Jurnal MIPA 40 (2) (2017): Jurnal MIPA.

Transkripsi

1 Jurnal MIPA 40 (2) (2017): Jurnal MIPA ttp://journal.unnes.ac.id/nju/index.pp/jm Analisis Faktor-Faktor dan Peluang yang Berpengaru teradap Tingkat Keparaan Korban Kecelakaan Lalu Lintas di Sleman Yogyakarta Menggunakan Regresi Logistik Ordinal Z Z Y I Pratama, E Widodo Jurusan Statistika, FIMIPA, Universitas Islam Indonesia, Indonesia Info Artikel Sejara Artikel: Diterima 11 Juli 2017 Disetujui 23 September 2017 Dipublikasikan 1 Oktober 2017 Keywords: Severity of Victims, Traffic Accidents, Ordinal Logistic Regression Abstrak Regresi logistik ordinal merupakan sala satu metode statistika yang menggambarkan ubungan antara suatu variabel dependen dengan lebi dari satu variabel independen, dimana variabel dependen memiliki lebi dari dua kategori dan skala pengukuran bersifat ordinal. Regresi logistik ordinal dapat diaplikasikan pada bidang kecelakaan lalu lintas. D.I Yogyakarta dikenal dengan kota pendidikan, pariwisata dan kebudayaan memiliki jumla kecelakaan yang terbilang tinggi. Dengan wilaya meliputi 4 Kabupaten dan 1 Kota, Kabupaten Sleman merupakan wilaya dengan tingkat kecelakaan lalu lintas yang tergolong tinggi dengan kerugian materil paling banyak pada taun 2016 berdasarkan data kantor Dirlantas Yogyakarta. Penelitian ini bertujuan untuk meliat faktor-faktor yang mempengarui tingkat keparaan korban dan peluang berdasarkan faktor yang ada. Dari penelitian diketaui bawa faktor-faktor yang mempengarui tingkat keparaan korban kecelakaan lalu lintas adala Usia, Jenis Kelamin, Peran Korban, Jenis Kecelakaan, Profesi, Kendaraan Korban dan Kendaraan Lawan. Dari tingkat ketepatan klasifikasi model tepat menerangkan keparaan korban kecelakaan sebesar 90,5%. Abstract Ordinal logistic regression is one of te statistical metods tat describes te relationsip between a dependent variable wit more tan one independent variable, were te dependent variable as more tan two categories and te measurement scale is ordinal. Ordinal logistic regression can be applied to te area of traffic accidents. D.I Yogyakarta is known as te city of education, tourism and culture as a number of accidents are fairly ig. Wit te region covering 4 districts and 1 city, Sleman regency is an area wit ig traffic accident level wit te biggest material loss in 2016 based on data of Yogyakarta Dirlantas office. Tis study aims to see te factors tat affect te severity of victims and opportunities based on existing factors. From te researc note tat te factors tat influence te severity of traffic accident victims are Age, Sex, Role of Victim, Type of Accident, Profession, Veicle Victim and Veicle Opponent. From te level of accuracy of te exact model classification explains te severity of casualty victims by 90.5% Universitas Negeri Semarang Alamat korespondensi: ziazia998@gmail.com ISSN

