimanakah karaketristik korban

kecelakaan lalu lintas di Kota Surabaya pada

MANFAAT

kecelakaan lalu lintas di Kota Surabaya pada

tahun 2010?

2. Bagaimanakah pemodelan regresi logistik

multinomial untuk tingkat keparahan korban

_PENELITIAN

multinomial untuk tingkat keparahan korban

kecelakaan lalu lintas Kota Surabaya

berdasarkan faktor-faktor yang

mempengaruhinya?

3. Bagaimanakah besar risiko berdasarkan

tingkat keparahan korban kecelakaan lalu

lintas?

(6)

LATAR BELAKANG

1. Mendapatkan deskripsi karaketristik korban kecelakaan lalu lintas di Kota Surabaya pada

t h 2010 TUJUAN

PENELITIAN

MANFAAT

tahun 2010.

2. Mendapatkan model tingkat keparahan korban kecelakaan lalu lintas Kota Surabaya

b d k f kt f kt _PENELITIAN

berdasarkan faktor-faktor yang

mempe-ngaruhinya dengan regresi logistik multinomial. 3. Mendapatkan besar risiko masing-masing

ti k t k h k b k l k l l li t

(7)

Diperoleh faktor‐faktor yang berpengaruh terhadap keparahan

korban kecelakaan lalu lintas

MANFAAT Satlantas Polrestabes Surabaya

PENELITIAN

Satlantas Polrestabes Surabaya memberikan perhatian yang lebih

faktor‐faktor dijadikan referensi untuk antisipasi jatuhnya korban

kecelakaan lalu lintas

(8)

LATAR BELAKANG PERMASALAHAN PENELITIAN TUJUAN PENELITIAN MANFAAT

Penelitian dibatasi pada

DATA VARIABEL PENELITIAN

PENELITIAN

DATA VARIABEL PENELITIAN

YANG SUDAH TERSEDIA

dalam data kecelakaan lalu

lintas di Kota Surabaya yang

y y

g

berada di kawasan hukum

Jajaran Polrestabes Surabaya

(9)

STATISTIKA DESKRIPTIF STATISTIKA DESKRIPTIF

Statistika deskriptif adalah metode‐p metode yang berkaitan dengan

pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi

yang berguna (Walpole, 1993). yang berguna (Walpole, 1993).

Statistika deskriptif hanya memberikan informasi mengenai data yang ada dan

sama sekali tidak menarik inferensia atau kesimpulan apapun tentang gugus

induknya yang lebih besar.

(10)

TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA

UJI INDEPENDENSI STATISTIKA DESKRIPTIFUJI INDEPENDENSI STATISTIKA DESKRIPTIF

Uji independensi bertujuan untuk mengetahui adanya hubungan

j

p

j

g

y

g

antara dua variabel. Hipotesis yang digunakan adalah sebagai berikut

(Agresti, 2002).

H

0

: Tidak ada hubungan antara variabel Y dan X

H

1

: 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 X

H

0

ditolak apabila

dengan derajat bebas sebesar

.

(11)

REGRESI LOGISTIK MULTINOMIAL UJI 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 dari

regresi logistik dengan respon

biner yang dapat menangani

berikut, dengan menetapkan bahwa .

biner yang dapat menangani

variabel respon dengan

k t

i l bih d i d

kategori lebih dari dua.

(12)

ESTIMASI PARAMETER

REGRESI LOGISTIK MULTINOMIAL ESTIMASI PARAMETER

REGRESI LOGISTIK MULTINOMIAL

Menggunakan metode MLE

Dengan memberi ln pada kedua sisi persamaan di atas, diperoleh persamaan berikut ini.

Estimasi parameter diperoleh dari turunan pertama di atas.

Dengan ; ; dan , sedangkan merupakan

(13)

UJI PARAMETER INDIVIDU ESTIMASI PARAMETER UJI PARAMETER INDIVIDU ESTIMASI PARAMETER

Hipotesis yang digunakan adalah sebagai berikut.

dengan

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. H

₀

ditolak jika

atau

dengan derajat bebas

(14)

UJI PARAMETER SERENTAK UJI PARAMETER INDIVIDU UJI PARAMETER SERENTAK UJI PARAMETER INDIVIDU

Uji serentak dilakukan untuk mengetahui signifikansi parameter yang berpengaruh secara serentak terhadap variabel respon. Hipotesis:

paling sedikit terdapat satu dengan

Statistik uji yang digunakan adalah statistik uji G atau likelihood ratio test sebagai berikut.

dengan adalah banyaknya observasi yang berkategori 1, dan adalah banyaknya observasi yang berkategori 0.

