BLACK SPOT ANALYSIS
(ANALISIS DAERAH RAWAN KECELAKAAN)
Zudhy Irawan, Ph.D.
Yogyakarta, 17 Oktober 2014
1) Definisi Kecelakaan 2) Definisi DRK
3) Metode Penentuan DRK
4) Contoh Kasus (Jl. Magelang)
CAKUPAN MATERI
Berdasarkan PP No. 43 Tahun 1993, kecelakaan
didefinisikan sebagai suatu peristiwa di jalan raya yang tidak disangka-sangka dan tidak disengaja, melibatkan kendaraan dengan atau tanpa pemakai jalan lainnya, yang dapat
mengakibatkan korban jiwa dan harta benda.
Secara filosofis, kecelakaan lalu-lintas didefinisikan sebagai suatu kejadian yang jarang dan acak yang bersifat multi
faktor yang umumnya didahului oleh suatu situasi di mana satu atau lebih dari pengemudi dianggap gagal menguasai lingkungan (lalu-lintas dan lingkungan jalan).
Definisi Kecelakaan Lalu Lintas
Secara statistik sifat ini lebih mendekati kepada sifat-sifat sebaran-Poisson.
Kecelakaan dikatakan bersifat acak karena kecelakaan itu cenderung tidak terjadi dalam suatu ruang dan waktu
tertentu. Dengan pengertian lain acak dalam hal waktu dan acak dalam hal lokasi.
Akan tetapi bila sifat kejadian ini melanggar kedua sifat
tersebut, maka kemungkinan besar terdapat suatu penyebab yang spesifik yang relatif tidak multi faktor.
Sumber : Austroad, 2004
Apabila kejadian kecelakaan terjadi secara berulang dan
berlangsung dalam suatu ruang dan waktu yang relatif sama, maka lokasi kecelakaan itu bisa jadi merupakan lokasi
rawan kecelakaan.
Tetapi secara sederhana, lokasi rawan kecelakaan bisa
diartikan sebagai lokasi kejadian kecelakaan yang terjadi secara berulang dalam suatu ruang dan waktu yang
relatif sama dan diakibatkan oleh penyebab yang relatif sama pula
Definisi Lokasi Rawan Kecelakaan
LOKASI RAWAN (Black-spot) kecelakaan
Suatu lokasi kecelakaan (biasanya di persimpangan, atau segmen ruas jalan 200-300m) yang memiliki angka
kecelakaan dalam dua digit selama dua tahun
Lokasi rawan kecelakaan yang memiliki kejadian
kecelakaaan secara berulang dalam ruang dan waktu
yang relatif sama dan dengan penyebab yang relatif sama
RUAS TERBURUK (Black-Link)
Suatu ruas atau segmen ruas (minimum 1km panjang ruas) yang memiliki tingkat kecelakaan tertinggi
Tingkat Kecelakaan: suatu ukuran yang mengkonversikan angka kecelakaan lalu lintas dalam satuan kecelakaan/100 Juta Pergerakan Kendaraan-Kilometer
365 108
LHR L
n
TK FK
Tk : Tingkat Kecelakaan Fk : Frekuensi Kecelakaan n : tahun data
L : panjang ruas LHR : LHR ruas jalan
AREA TERBURUK (Black Area)
Suatu AREA (minimum luas 2X2km) yang memiliki kepadatan kecelakaan tertinggi
Kepadatan Kecelakaan: suatu ukuran yang mengkonversikan angka kecelakaan lalu lintas dalam satuan:
• kecelakaan/jumlah populasi
A n
Kecelakaan Jumlah
K
P n
Kecelakaan Jumlah
K
• kecelakaan/ha
K : Kepadatan
P : Jumlah populasi A : Luas area
N : Tahun data
Berdasarkan Sebaran Data
Jumlah kecelakaan > upper limit interval tingkat keyakinan 95%
Ῡ = rata-rata sampel yang diamati,
t = nilai tingkat keyakinan (didapat dari tabel sebaran t-student), α = persentase keyakinan,
SῩ = nilai standard error,
s = nilai standar deviasi sampel,
n = banyaknya sampel yang diamati
Metode Penentuan DRK
n S s
S n
t Y
Y
Y
1 2 ,
Atas
Batas
Berdasarkan Tingkat Kecelakaan
365 108
LHR L
n
TK FK
Berdasarkan Bobot Fatalitas (Angka Ekivalen Kecelakaan) AEK = 12(Meningal) + 3(Luka Berat + Luka Ringan) + 1(Kerusakan) Pusjatan 2003 =
8,34 M : 1,21 LB : 0,8 LR : 1 K
Berdasarkan CR (Crash Ratio)
tingkat kecelakaan
keparahan korban
data eksposur yang sama atau sejenis
+
Crash Ratio ≥ 1
𝑇𝐵 = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑎ℎ𝑢𝑛 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑠𝑖 𝑋 𝐿𝐻𝑅 𝑋 𝑃𝑎𝑛𝑗𝑎𝑛𝑔 𝑠𝑒𝑔𝑚𝑒𝑛 𝑋 365
100 𝐽𝑢𝑡𝑎
AVR = 3 X jumlah korban + jumlah kecelakaan tanpa korban 𝐶𝑅 = 𝐴𝑉𝑅 + 0,5𝑇𝐵 + 𝑇𝐹 𝐴𝑉𝑅𝑇𝐵
SCH = 3 X jumlah korban + jumlah kecelakaan tanpa korban 𝐶𝑟𝑎𝑠ℎ 𝑅𝑎𝑡𝑖𝑜 = 𝑆𝐶𝐻𝐶𝑅
dengan:
TB = tingkat Kecelakaan, (Kecelakaan/Seratus Juta Perjalanan Kendaraan Per-kilometer),
LHR = volume lalu lintas harian, (Kend/Hari)
CR = tingkat keritis kecelakaan, (Kecelakaan/Seratus Juta Perjalanan Kendaraan Per-kilometer)
AVR = rata-rata tingkat kecelakaan pada eksposur yang sama/sejenis, TF = tingkat kepercayaan, biasanya untuk 95% digunakan 1,96.
SCH = tingkat kecelakaan yang ditinjau
Berdasarkan Model Prediksi
1) Jika variansi mendekati rerata = MODEL REGRESI POISSON 𝐿𝑜𝑔 𝛽 = 𝑛𝑖=1 − exp 𝛽. 𝑥𝑖 + 𝑦𝑖 𝛽. 𝑥𝑖 − log(𝑦𝑖!)
2) Jika variansi tidak mendekati rerata = MODEL REGRESI BINOMIAL 𝐿𝑜𝑔 𝛽 = 𝑛𝑖=1ln 𝑒𝛼 + 𝑖 − ln 𝑦𝑖 − 1 + 𝑒𝛼 ln 𝑒𝛼 +𝑦𝑖 ln 𝜇𝑖 −
𝑒𝛼 + 𝑦𝑖 ln(𝜇𝑖 + 𝑒𝛼)
Lokasi Penelitian : Jl. Magelang Km. 7 – 16
Contoh Kasus
Metode
Penyelesaian
Rekapitulasi Data
Data-data yang dibutuhkan yaitu:
1. Data kecelakaan lalu lintas
2. Volume lalu lintas harian rata-rata (LHRT) 3. Pengumpulan data lebar jalan (m)
4. Volume lalu lintas harian rata-rata untuk permodelan (kend/jam) 5. Ketersediaan rambu lalu lintas
6. Kecepatan kendaraan (Km/jam)
7. Volume kendaraan masuk dan keluar (kend/jam)
8. Volume kendaraan yang berlawanan arah (kend/jam) 9. Volume kendaraan yang parkir on-street (kend/jam) 10. Jumlah pejalan kaki yang menyeberang (orang/jam) Catatan : Mengabaikan kondisi fisik jalan
Karakteristik Kecelakaan Lalu Lintas
1. Frekuensi Kecelakaan di Tiap 1 kilometer
0 5 10 15 20 25
7-8 8-9 9-10 10-1111-1212-1313-1414-1515-16
Frekuensi Kecelakaan
Ruas (Km)
2010 2011 2012
Jumlah
Kecelakaan
∑2010 = 105
∑2011 = 110
∑2012 = 95
2. Fatalitas kecelakaan
0 10 20 30 40 50 60 70
7-8 8-9 9-10 10-11 11-12 12-13 13-14 14-15 15-16
Jumlah Korban (Jiwa)
Ruas (Km)
Meninggal Dunia Luka Berat Luka Ringan
3. Keterlibatan Pengguna Jalan
Motor 69.48%
Mobil 19.05%
Truk 3.44%
Bus 1.86%
Sepeda 1.86%
Pejalan Kaki 4.30%
4. Pola Tabrakan
Depan- Depan 25.00%
Depan- Belakang
40.26%
Depan- Samping
20.13%
Tunggal 5.52%
Menabra k Orang
9.09%
5. Waktu Terjadinya Kecelakaan
0%
2%
4%
6%
8%
10%
12%
14%
16%
18%
Senin Selasa Rabu Kamis Jumat Sabtu Minggu
05.00-08.59 09.00-11.59 12.00-14.59 15.00-19.59 20.00-04.59
No Ruas Jalan (Km)
Jumlah Kecelakaan
1 7-7,25 15
2 7,35-7,6 8
3 7,6-7,85 20
4 7,85-8,05 11
5 8,05-8,6 32
6 8,6-9,1 16
7 9,1-9,4 11
8 9,5-10 24
9 10-10,3 6
10 10,3-10,65 3
No Ruas Jalan (Km)
Jumlah Kecelakaan
11 10,75-11 6
12 11-11,55 14
13 11,55-12 28
14 12-12,35 7
15 12,35-12,65 14 16 12,65-13,1 28 17 13,1-13,6 14
18 13,6-14 8
19 14-14,45 11
20 14,45-14,7 5 21 14,7-15,05 8 22 15,05-15,4 13
23 15,4-16 4
Pendetailan Segmen, berdasar 1. akses
keluar- masuk
kendaraan 2. aktifitas
lingkungan segmen 3. kondisi
geometrik jalan
Model Prediksi Kecelakaan
Regresi Poisson Negatif Binomial
Skala Deviasi 17,498 1,340
Skala Pearson
Chi-Kuadrat 18,241 1,356 Derajat
Kebebasan 14 14
Skala Dispersi 1,303 0,097
Rasio Kemiripan
Chi-Kuadrat 66,320 65,576
Derajat Kebebasan Model
8 8
Signifikansi 0,000 0,000
Segmen (Km) Observasi Poisson Negatif Binomial Keterangan
7-7,25 15 10 11
7,35-7,6 8 9 9
7.6-7,85 20 18 20 Prediksi Tepat
7,85-8,05 11 6 7
8,05-8,6 32 35 43
8,6-9,1 16 23 25
9,1-9,4 11 12 12
9,5-10 24 20 19
10-10,3 6 6 6 Prediksi Tepat
10,3-10,65 3 4 3 Prediksi Tepat
10,75-11 6 8 6 Prediksi Tepat
11-11,55 14 15 16
11,55-12 28 23 20
12-12,35 7 9 8
12,35-12,65 14 17 18
12,65-13,1 28 23 21
13,1-13,6 14 15 15
13,6-14 8 9 8 Prediksi Tepat
14-14,45 11 11 11 Prediksi Tepat
14,45-14,7 5 7 7
14,7-15,05 8 8 7 Prediksi Tepat
15,05-15,4 13 11 11
15,4-16 4 8 7
Model Prediksi Kecelakaan
Persamaan regresi model Negatif Binomial:
Y = exp (-1,122 Lebar Jalan + 2,89x10-4 LHR + 1,25x10-1 Kecepatan + 1x10-3 Kend Keluar Masuk + 1,8x10-2 Penyeberang Jalan)
Regresi Poisson Negatif Binomial
Parameter B Sig. B Sig.