2 PENDAHULUAN Analisis Regresi logistik merupakan sala satu metode yang dapat digunakan untuk mencari ubungan variabel dependen yang bersifat dicotomous (berskala nominal atau ordinal dengan dua kategori) atau policotomous (berskala nominal atau ordinal dengan lebi dari dua kategori) dengan satu atau lebi dari dua variabel independen. Regresi logistik ordinal dapat digunakan untuk memperole ubungan antara variabel dependen dengan variabel independen. Variabel dependen pada regresi logistik ordinal memiliki lebi dari dua kategori yang berskala ordinal dan variabel independen berupa data kategori dan/atau kontinu dengan dua variabel atau lebi (k > 2). Tingkat keparaan korban yang mengalami kecelakaan lalu lintas merupakan sala satu conto kasus yang melibatkan variabel respon dengan dua atau lebi kategori yang berskala ordinal adala. Berdasarkan penggolongan kecelakaan lalu lintas yaitu kecelakaan lalu lintas ringan, sedang dan berat, maka tingkat keparaan korban kecelakaan lalu lintas dikategorikan menjadi tiga kategori yaitu luka ringan, luka berat dan meninggal dunia. Kabupaten Sleman merupakan sala satu wilaya di Yogyakarta yang memiliki tingkat kecelakaan lalu lintas yang tinggi, menurut data kecelakaan lalu lintas di kantor Dirlantas Yogyakarta. Dari data tersebut wilaya Sleman dan Bantul paling banyak terjadi kecelakaan pada taun 2015 dan taun 2016, Sleman merupakan wilaya yang memiliki tingkat kecelakaan yang tergolong tinggi dengan kerugian materil paling banyak di bandingkan wilaya lain. Kecelakaan lalu lintas menjadi suatu permasalaan yang menakutkan bagi para pengendara dan penumpang di jalan. Dalam rangka menekan angka akibat kecelakaan lalu lintas sebaiknya para pengguna jalan lebi mentaati rambu-rambu lali lintas dan lebi berati ati. Dari latar belakang yang ada maka analisis regresi logistik dipili karenaanalisis regresi logistik ordinal merupakan sala satu metode analisis yang dapat digunakan untuk memperole ubungan antara variabel dependen yang memiliki lebi dari dua kategori dengan variabel independen berupa data yang bersifat kategori/kontinu dengan dua variabel atau lebi. Dan penelitian ini mengara pada kasus yang sama. Diarapkan dengan adanya penelitian ini masyarakat akan lebi tau karasteristik kecelakan, faktor-faktor yang mempengarui dan peluang dari kecelakaan lalu lintas tersebut. Pada penelitian sebelumnya dilakukan ole Rafita et al. (2013), Penelitian ini berkaitan dengan analisis regresi ordinal untuk meliat gambaran umum kecelakaan lalu lintas DIY pada taun 2012 dan meliat pengaru lokasinya.penelitian Selanjutnya dilakukan ole Imaslika et al. (2013), penelitian berkaitan dengan regresi logistik ordinal dengan kasus faktor-faktor yang mempengarui predikat kelulusan maasiswa S1 di ITS Surabaya dan untuk mengetaui karakteristik prestasi belajar maasiswa, penelitian ini menggunakan kuesioner seingga pengambilan data secara langsung. Selanjutnya Penelitian yang dilakukan ole Tuti Purwaningsi, menggunakan analisis regresi logistik ordinal spasial dengan kasus menduga status kemiskinan di pulau Jawa. Bedasarkan uraian di atas, maka penulis tertarik untuk mengadakan penelitian dengan judul Analisis Regresi Logistik Ordinal Pada Faktor-Faktor Yang Mempengarui Tingkat Keparaan Korban Kecelakaan Lalu Lintas di Sleman Yogyakarta Pada penelitian ini, variabel respon yang sama, akan tetapi variabel bebas yang di gunakan dalam penelitian ini berbeda, menggunakan data terbaru dan lebi fokus dengan data lokasi yang lebi micro yaitu kusus Kabupaten Sleman diliat dari jumla kecelakaan lalu lintas nya yang tinggi. METODE Penelitian ini menggunakan variabelvariabel yang berkaitan dengan kasus yang diteliti berdasarkan data kecelakaan lalu lintas di Sleman Yogyakarta. Definisi operasional variabel penelitia diberikan pada Tabel 1 126