(15)

UJI KESESUAIAN MODEL UJI PARAMETER SERENTAK UJI KESESUAIAN MODEL UJI PARAMETER SERENTAK

Untuk mengetahui apakah model yang diperoleh telah sesuai atau

tidak.

H

0

: model sesuai (tidak ada perbedaan yang nyata antara hasil

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

(16)

INTERPRETASI MODEL UJI KESESUAIAN MODEL INTERPRETASI MODEL UJI KESESUAIAN MODEL

M

ki k

b

Menggunakan

Odds ratio

Memperkirakan berapa besar

kemungkinan risiko variabel‐

variabel prediktor terhadap

variabel respon.

Odds ratio

variabel respon.

(17)

KECELAKAAN LALU LINTAS KECELAKAAN LALU LINTAS

Tingkat keparahan korban kecelakaan lalu lintas

Kecelakaan lalu lintas

adalah suatu peristiwa di jalan yang

tidak disangka‐sangka dan tidak disengaja melibatkan kendaraan

dengan atau tanpa pemakai jalan lainnya, mengakibatkan korban

Tingkat keparahan korban kecelakaan lalu lintas

g

p p

j

y ,

g

manusia 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 meninggal

dunia sebagai akibat

kecelakaan lalu lintas

Korban yang karena

luka‐lukanya

menderita cacat

tetap atau harus

Korban yang tidak

termasuk dalam

kecelakaan lalu lintas

dalam jangka waktu

paling lama 30 hari

setelah kecelakaan

tetap atau harus

dirawat dalam jangka

waktu lebih dari 30

hari sejak terjadi

kategori korban

meninggal dan

korban luka berat.

17

tersebut.

kecelakaan.

(18)

FAKTOR‐FAKTOR YANG MEMPENGARUHI

KECELAKAAN LALU LINTAS

KECELAKAAN LALU LINTAS KECELAKAAN LALU LINTAS

Faktor Manusia

Faktor‐faktor

penyebab

Faktor Kendaraan

penyebab

kecelakaan lalu lintas

(19)

SUMBER DATA

VARIABEL PENELITIAN

• Terdiri dari 507 data korban kecelakaan

kawasan hukum Jajaran Polrestabes Surabaya

METODE ANALISIS DATA

selama tahun 2010

1. Bubutan 2. Krembangan 3 A 8. Tambaksari 9. Simokerto 10 Kenjeran 15. Gubeng 16. Rungkut 17 Mulyorejo 22. Sukomanunggal 23. Lakarsantri 24 Wiyung 3. Asemrowo 4. Tegalsari 5. Dukuh Pakis 6. Genteng 10. Kenjeran 11. Wonokromo 12. Wonocolo 13. Gayungan 17. Mulyorejo 18. Sukolilo 19. Tandes 20. Pakal 24. Wiyung 25. Karangpilang 26. Jambangan g

7. Sawahan 14. Tenggilis 21. Benowo

(20)

i b l Sk l / i

No Variabel Skala/Kategori 5_{No Variabel}Peran Nominal_{Skala/Kategori}

1 Keparahan

korban

kecelakaan lalu

Nominal

Y(0) = korban meninggal Y(1) = korban luka berat

5 Peran korban dalam kecelakaan (X₄) Nominal X₄(0) = pengendara X₄(1) = penumpang kendaraan selain pengendara X₄(2) = pengguna jalan non penumpang kendaraan

(penyeberang jalan pejalan kaki dll)

SUMBER DATA

kecelakaan lalu lintas (Y)

Y(1) = korban luka berat Y(2) = korban luka ringan

2 Jenis Nominal (X₄) (penyeberang jalan, pejalan kaki, dll) 6 Jenis kendaraan (X₅) Nominal X₅(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 empat X₅(2) = kendaraan dengan lebih dari empat roda X₅(3) = lain‐lain (sepeda angin, becak, atau kendaraan bukan bermotor lainnya) 3 Jenis kelamin (X₂) Nominal X₂(0) = laki‐laki X₂(1) = perempuan bermotor lainnya) 7 Waktu kecelakaan (X₆) Nominal X₆(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) Ordinal X₃(0) = anak‐anak (0 – 16 tahun) X (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 Nominal