(Intercept) 9,140 0,174 9,199 0,124
Lebar Jalan -1,023 0,027 -1,122 0,011 Ketersediaan Rambu 0,123 0,073 0,093 0,139
LHR 0,000366 0,036 0,000289 0,046
Kecepatan Kend 0,098 0,057 0,125 0,015 Kend Masuk Keluar 0,001 0,059 0,001 0,039 Kend Berlawanan Arah -0,004 0,169 -0,002 0,597 Kend Parkir On-Street -0,012 0,187 -0,015 0,116 Penyeberang Jalan 0,016 0,079 0,018 0,034
Identifikasi Lokasi Rawan Kecelakaan
No Ruas Jalan
(Km) Sebaran Data Tingkat Kecelakaan
(100JPKP) AEK Critical Crash
Ratio Model Prediksi
1 7-7,25 15 1.3170 69 - 11
2 7,35-7,6 8 0.6807 36 0.52434 9
3 7,6-7,85 20 1.7016 97 1.70897 20
4 7,85-8,05 11 1.1699 105 1.41353 7
5 8,05-8,6 32 1.2375 182 1.49131 43
6 8,6-9,1 16 0.6946 93 1.79792 25
7 9,1-9,4 11 0.7841 66 2.07639 12
8 9,5-10 24 1.1038 99 2.56818 19
9 10-10,3 6 0.4599 42 1.04665 6
10 10,3-10,65 3 0.2103 18 - 3
11 10,75-11 6 0.5272 42 1.00761 6
12 11-11,55 14 0.5591 81 0.83421 16
13 11,55-12 28 1.3668 114 2.10122 20
14 12-12,35 7 0.4072 36 0.50006 8
15 12,35-12,65 14 0.9501 110 1.46514 18
16 12,65-13,1 28 1.2668 162 1.69667 21
17 13,1-13,6 14 0.5701 49 0.49402 15
18 13,6-14 8 0.4932 49 0.56531 8
19 14-14,45 11 0.6029 73 1.05236 11
20 14,45-14,7 5 0.4932 18 0.49239 7
21 14,7-15,05 8 0.5637 39 0.61463 7
22 15,05-15,4 13 0.9160 81 1.47511 11
23 15,4-16 4 0.1644 69 0.53488 7
Batas atas = 16,828
1
3
2
1
3 2
1
3
2
1
3 2 1
2 2 3
Identifikasi Lokasi Rawan Kecelakaan
Dari beberapa hasil metode analisis yang dilakukan, terdapat perbedaan pemeringkatan identifikasi
Identifikasi Lokasi Rawan Kecelakaan
Total Nilai kurang dari batas bawah dianggap lokasi rawan kecelakaan
Identifikasi Lokasi Rawan Kecelakaan
No Ruas Jalan (Km)
Tingkat Kecela-
kaan
Angka Ekivalen Kecelakaan
Critical Crash
Ratio
Sebaran Data
Model Prediksi
Total Nilai
1 11,55-12 2 3 2 2 4 13
2 8,05-8,6 5 1 7 1 1 15
3 12,65-13,1 4 2 6 2 3 17
4 7,6-7,85 1 7 5 5 4 22
5 9,5-10 7 6 1 4 6 24
6 8,6-9,1 11 8 4 6 2 31
7 7-7,25 3 12 - 7 11 33
8 12,35-12,65 8 4 9 8 7 36
Peta Delapan Lokasi Rawan Kecelakaan