3 Tabel 1. Definisi Operasional Variabel Peneliti Variabel Uraian Hasil Skala Tingkat Keparaan korban kecelakaan(y) Usia (X 1 ) Menjelaskan tingkat keparaan korban akibat kecelakaan. Satuan waktu yang mengukur waktu untuk menjelaskan usia korban. 1: Luka Ringan (Y 1 ) 2: Luka Berat (Y 2 ) 3: Meninggal Dunia (Y 3 ) Rasio (X 1 ) Ordinal Rasio Jenis Kelamin (X 2 ) Peran Korban (X3) Untuk menjelaskan jenis kelamin korban. Menjelaskan kondisi peran korban saat terjadi kecelakaan. 1: Laki-laki X 2(1) 2: Perempuan X 2(2) 1: Pejalan kaki X 3(1) 2: Penumpang X 3(2) 3: Pengendara X 3(3) Jenis (X 4 ) Kecelakaan Klasifikasi dari insiden kecelakaan yang disebabkan ole pengguna jalan. 1: Tunggal X 4(1) 2: Tabrak Lari X 4(2) 3: Depan Depan X 4(3) 4: Depan Belakang X 4(4) 5: Depan Samping X 4(5) 6: Lainnya (samping-samping / Pendidikan (X 5 ) Menjelaskan pendidikan terakir korban kecelakaan. tabrak manusia) X 4(6) 1: SD X 5(1) 2: SMP X 5(2) 3: SMA X 5(3) 4: S1 X 5(4) Ordinal 5: Maasiswa X 5(5) Profesi (X 6 ) Menjelaskan profesi atau pekerjaan dari korban kecelakaan. 1: Pengajar (Guru/Dosen) X 6(1) 2: Pelajar X 6(2) 3: X 6(3) 4: IRT X 6(4) 5: Maasiswa X 6(5) 6: PNS X 6(6) 7: Swasta X 6(7) Kendaraan (X 7 ) Lawan Alat transportasi yang sedang digunakan ole lawan pada saat terjadi kecelakaan lalu lintas. 1: Pejalan kaki X 7(1) 2: Sepeda X 7(2) 3: Motor X 7(3) 4: Mobil roda 4 X 7(4) 5: Mobil roda > 4 X 7(5) 6:Lainnya (gerobak/becak) X 7(6) Kendaraan (X 8 ) Korban Alat transportasi yang sedang digunakan ole korban saat terjadi kecelakaan lalu lintas. 1: Pejalan kaki X 8(1) 2: Sepeda X 8(2) 3: Motor X 8(3) 4: Mobil roda 4 X 8(4) 5: Mobil roda > 4 X 8(5) 6:Lainnya (gerobak/becak) X 8(6) 127

4 Taapan-taap analisis yang akan di lakukan: 1. Regresi logistik ordinal adala suatu analisis regresi yang digunakan untuk menggambarkan ubungan antara variabel dependen dengan sekumpulan variabel independen, dimana variabel dependen bersifat ordinal, yaitu mempunyai lebi dari dua kategori dan setiap kategori dapat diperingkat (Hosmer & Lemesow dalam Akbar et al. 2010). Model yang dapat digunakan untuk regresi logistik ordinal adala model logit, dimana sifat yang tertuang dalam peluang kumulatif seingga cumulative logit models merupakan model yang dapat dibandingkan dengan peluang kumulatif yaitu peluang kurang dari atau sama dengan kategori repons ke-j pada i variabel independen atau P(Y j x i ). Peluang kumulatif didefiniskan sebagai berikut (Akbar et al. 2010). W > Z α/2 2 atau p value < α.statistik uji yang digunakan adala statistik uji Wald (Agresti 2007). W = β j SE(β j) (3) c. Uji kecocokan model (Goodness of Fit)digunakan untuk mengevaluasi cocok tidaknya model dengan data, nilai observasi yang diperole sama atau mendekati dengan yang diarapkan dalam model. Alat yang digunakan untuk menguji kecocokan dalam regresi logistik ordinal adala uji deviance. Statistik Deviance dirumuskan sebagai D = 2 n i=1 {y i ln ( n 1π 1 ) + (1 y i y 1 ) ln ( n 1 n 1 π 1 n 1 y i )} (4) p ) p 1+ exp (a j + k=1 β k x ik ) P(Y j x i ) = exp (a j+ k=1 β k x ik (1) dengan x i = (x i1, x i2,., x ip ) merupakan nilai pengamatan ke-i (i = 1,2,, n) dari setiap p variabel independen. Pendugaan parameter regresi dilakukan dengan menggunakan transformasi logit dari P(Y j x i ), (Imaslika et al. 2013). 