X₇(0) = libur hari raya idul fitri, natal, dan tahun baru

(21)

SUMBER DATA

Analisis regresi multinomial secara

serentak

• Pie diagram

• Tabulasi silang

1. Analisis

Deskriptif

METODE ANALISIS DATA

Interpretasi terhadap nilai odds ratio

Uji i d

d

i

2. Membuat

Uji kesesuaian model

_{• Uji independensi}

• Membuat model regresi

logistik multinomial

2. Membuat

model regresi

logistik

Dengan melakukan

Interpretasi model secara serentak

logistik multinomial

multinomial

melakukan

Menghitung ketepatan klasifikasi

model

21

(22)

KETEPATAN KLASIFIKASI INTERPRETASI MODEL SERENTAK_{UJI KESESUAIAN MODEL} REGRESI LOGISTIK MULTINOMIAL SECARA SERENTAK REGRESI LOGISTIK MULTINOMIAL SECARA INDIVIDU TABULASI SILANG

UJI INDEPENDENSI_{SECARA INDIVIDU}_{SECARA SERENTAK} ANTARA Y DAN X UJI INDEPENDENSI ANTARA Y DAN X KARAKTERISTIK KORBAN meninggal 3%11% _TB 0% sepeda motor 17% 38% 25% gg dunia luka berat 25% 29% 3% _TB TD TS HK 2% 19% mobil truk 65% 18% 17% pengendara penumpang lainnya 37% _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 i 69% perempuan 30% 31% paruh baya usia lanjut 94% lainnya 59% jam sepi

(23)

ANTARA Y DAN X ANTARA Y DAN X KARAKTERISTIK KORBAN

Variabel

Nilai

P‐Value

Keputusan

Chi‐square

p

Jenis kecelakaan (X

₁

)

41,887

0,000

Tolak H

₀

Jenis kelamin (X

₂

)

0,274

0,872 Terima H

₀

Usia (X

₃

)

14,323

0,074 Terima H

₀

Peran korban dalam

12,497

0,014 Tolak H

₀

kecelakaan (X

₄

)

0

Jenis kendaraan (X

₅

)

7,005

0,320 Terima H

₀

Waktu kecelakaan (X

₆

)

0,221

0,896 Terima H

₀

Tanggal perayaan

kh

(X )

1,224

0,542 Terima H

₀ 23

khusus(X

₇

)

(24)

KETEPATAN KLASIFIKASI INTERPRETASI MODEL SERENTAK_{UJI KESESUAIAN MODEL} REGRESI LOGISTIK MULTINOMIAL SECARA SERENTAK REGRESI LOGISTIK MULTINOMIAL SECARA INDIVIDU TABULASI SILANG

UJI INDEPENDENSI_{SECARA INDIVIDU}_{SECARA SERENTAK} ANTARA Y DAN X

UJI INDEPENDENSI ANTARA Y DAN X

Variabel Prediktor Keparahan Korban Kecelakaan (%) Jumlah (%)

Meninggal Dunia Luka Berat Luka Ringan

Variabel Prediktor Keparahan Korban Kecelakaan (%) Jumlah (%)

(%)

Jenis kecelakaan (X₁)

TB 8,09 7,30 9,27 24,65

TD 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 29,39 HK 1,58 0,99 0,79 3,35 Lainnya 7,30 1,97 1,18 10,45 Jenis kelamin (X₂) Lainnya 8,48 5,33 3,16 16,96 Jenis kendaraan (X₅) Sepeda motor 28,60 28,60 21,50 78,70 Mobil, pickup 0,59 0,79 0,20 1,58 Jenis kelamin (X₂) Laki‐laki 26,43 26,04 16,77 69,23 Perempuan 11,64 11,05 8,09 30,77 Usia (X₃) Anak anak 3 16 3 35 4 14 10 65 Truk 0,20 0,20 0,00 0,39 Selain kendaraan bermotor 8,68 7,50 3,16 19,33 Waktu kecelakaan (X₆) Anak‐anak 3,16 3,35 4,14 10,65 Remaja 5,52 5,92 4,54 15,98 Muda 10,65 12,03 7,89 30,57 Paruh baya 12,62 12,23 6,31 31,16 Jam ramai 15,78 15,19 9,66 40,63 Jam sepi 22,29 21,89 15,19 59,37

Tanggal perayaan khusus (X₇)

