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

Transkripsi

1 POLA TINGKAT KEPARAHAN KORBAN KECELAKAAN LALU LINTAS DENGAN MENGGUNAKAN REGRESI LOGISTIK MULTINOMIAL (STUDI KASUS: KECELAKAAN LALU LINTAS DI SURABAYA) Oleh: Laylia Nur Afidah se. Dosen Pembimbing: Dra. Destri Susilaningrum, M.Si. JURUSAN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2011

2 Kecelakaan lalu lintas di Surabaya tahun 2010 menyebabkan: Meninggal dunia: 324 korban Luka berat: 240 korban Luka ringan: 377 korban Sedangkan di kawasan hukum Jj Jajaran Polrestabes Surabaya : Meninggal dunia: 193 korban Luka berat: 188 korban Luka ringan: 126 korban Tahun 2009 terjadi kasus kecelakaan lalu lintas di Indonesia (Dephub, 2010) Tahun 1998 penyebab kematian tertinggi ke 9 di duniaadalah KECELAKAAN LALU LINTAS LATAR BELAKANG PERMASALAHAN TUJUAN MANFAAT BATASAN MASALAH Prediksi WHO: tahun 2020 kecelakaan lalu lintas penyebab kematian tertinggi ke 3 dunia Triwulan I 2010: Jumlah kecelakaan lalu lintas Surabaya peringkat ke 5 di JATIM 2

3 Wahernika (2006) meneliti kecelakaan lalu jenis kecelakaan lintas di Jajaran Polres memiliki hubungan Madiun dengan dengan waktu kejadian kecelakaan analisis i korespondensi Faktor faktor yang Indriani dan Indawati mempengaruhi tingkat keparahan korban (2005) mengestimasi keparahan korban kecelakaan berhubungan tingkat kecelakaan Kota kecelakaan lalu lintas dengan di jenis kendaraan Surabaya dengankawasan hukum Jajaran dan interaksi antara Polrestabes Surabaya waktu dengan musim loglinier dua dimensi terjadinya kecelakaan LATAR BELAKANG PERMASALAHAN TUJUAN MANFAAT BATASAN MASALAH Ismail dan Jemain (2005) memodelkan risiko kecelakaandi Malaysia dengan Generalized Poisson Regression Terdapat hubungan antara jumlah kecelakaan lalu lintas dengan jenis kelamin korban kecelakaan, umur kendaraan, dan kawasan terjadinya kecelakaan 3

4 LATAR BELAKANG Keparahan korban PERMASALAHAN TUJUAN Meninggal dunia Luka berat Luka ringan MANFAAT BATASAN MASALAH Y=0 Y=1 Y=2 4 REGRESI LOGISTIK MULTINOMIAL

5 LATAR BELAKANG 1. Bagaimanakah karaketristik korban kecelakaan lalu lintas di Kota Surabaya pada tahun 2010? 2. Bagaimanakah pemodelan regresi logistik 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? PERMASALAHAN TUJUAN MANFAAT BATASAN MASALAH 5

6 LATAR BELAKANG PERMASALAHAN 1. Mendapatkan deskripsi karaketristik korban kecelakaan lalu lintas di Kota Surabaya pada tahun TUJUAN 2. Mendapatkan model tingkat keparahan korban kecelakaan lalu lintas Kota Surabaya MANFAAT berdasarkan faktor-faktor f yang mempengaruhinya dengan regresi logistik multinomial. BATASAN 3. Mendapatkan besar risiko masing-masing MASALAH tingkat t keparahan korban kecelakaan k lalul lintas 6

7 LATAR BELAKANG Diperoleh faktor faktor yang berpengaruh terhadap keparahan korban kecelakaan lalu lintas SatlantasPolrestabes Surabaya memberikan perhatian yang lebih PERMASALAHAN TUJUAN MANFAAT BATASAN MASALAH faktor faktor dijadikan referensi untuk antisipasi jatuhnya korban kecelakaan lalu lintas 7