2. Taapan dalam Regresi Logistik Ordinal dapat diliat pada Gambar 1. a. Statistik uji G adala rasio kemungkinan (likeliood ratio test) digunakan untuk menguji peranan variabel independen didalam model secara bersama sama. (Raarjanti & Widiari 2005). G = 2ln [ L o L i ] (2) b. Uji Wald parsial digunakan untuk menguji parameter β j secara parsial. Pengujian Kriteria Statistik, Statistik Wald mengikuti distribusi normal seingga untuk memperole keputusan pengujian, dengan membandingkan nilai W dengan nilai Z α/2 (H0 ditolak jika Gambar 1. Tampilan Flowcart Taapan Analisis Regresi Logistik Ordinal d. Uji multikolinearitas dapat dilakukan dengan mengitung nilai VIFatau Variance Inflation 128

5 Factor. Nilai VIF ini mengukur seberapa besar ragam dari dugaan koefisien regresi akan meningkat apabila antara peuba danpenjelas terdapat masala multikolinearitas. e. Koefisien Determinasi(R 2 ) mengukur proporsi keragaman variable dependen yang mampu dijelaskan ole variabel independen. f. Odds Rasio adala rasio probabilitas sukses (π) teradap probabilitas gagal (1 π). g. Tingkat ketepatan klasifikasi model untuk meliat seberapa tepat model yang di dapat, Jumla observasi yang tepat pengklasifikasiannya dapat diliat pada diagonal utama. HASIL DAN PEMBAHASAN Taapan Regresi Logistik Ordinal a. Uji G (Overall) H 0 : β i = 0 i = 0,1,2,,9 (Model tidak signifikan/model tidak layak) H 1 : β i 0 i = 0,1,2,,9 (Minimal ada satu β i yang tidak sama/model layak) 2 X (0.05,29) Tabel 2. Statistik Uji G G Df P-Value Dari Tabel 2, Karena nilai G(86,593) > (42,555) atau P value () < α(0,05) artinya tolak H 0. Dengan tingkat kepercayaan 95% data yang ada tolak H 0 yang berarti model layak atau signifikan; Artinya terdapat pengaru dari variabel independen teradap variabel dependen. b. Uji wald (Parsial). Hasil uji wald dapat diliat pada Tabel 3 Tabel 3. Hasil Output Uji Wald Parsial Variabel Independen B Wald Sig Keputusan Kesimpulan Konstanta H0 di tolak Signifikan Konstanta H0 di tolak Signifikan X H0 di tolak Signifikan X2(1) H0 di tolak Signifikan X2(2) 0 a Gagal tolak H0 Tidak signifikan X3(1) Gagal tolak H0 Tidak signifikan X3(2) H0 di tolak Signifikan X3(3) 0 a Gagal tolak H0 Tidak signifikan X4(1) H0 di tolak Signifikan X4(2) Gagal tolak H0 Tidak signifikan X4(3) Gagal tolak H0 Tidak signifikan X4(4) Gagal tolak H0 Tidak signifikan X4(5) Gagal tolak H0 Tidak signifikan X4(6) 0 a Gagal tolak H0 Tidak signifikan X5(1) Gagal tolak H0 Tidak signifikan X5(2) Gagal tolak H0 Tidak signifikan X5(4) Gagal tolak H0 Tidak signifikan X5(5) 0 a Gagal tolak H0 Tidak signifikan X6(1) Gagal tolak H0 Tidak signifikan X6(2) Gagal tolak H0 Tidak signifikan X6(3) H0 di tolak Signifikan X6(4) H0 di tolak Signifikan X6(5) Gagal tolak H0 Tidak signifikan 129