(25)

ANTARA Y DAN X

Logit Kategori Variabel Prediktor Wald P‐Value B Exp(B) Jenis Kecelakaan (X₁) 1 Konstanta 13 578 0 000 ‐1 099 1 Konstanta 13,578 0,000 1,099 X₁(0) = TB 7,070 0,008*) _0,996 _2,707 X₁(1) = TD 13,737 0,000*) _1,281 _3,600 X₁(2) = TS 15,745 0,000*) _1,407 _4,085 X₁(3) = Lainnya Pembanding 2 K 18 509 0 000 1 504 2 Konstanta 18,509 0,000 ‐1,504 X₁(0) = TB 16,033 0,000*) _1,641 _5,159 X₁(1) = TD 4,159 0,041*) _0,844 _2,325 X₁(2) = TS 9,823 0,002*) _1,292 _3,638 X₁₁(3) = Lainnya( ) y Pembandingg Peran korban dalam kecelakaan (X₄) 1 Konstanta 3,529 0,058 ‐0,465 X₄(0) = Pengendara 2,192 0,139*) _0,409 _1,505 X₄(1) = Penumpang 8,646 0,003*) _1,063 _2,896 X (2) = Lainnya Pembanding X₄(2) = Lainnya Pembanding 2 Konstanta 11,397 0,001 ‐0,989 X₄(0) = Pengendara 2,791 0,095*) _0,543 _1,722 X₄(1) = Penumpang 9,060 0,003*) _1,230 _3,420 X₄(2) = Lainnya Pembanding 25

*)Signifikan pada α = 15%

(26)

KETEPATAN KLASIFIKASI INTERPRETASI MODEL SERENTAK_{UJI KESESUAIAN MODEL} REGRESI LOGISTIK MULTINOMIAL

SECARA SERENTAK

REGRESI LOGISTIK MULTINOMIAL SECARA INDIVIDUSECARA SERENTAK

SECARA INDIVIDU

Logit Prediktor B Wald P‐Value Exp(B)

1 Konstanta ‐1,850 21,224 0,000

Efek

Uji Rasio Likelihood

Chi 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

0 X

₁

41,086

6 0,000

X

16 557

4 0 002

X₁(3) = Lainnya Pembanding X₄(0) = Pengendara 0,607 4,453 0,035*) _1,835 X₄(1) = Penumpang 1,426 13,742 0,000*) _4,164 X₄(2) = Lainnya Pembanding

X

₄ X₄(2) Lainnya

16,557

Pembanding

4 0,002

2 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 prediktor

berpengaruh terhadap respon

X₁(2) = TS 1,470 12,155 0,000*) _4,350

X₁(3) = Lainnya Pembanding

(27)

H

₀

: model sesuai (tidak ada perbedaan antara

h il b

i d

h il

dik i

d l)

hasil observasi dengan hasil prediksi model)

H

₁

: model tidak sesuai (ada perbedaan antara

hasil observasi dengan hasil prediksi model)

Chi‐square

Derajat

P‐Value

Bebas

Pearson

9,087

12 0,696

Terima H

₀

menunjukkan bahwa

d l

t l h dih ilk

i

27

(28)

KETEPATAN KLASIFIKASI INTERPRETASI MODEL SERENTAK_{UJI KESESUAIAN MODEL}

(untuk respon meninggal dunia)

Jenis Kecelakaan Peran Korban Tingkat Keparahan

TB Pengendara_{(untuk respon luka berat)} 0 361 0 278 0 361 (untuk respon luka ringan) TB Pengendara 0,361 0,278 0,361 Penumpang 0,207 0,362 0,431 Lainnya 0,500 0,210 0,291 TD 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 0,158 TS 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 0,218

Lainn a Pen endara 0 673 0 194 0 133

Lainnya Pengendara 0,673 0,194 0,133

Penumpang 0,484 0,317 0,199

(29)

Observasi

Prediksi

Ketepatan

(%)

Meninggal

Luka

(%)

Meninggal

Dunia

Luka

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

(30)

KESIMPULAN

SARAN

1. Korban kecelakaan lalu lintas di Surabaya untuk kawasan hukum Jajaran

2 Variabel yang berpengaruh terhadap keparahan korban berdasarkan penelitian ini adalah jenis

3. 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 jenis kecelakaan dan peran korban saat terjadi kecelakaan. fungsi logit yang dihasilkan: