BLACK SPOT ANALYSIS (ANALISIS DAERAH RAWAN KECELAKAAN) Zudhy Irawan, Ph.D.

Transkripsi

1 BLACK SPOT ANALYSIS (ANALISIS DAERAH RAWAN KECELAKAAN) Zudhy Irawan, Ph.D. Yogyakarta, 17 Oktober 2014

2 CAKUPAN MATERI 1) Definisi Kecelakaan 2) Definisi DRK 3) Metode Penentuan DRK 4) Contoh Kasus (Jl. Magelang)

3 Definisi Kecelakaan Lalu Lintas 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).

4 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.

5 Sumber : Austroad, 2004

6 Definisi Lokasi Rawan Kecelakaan 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

7 LOKASI RAWAN (Black-spot) kecelakaan Suatu lokasi kecelakaan (biasanya di persimpangan, atau segmen ruas jalan m) 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

8 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 T K F 10 8 K n L LHR 365 Tk : Tingkat Kecelakaan Fk : Frekuensi Kecelakaan n : tahun data L : panjang ruas LHR : LHR ruas jalan

9 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 Jumlah Kecelakaan K n P kecelakaan/ha K Jumlah Kecelakaan n A K P : Kepadatan : Jumlah populasi A : Luas area N : Tahun data

10 Metode Penentuan DRK Berdasarkan Sebaran Data Jumlah kecelakaan > upper limit interval tingkat keyakinan 95% Batas Atas S Y s n Y t, n 2 1 S Y Ῡ t α S Ῡ s n = rata-rata sampel yang diamati, = nilai tingkat keyakinan (didapat dari tabel sebaran t-student), = persentase keyakinan, = nilai standard error, = nilai standar deviasi sampel, = banyaknya sampel yang diamati

11 Berdasarkan Tingkat Kecelakaan T K F 10 8 K n L LHR 365 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

12 Berdasarkan CR (Crash Ratio) tingkat kecelakaan + keparahan korban data eksposur yang sama atau sejenis TB = Jumlah tahun observasi X LHR X Panjang segmen X Juta Crash Ratio 1 AVR = 3 X jumlah korban + jumlah kecelakaan tanpa korban CR = AVR + 0,5 TB + TF AVR TB SCH = 3 X jumlah korban + jumlah kecelakaan tanpa korban Crash Ratio = SCH CR

13 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

14 Berdasarkan Model Prediksi 1) Jika variansi mendekati rerata = MODEL REGRESI POISSON n Log β = i=1 exp β. x i + y i β. x i log(y i!) 2) Jika variansi tidak mendekati rerata = MODEL REGRESI BINOMIAL n Log β = i=1 ln e α + i ln y i 1 + e α ln e α + y i ln μ i e α + y i ln(μ i + e α )

15 Contoh Kasus Lokasi Penelitian : Jl. Magelang Km. 7 16

16

17

18 Metode Penyelesaian

19 Rekapitulasi Data Data-data yang dibutuhkan yaitu: 1. Data kecelakaan lalu lintas 2. Volume lalu lintas harian rata-rata (LHR T ) 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

20 Frekuensi Kecelakaan Karakteristik Kecelakaan Lalu Lintas 1. Frekuensi Kecelakaan di Tiap 1 kilometer Ruas (Km) Jumlah Kecelakaan 2010 = = = 95

21 Jumlah Korban (Jiwa) 2. Fatalitas kecelakaan Ruas (Km) Meninggal Dunia Luka Berat Luka Ringan

22 3. Keterlibatan Pengguna Jalan Bus 1.86% Sepeda 1.86% Pejalan Kaki 4.30% Truk 3.44% Mobil 19.05% Motor 69.48% Tunggal 5.52% Menabra k Orang 9.09% 4. Pola Tabrakan Depan- Depan 25.00% Depan- Samping 20.13% Depan- Belakang 40.26%

23 5. Waktu Terjadinya Kecelakaan 18% 16% 14% 12% 10% 8% 6% 4% 2% 0% Senin Selasa Rabu Kamis Jumat Sabtu Minggu

24 Pendetailan Segmen, berdasar 1. akses keluarmasuk kendaraan 2. aktifitas lingkungan segmen 3. kondisi geometrik jalan No Ruas Jalan (Km) Jumlah Kecelakaan 1 7-7, ,35-7, ,6-7, ,85-8, ,05-8, ,6-9, ,1-9, , , ,3-10,65 3 No Ruas Jalan (Km) Jumlah Kecelakaan 11 10, , , , ,35-12, ,65-13, ,1-13, , , ,45-14, ,7-15, ,05-15, ,4-16 4

25 Model Prediksi Kecelakaan Regresi Poisson Negatif Binomial Skala Deviasi 17,498 1,340 Skala Pearson Chi-Kuadrat Derajat Kebebasan 18,241 1, Skala Dispersi 1,303 0,097 Rasio Kemiripan Chi-Kuadrat Derajat Kebebasan Model 66,320 65, Signifikansi 0,000 0,000 Segmen (Km) Observasi Poisson Negatif Binomial Keterangan 7-7, ,35-7, , Prediksi Tepat 7,85-8, ,05-8, ,6-9, ,1-9, , , Prediksi Tepat 10,3-10, Prediksi Tepat 10, Prediksi Tepat 11-11, , , ,35-12, ,65-13, ,1-13, , Prediksi Tepat 14-14, Prediksi Tepat 14,45-14, ,7-15, Prediksi Tepat 15,05-15, ,

26 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, ,036 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

27 Identifikasi Lokasi Rawan Kecelakaan No Ruas Jalan (Km) Sebaran Data Tingkat Kecelakaan (100JPKP) AEK Critical Crash Ratio Model Prediksi 1 7-7, ,35-7, ,6-7, ,85-8, ,05-8, ,6-9, ,1-9, , , ,3-10, , , , , ,35-12, Batas atas = 16, ,65-13, ,1-13, , , ,45-14, ,7-15, ,05-15, ,

28 Identifikasi Lokasi Rawan Kecelakaan Dari beberapa hasil metode analisis yang dilakukan, terdapat perbedaan pemeringkatan identifikasi

29 Identifikasi Lokasi Rawan Kecelakaan Total Nilai kurang dari batas bawah dianggap lokasi rawan kecelakaan

30 Identifikasi Lokasi Rawan Kecelakaan No Ruas Jalan (Km) Tingkat Kecelakaan Angka Ekivalen Kecelakaan Critical Crash Ratio Sebaran Data Model Prediksi Total Nilai 1 11, ,05-8, ,65-13, ,6-7, , ,6-9, , ,35-12,

31 Peta Delapan Lokasi Rawan Kecelakaan

32

33

34

35

36

37

38

39