(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
LATAR BELAKANG Tahun 2009 terjadi
57.726
PERMASALAHAN PENELITIAN57.726
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 Surabayatahun 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 JATIMJajaran Polrestabes Surabaya :
•Meninggal dunia: 193 korban
PERMASALAHAN PENELITIAN
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
LATAR BELAKANG PERMASALAHAN PENELITIAN
Keparahan
korban
TUJUAN PENELITIAN MANFAATMeninggal
L k b
t
Luka
PENELITIAN BATASAN MASALAHMeninggal
dunia
Luka berat
Luka
ringan
PERMASALAHAN PENELITIAN
1. Bagaimanakah karaketristik korban
kecelakaan lalu lintas di Kota Surabaya pada
TUJUAN PENELITIAN
MANFAAT
kecelakaan lalu lintas di Kota Surabaya pada
tahun 2010?
2. Bagaimanakah pemodelan regresi logistik
multinomial untuk tingkat keparahan korban
PENELITIANBATASAN MASALAH
multinomial untuk tingkat keparahan korban
kecelakaan lalu lintas Kota Surabaya
berdasarkan faktor-faktor yang
mempengaruhinya?
mempengaruhinya?
3. Bagaimanakah besar risiko berdasarkan
tingkat keparahan korban kecelakaan lalu
lintas?
lintas?
LATAR BELAKANG
PERMASALAHAN PENELITIAN
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
BATASAN MASALAH
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
PERMASALAHAN PENELITIAN
Diperoleh faktor‐faktor yang berpengaruh terhadap keparahan
korban kecelakaan lalu lintas
TUJUAN PENELITIAN
MANFAAT Satlantas Polrestabes Surabaya
PENELITIAN
BATASAN MASALAH
Satlantas Polrestabes Surabaya memberikan perhatian yang lebih
faktor‐faktor dijadikan referensi untuk antisipasi jatuhnya korban
kecelakaan lalu lintas
LATAR BELAKANG PERMASALAHAN PENELITIAN TUJUAN PENELITIAN MANFAAT
Penelitian dibatasi pada
DATA VARIABEL PENELITIAN
PENELITIAN
BATASAN MASALAH
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
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.
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
I = banyaknya kategori variabel X
H
0ditolak apabila
dengan derajat bebas sebesar
.
REGRESI LOGISTIK MULTINOMIAL UJI INDEPENDENSI
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.
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
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
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
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
0ditolak jika
atau
dengan derajat bebas
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
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.
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)
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
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
INTERPRETASI MODEL UJI KESESUAIAN MODEL INTERPRETASI MODEL UJI KESESUAIAN MODEL
M
ki k
b
b
Menggunakan
Odds ratio
Memperkirakan berapa besar
kemungkinan risiko variabel‐
variabel prediktor terhadap
variabel respon.
Odds ratio
variabel respon.
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.
TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA
FAKTOR‐FAKTOR YANG MEMPENGARUHI
KECELAKAAN LALU LINTAS
KECELAKAAN LALU LINTAS KECELAKAAN LALU LINTAS
Faktor Manusia
Faktor Manusia
Faktor‐faktor
penyebab
Faktor Kendaraan
penyebab
kecelakaan lalu lintas
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 g7. Sawahan 14. Tenggilis 21. Benowo
i b l Sk l / i
No Variabel Skala/Kategori 5No VariabelPeran NominalSkala/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
VARIABEL PENELITIAN
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
SUMBER DATA
VARIABEL PENELITIAN
Analisis regresi multinomial secara
serentak
• Pie diagram
• Tabulasi silang
1. Analisis
Deskriptif
METODE ANALISIS DATAInterpretasi 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 melakukanInterpretasi model secara serentak
logistik multinomial
multinomial
melakukanMenghitung ketepatan klasifikasi
model
21
KETEPATAN KLASIFIKASI INTERPRETASI MODEL SERENTAKUJI KESESUAIAN MODEL REGRESI LOGISTIK MULTINOMIAL SECARA SERENTAK REGRESI LOGISTIK MULTINOMIAL SECARA INDIVIDU TABULASI SILANG
UJI INDEPENDENSISECARA INDIVIDUSECARA 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
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
0Jenis kelamin (X
2)
0,274
0,872 Terima H
0Usia (X
3)
14,323
0,074 Terima H
0Peran korban dalam
12,497
0,014 Tolak H
0kecelakaan (X
4)
0Jenis kendaraan (X
5)
7,005
0,320 Terima H
0Waktu kecelakaan (X
6)
0,221
0,896 Terima H
0Tanggal perayaan
kh
(X )
1,224
0,542 Terima H
0 23khusus(X
7)
KETEPATAN KLASIFIKASI INTERPRETASI MODEL SERENTAKUJI KESESUAIAN MODEL REGRESI LOGISTIK MULTINOMIAL SECARA SERENTAK REGRESI LOGISTIK MULTINOMIAL SECARA INDIVIDU TABULASI SILANG
UJI INDEPENDENSISECARA INDIVIDUSECARA 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 (%)
Meninggal Dunia Luka Berat Luka Ringan
(%)
Meninggal Dunia Luka Berat Luka Ringan
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)
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%
KETEPATAN KLASIFIKASI INTERPRETASI MODEL SERENTAKUJI 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
141,086
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 PembandingX
4 X4(2) Lainnya16,557
Pembanding4
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*) 2,769Secara serentak variabel prediktor
berpengaruh terhadap respon
X1(2) = TS 1,470 12,155 0,000*) 4,350
X1(3) = Lainnya Pembanding
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)
hasil observasi dengan hasil prediksi model)
Chi‐square
Derajat
P‐Value
Bebas
Pearson
9,087
12
0,696
Terima H
0menunjukkan bahwa
d l
t l h dih ilk
i
27
KETEPATAN KLASIFIKASI INTERPRETASI MODEL SERENTAKUJI KESESUAIAN MODEL
(untuk respon meninggal dunia)
Jenis Kecelakaan Peran Korban Tingkat Keparahan
Meninggal Dunia Luka Berat Luka Ringan
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
Observasi
Prediksi
Ketepatan
(%)
Meninggal
Luka
Luka
(%)
Meninggal
Dunia
Luka
Berat
Luka
Ringan
Meninggal Dunia
84
72
37
43,5%
Luka Berat
40
112
36
59 6%
CLuka 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
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:
g
y y
y g
merupakan pengguna jalan selain pengguna
kendaraan seperti penyeberang jalan atau pejalan
•
32 persen mengalami tabrak depan.
•
69 persen korban berjenis kelamin laki‐laki
•
usia terbanyak korban adalah usia paruh baya (36 sampai 58 tahun).
Dengan ketepatan klasifikasi hanya sebesar 47,7%.