8 LATAR BELAKANG PERMASALAHAN Penelitian dibatasi pada DATA VARIABEL YANG SUDAH TERSEDIA dalam data kecelakaan lalu lintas di Kota Surabaya yang berada di kawasan hukum Jajaran Polrestabes Surabaya TUJUAN MANFAAT BATASAN MASALAH 8

9 TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA STATISTIKA DESKRIPTIF Statistika deskriptif adalah metode metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi 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. 9

10 TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA STATISTIKA UJI INDEPENDENSI DESKRIPTIF Uji independensi bertujuan untuk mengetahui adanya hubungan 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. 10

11 TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA REGRESI UJI INDEPENDENSI LOGISTIK MULTINOMIAL Regresi Multinomial membentuk fungsi logit,dengan membandingkan Y=1 dan Y=2 terhadap Y=0. Bentuk model Regresi regresi logistik logistik yang berupa multinomial fungsi peluang dengan p variabel prediktor: Probabilitas respon atau model regresi logistik multinomial dengan variabel respon berskala nominal tiga kategori : merupakan perluasan dari regresi logistik dengan respon biner yang dapat menangani variabel respon dengan kt kategorilbihd lebih daridua. Transformasi logit akan menghasilkan dua fungsi logit sebagai berikut, dengan menetapkan bahwa. 11

12 TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA ESTIMASI REGRESI LOGISTIK PARAMETER 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 penyederhanaan dari. 12

13 TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA UJI ESTIMASI PARAMETER PARAMETER INDIVIDU 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 0 ditolak jika atau dengan derajat bebas 13

14 TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA UJI PARAMETER SERENTAK 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. H 0 ditolak jika dengan derajat bebas. G mengikuti distribusi Chi square dengan derajat bebas p. 14

15 TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA UJI KESESUAIANMODEL PARAMETER SERENTAK Untuk mengetahui apakah model yang diperoleh telah sesuai atau tidak. H 0 : model sesuai (tidak ada perbedaan yang nyata antara hasil observasidengan kemungkinan hasilprediksi model) H 1 : 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 0 ditolak jika dengan db =. 15

16 TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA INTERPRETASI UJI KESESUAIANMODEL Menggunakan Odds ratio Memperkirakan k berapa besar kemungkinan risiko variabelvariabel prediktor terhadap variabel respon. (Hosmer dan Lemeshow, 2000) 16

17 TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA 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 manusia atau kerugian harta benda. Meninggal dunia Luka berat Luka ringan (PP Nomor 43 Tahun 1993 Pasal 93 dalam Undang Undang Nomor 22 Tahun 2009 ) Korban yang dipastikan meninggal dunia sebagai akibat kecelakaanlalu lintas dalam jangka waktu paling lama 30 hari setelah kecelakaan tersebut. Korban yang karena luka lukanya menderita cacat tetap atau harus dirawat dalam jangka waktu lebih dari 30 hari sejak terjadi kecelakaan. Korban yang tidak termasuk dalam kategori korban meninggal dan korban luka berat. 17 PP Nomor 43 Tahun 1993 Pasal 93

18 TINJAUAN STATISTIKA TINJAUAN NON STATISTIKA KECELAKAAN LALU LINTAS FAKTOR FAKTOR YANG MEMPENGARUHI KECELAKAAN LALU LINTAS Faktor Manusia Faktor faktor penyebab kecelakaan lalu lintas Faktor Kendaraan Faktor Jalan Faktor Cuaca 18

19 Data Sekunder Terdiri dari 507 data korban kecelakaan kawasan hukum Jajaran Polrestabes Surabaya selama tahun 2010 SUMBER DATA VARIABEL METODE ANALISIS DATA 1. Bubutan 2. Krembangan 3. Asemrowo 8. Tambaksari 9. Simokerto 10. Kenjeran 15. Gubeng 16. Rungkut 17. Mulyorejo 4. Tegalsari 11. Wonokromo 18. Sukolilo 5. Dukuh Pakis 12. Wonocolo 19. Tandes 6. Genteng 13. Gayungan 20. Pakal 7. Sawahan 14. Tenggilis 21. Benowo 22. Sukomanunggal 23. Lakarsantri 24. Wiyung 25. Karangpilang 26. Jambangan 19

20 No Variabel Skala/Kategori 5 No Peran Variabel ibl Nominal Skala/Kategori korban X 4 (0) = pengendara SUMBER DATA 1 dalam Keparahan X 4 (1) = Nominal penumpang kendaraan selain pengendara kecelakaan korban X 4 (2) = Y(0) pengguna = korban jalan meninggal non penumpang kendaraan VARIABEL (X kecelakaan 4 ) lalu (penyeberang Y(1) = korbanjalan, lukapejalan berat kaki, dll) lintas (Y) Y(2) = korban luka ringan METODE ANALISIS DATA 6 Jenis Nominal kendaraan X 5 (0) = sepeda motor (kendaraan bermotor roda dua atau 2 (X Jenis 5 ) tiga) Nominal kecelakaan X(X 5 (1) 1 ) = Xkendaraan 1 (0) = tabrakan roda empat belakang (TB) X 1 (3) = hilang kemdali (HK) X 5 (2) = Xkendaraan 1 (1) = tabrakan dengan depan lebih (TD) dari empat Xroda 1 (4) = lain lain X 5 (3) = Xlain lain 1 (2) = tabrakan (sepeda angin, samping becak, (TS) atau kendaraan bukan 3 Jenis kelamin bermotor Nominal lainnya) 7 Waktu (X 2 ) Nominal X 2 (0) = laki laki kecelakaan X 6 (0) = X padat 2 (1) = kendaraan perempuan (antara pukul WIB (X 6 ) WIB, antara pukul WIB WIB, antara pukul WIB WIB) 4 Usia (X 3 ) X Ordinal 6 (1) = sepi (selain waktu padat) 8 Tanggal Nominal X 3 (0) = anak anak (0 16 X 3 (3) = paruh baya (36 58 tahun) perayaan X 7 (0) = tahun) libur hari raya idul fitri, natal, dan tahun X 3 (4) baru = usia lanjut (lebih dari 58 khusus (X 7 ) X 7 (1) = X lainnya 3 3( (1) = remaja (17 21 tahun) tahun) X 3 (2) = muda (22 35 tahun) 20

21 Analisis regresi multinomial secara individu Analisis regresi multinomial secara serentak 1. Analisis Deskriptif Pie diagram Tabulasi silang Interpretasi terhadap nilai odds ratio SUMBER DATA VARIABEL METODE ANALISIS DATA 2. Membuat model regresi logistik multinomial Uji kesesuaian model Uji independensi d i Membuat model regresi logistik multinomial Interpretasi model secara serentak Menghitung ketepatan klasifikasi model Dengan melakukan 21

22 REGRESI REGRESI INTERPRETASI KETEPATAN MODEL KLASIFIKASI UJI LOGISTIK KESESUAIAN MULTINOMIAL MODEL SERENTAK UJI TABULASI INDEPENDENSI LOGISTIK SILANG MULTINOMIAL SECARA SECARA INDIVIDU SERENTAK KARAKTERISTIK ANTARA ANTARA Y KORBAN DAN Y DAN X X meninggal 11% 17% 3% TB 19% pengendara dunia 25% 2% 38% 25% mobil TD 18% penumpang luka berat truk TS 65% lainnya 29% 37% 79% luka ringan 32% HK 0% sepeda motor becak, sepeda angin, jalan kaki lainnya 31% 59% 41% laki laki jam ramai 69% perempuan jam sepi 31% 6% libur Hari Raya Idul Fitri, remaja Natal, dan tahun baru 12% 11% 94% 16% 30% li lainnya anak anak muda paruh baya usia lanjut 22

23 REGRESI REGRESI INTERPRETASI KETEPATAN MODEL KLASIFIKASI UJI LOGISTIK KESESUAIAN MULTINOMIAL MODEL SERENTAK UJI TABULASI INDEPENDENSI LOGISTIK SILANG MULTINOMIAL SECARA SECARA INDIVIDU SERENTAK KARAKTERISTIK ANTARA ANTARA Y KORBAN DAN Y DAN X X Variabel Nilai P Value Keputusan Chi square 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 kecelakaan (X 4 ) 0,014 Tolak H 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 khusus(x 7 ) 1,224 0,542 Terima H 0 23

24 REGRESI REGRESI INTERPRETASI KETEPATAN MODEL KLASIFIKASI UJI LOGISTIK KESESUAIAN MULTINOMIAL MODEL SERENTAK UJI TABULASI INDEPENDENSI LOGISTIK SILANG MULTINOMIAL SECARA SECARA INDIVIDU SERENTAK ANTARA ANTARA Y DAN Y DAN X X Variabel Prediktor Keparahan Korban Kecelakaan (%) Jumlah Variabel Prediktor Keparahan Korban Kecelakaan (%) Jumlah Meninggal Dunia Luka Berat Luka Ringan (%) Meninggal Dunia Luka Berat Luka Ringan (%) Peran korban dalam kecelakaan (X 4 ) Pengendara Jenis kecelakaan (X 1 ) Penumpang TB 25,25 8,09 4,34 23,87 7,30 7,89 16,17 9,27 5,52 65,29 24,65 17,75 Lainnya TD 11, ,48 14, ,33 6, ,16 32,15 16,96 Jenis TS kendaraan (X 5 ) 9,27 12,62 7,50 29,39 Sepeda HK motor 28,60 1,58 28,60 0,99 21,50 0,79 78,70 3,35 Mobil, Lainnya pickup 7,30 0,59 1,97 0,79 1,18 0,20 10,45 1,58 Jenis kelamin (X 2 ) Truk 0,20 0,20 0,00 0,39 Laki laki 26,43 26,04 16,77 69,23 Selain kendaraan 8,68 7,50 3,16 19,33 bermotor Perempuan 11,64 11,05 8,09 30,77 Waktu Usia (Xkecelakaan 3 ) (X 6 ) Jam Anak anak ramai anak 15, ,16 15, , ,14 9,66 10,65 40,63 Jam Remaja sepi 22,29 5,52 21,89 5,92 15,19 4,54 15,98 59,37 Tanggal Muda perayaan khusus (X 7 ) 10,65 12,03 7,89 30,57 Libur Paruh hari baya Raya Idul Fitri, 12,62 2,17 12,23 1,58 6,31 1,78 31,16 5,52 Natal, Usia lanjut tahun baru 6,11 3,55 1,97 11,64 Hari biasa 35,90 35,50 23,08 94,48 24

25 REGRESI REGRESI INTERPRETASI KETEPATAN MODEL KLASIFIKASI UJI LOGISTIK KESESUAIAN MULTINOMIAL MODEL SERENTAK TABULASI LOGISTIK SILANG MULTINOMIAL SECARA SECARA INDIVIDU SERENTAK ANTARA Y DAN X Logit Kategori Variabel Prediktor Wald P Value B Exp(B) Jenis Kecelakaan (X 1 ) 1 Konstanta 13,578 0, ,099 X 1 (0) = TB 7,070 0,008 *) 0,996 2,707 X 1 (1) = TD 13,737 0,000 *) 1,281 3,600 X 1 (2) = TS 15,745 0,000 *) 1,407 4,085 X 1 (3) = Lainnya Pembanding 2 Konstanta 18,509 0, ,5041 X 1 (0) = TB 16,033 0,000 *) 1,641 5,159 X 1 (1) = TD 4,159 0,041 *) 0,844 2,325 X 1 (2) = TS 9,823 0,002 *) 1,292 3,638 X 1 1( (3) = Lainnya Pembanding Peran korban dalam kecelakaan (X 4 ) 1 Konstanta 3,529 0,058 0,465 X 4 (0) = Pengendara 2,192 0,139 *) 0,409 1,505 X 4 (1) = Penumpang 8,646 0,003 *) 1,063 2,896 X 4 (2) = Lainnya Pembanding 2 Konstanta 11,397 0,001 0,989 X 4 (0) = Pengendara 2,791 0,095 *) 0,543 1,722 X 4 (1) = Penumpang 9,060 0,003 *) 1,230 3,420 X 4 (2) = Lainnya Pembanding 25 *)Signifikan pada α = 15%

26 INTERPRETASI KETEPATAN MODEL KLASIFIKASI REGRESI REGRESI LOGISTIK UJI LOGISTIK KESESUAIAN MULTINOMIAL MULTINOMIAL MODEL SERENTAK SECARA SECARA INDIVIDU SERENTAK 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 Konstanta X 1 (3) = Lainnya 0 Pembanding 0 X 1 41, ,000 X 4 X 4 (2) = Lainnya 16,557 Pembanding 4 0, X 1 (0) = TB 0,982 6,662 0,010 *) 2,669 X 1 (1) = TD 1,478 17,175 0,000 *) 4,384 X 1 (2) = TS 1,607 19,265 0,000 *) 4,990 X 4 (0) = Pengendara 0,607 4,453 0,035 *) 1,835 X 4 (1) = Penumpang 1,426 13,742 0,000 *) 4,164 2 Konstanta 2,168 21,418 0,000 X 1 (0) = TB 1,626 15,427 0,000 *) 5,084 X 1 (1) = TD 1,019 5,819 0,016 *) 2,769 Secara serentak variabel prediktor X 1 (3) = Lainnya Pembanding berpengaruh terhadap respon X 1 (2) = TS 1,470 12,155 0,000 *) 4,350 X 4 (0) = Pengendara 0,544 2,586 0,108 *) 1,723 X 003 *) 4 (1) = Penumpang 1,276 8,704 0,003 3, X 4 (2) = Lainnya Pembanding

27 REGRESI INTERPRETASI KETEPATAN MODEL KLASIFIKASI UJI LOGISTIK KESESUAIAN MULTINOMIAL MODEL SERENTAK SECARA SERENTAK H 0 : model sesuai (tidak ada perbedaan antara hasil observasi idengan hasil prediksi i model) dl) H 1 : model tidak sesuai (ada perbedaan antara hasilobservasidengan hasilprediksi model) Chi square Derajat P Value Bebas Pearson 9, ,696 Terima H 0 menunjukkan bahwa model yang tlhdih telah dihasilkanilk sesuai 27

28 KETEPATAN KLASIFIKASI INTERPRETASI MODEL SERENTAK UJI KESESUAIAN MODEL Jenis Kecelakaan (untuk Peranrespon Korban meninggal dunia) Tingkat Keparahan Meninggal Dunia Luka Berat Luka Ringan TB Pengendara (untuk respon luka berat) 0,361 0,278 0,361 Penumpang 0,207 0,362 0,431 Lainnya (untuk respon luka ringan) 0,500 0,210 0,291 TD Pengendara 0,356 0,450 0,194 Dengan fungsi logit sebagai Penumpang berikut. 0,200 0,573 0,227 Lainnya 0,498 0,344 0,158 TS Pengendara 0,303 0,437 0,260 Penumpang 0,165 0,540 0,295 Lainnya 0,438 0,344 0,218 Lainnyaa Pengendaraendara 0,673 0,194 0,133 Penumpang 0,484 0,317 0,199 Lainnya 0,786 0,124 0,090 28

29 KETEPATAN KLASIFIKASI INTERPRETASI MODEL SERENTAK Observasi Prediksi Ketepatan Meninggal Luka Luka (%) Dunia Berat Ringan Meninggal Dunia ,5% Luka Berat ,6% Luka Ringan 24 C ,5% Ketepatan 29,2% 47,3% 23,5% 47,7% Keseluruhan (%) Kurang dari 50% 29 Kemungkinan disebabkan: Metoded pemodelan kurang tepat Variabel prediktor kurang

30 SARAN KESIMPULAN 3. Peran korban sebagai lainnya, yaitu korban yang merupakan pengguna jalan selain pengguna kendaraan seperti penyeberang jalan atau pejalan 32 kaki, persenmemiliki mengalamipeluang tabrak depan. meninggal dunia terbesar 69 pada persensemua korban berjenis kecelakaan. kelamin laki lakisedangkan peran Dengan usia terbanyak ketepatan klasifikasi korban adalah hanya sebesar usia paruh 47,7%. baya (36 sampai 58 tahun). mayoritas korban korban sebagai adalah penumpang pengendara. memiliki peluang 79 mengalami persen korbanluka menggunakan berat dan sepeda luka motor ringan terbesar pada Korban terbanyak justru mengalami kecelakaan pada jam sepi setiap jenis kecelakaan. 1. Korban kecelakaan lalulintasdisurabayalintas untukkawasankawasan hukumjajaran Polrestabes Surabaya pada tahun 2010, dari sebanyak 507 korban: 2. Variabel yang berpengaruh terhadap keparahan korban berdasarkan penelitian ini adalah jenis kecelakaan dan peran korban saat terjadi kecelakaan. fungsi logit yang dihasilkan: 38 persen meninggal dunia, 37 persen luka berat, dan 25 persen luka ringan. 6 persen korban kecelakaan mengalami kecelakaan pada liburhari Raya Idul Fitri, Natal, dan tahun baru 94 persen korban lainnya mengalami kecelakaan pada hari biasa. 30

31 SARAN KESIMPULAN Model yang dihasilkan dalampenelitian ini menghasilkan ketepatan klasifikasi yang kecil, sehingga dalam penelitian berikutnya disarankan untuk memodelkan dengan metode lain yang kemungkinan dapat menghasilkan ketepatan klasifikasi yang lebih besar seperti memodelkan dengan metode bagging regresi logistik multinomial. 31

32 Agresti, Ismail, N. A., dan Jemain, Categorical A. A., Data Analysis, Generalized Second Edition. Poisson New Regression: York: John an Alternative Wiley & Sons, for Risk Inc. Classification. Jurnal Alleyne Teknologi R., Universiti Middle Age Teknologi Begins Malaysia, at 35 and 43(C): Ends at 58. Kasman, (Online). D., ( Kampanye t Keselamatan h Berlalu lth/h l lth Lintas. / /Middle-age-begins-at-35-and-ends-at-58. (Online). ( probolinggokab.go.id/site/index. html). php?option=com_content&task=view&id=2363&itemid= pp p Diakses Senin, 13 Juni 2011 pukul 20:32. Andi, ). Empat Diakses Faktor Jumat yang 3 Desember Mempengaruhi 2010 pukul Kecelakaan 15:42. Lalu Rachman, lintas. R. R., (Online) Evaluasi ( Accident Cost Mahasiswa index.php?option=com Universitas pp Airlangga p Surabaya. _ content&view=article&id=178:e Skripsi tidak diterbitkan. mpat-faktor-yang-mempengaruhi-kecelakaan-lalu Surabaya: Institut Teknologi Sepuluh Nopember lintas&catid=37:infoma Surabaya. syarakat&itemid=64). Diakses Rashid, Jumat, M., Desember Inference 2010 on pukul Logistic 13:14. Regression Models. Anonim1, Disertasi Explorer Ohio: Department Lalu Lintas, Road of Mathematics Safety. (Online). and ( Statistics Bowling Green State University. Undang-Undang u-lampu-lalu ll Nomor lintas.html). lit 22 Tahun l) Diakses 2009 tentang Sl Selasa, Lalu 16N Lintas November dan 2010 Angkutan pukul Jalan. 23:59. Anonim2, Undang-Undang Tekan Republik Korban Indonesia Kecelakaan, Nomor Polda 14 Tahun Buat Zona

33