6 X6(6) Gagal tolak H0 Tidak signifikan X6(7) 0 a Gagal tolak H0 Tidak signifikan X7(1) Gagal tolak H0 Tidak signifikan X7(2) H0 di tolak Signifikan X7(3) H0 di tolak Signifikan X7(4) H0 di tolak Signifikan X7(5) H0 di tolak Signifikan X7(6) 0 a Gagal tolak H0 Tidak signifikan X8(1) H0 di tolak Signifikan X8(2) H0 di tolak Signifikan X8(3) H0 di tolak Signifikan X8(4) H0 di tolak Signifikan X8(5) H0 di tolak Signifikan X8(6) 0 a Gagal tolak H0 Tidak Signifikan Berdasarkan output Uji Parsial (Uji Wald) pada Tabel 3, yang suda berstatus signifikan memiliki arti bawa variabel merupakan faktorfaktor yang berpengaru teradap tingkat keparaan korban kecelakan lalu lintas di Sleman taun Berikut merupakan asil dari fungsi logit yang ada pada model: Logit 1=4, X1 + 0,712X2(1) + 0,558X3(2) 7,446X4(1) + 0,580X6(3) + 0,904X6(4) + 16,799X4(4) + 10,408X7(2) 9,5357(3) 9,049X7(4)) 8,782X7(5) + 9,848X8(1) + 10,105X8(2) + 9,872X8(3) + 10,533X8(4) +10,564X8(5) Logit 2= 5, X1 + 0,712X2(1) + 0,558X3(2) 7,446X4(1) + 0,580X6(3) + 0,904X6(4) + 16,799X4(4) + 10,408X7(2) 9,5357(3) 9,049X7(4)) 8,782X7(5) + 9,848X8(1) + 10,105X8(2) + 9,872X8(3) + 10,533X8(4) +10,564X8(5) Peluang dari Luka Ringan (π 1 ): exp (Logit 1) P(y = 1) = P(y 1) = 1 + exp (logit 1) Peluang dari Luka Berat (π 2 ): P(y = 2) = P(y 2) P(y = 1) exp (Logit 2) exp (Logit 1) = 1 + exp (logit 2) 1 + exp (logit 1) Peluang dari Meninggal Dunia (π 3 ): exp (Logit 2) P(y = 3) = 1 P(y 2) = exp (logit 2) c. Uji kecocokan model (Goodness of Fit) dapat diliat pada Tabel 4. Tabel 4. Uji Goodness of Fit Deviance Df P-Value Dengan nilai P value (1,000) < α(0,05) artinya gagal tolak H 0. Dengan tingkat kepercayaan 95% data yang ada tolak H 0 yang berarti model fit dengan data. d. Uji Multikolinearitas, Tabel 5 merupakan output nilai tolerance dan VIF. Tabel 5. Uji Multikolinearitas Model Tolerance VIF Usia Jenis kelamin Peran Korban Jenis kecelakaan Pendidikan Profesi Kendaraan Lawan Kendaraan Korban Keputusan akan tolak H o ketika nilai tolerance < 0,1 dan VIF > 10; Artinya tidak terjadi multikolinearitas ketika tolerance > 0,1 dan VIF < 10. Berdasarkan Tabel 5, dengan tingkat kepercayaan 95% semua data yang ada gagal tolak H 0 yang berarti tidak ada korelasi antar variabel independen atau tidak terjadi multikolineritas, maka asumsi terpenui. 130

7 e. Koefisien determinasi (R 2 ) Berdasarkan nilai Nagelkerke R Square = 0,092 dapat dibaca sebagai 9,2% variabel independen dapat menjelaskan variabel dependen sementara sisanya 90,8% dipengarui faktor lain yang tidak diketaui. Atau dapat diterjemakan bawa kemampuan model menjelaskan permasalaan sebenarnya 6,8% sedangkan sisanya dijelaskan ole variabel lain yang di luar model. f. Peluang tingkat keparaan dapat diliat pada Tabel 6 Tabel 6. Output Peluang Tingkat Keparaan Korban Kecelakaan Lalu Lintas Sam pel Us ia J.Kecelak aan Peran korban Prof esi Kendaraan Lawan Kendaraan Korban J K LR LB MD 1 18 Depandepan Penumpa ng Motor Motor L 0, P 0, Depandepan Pengend ara Motor Motor L 0, P 0, Depandepan Penumpa ng Motor Motor L 0, P 0, Depandepan Pengend ara Motor Motor L 0, P 0, Depandepan Penumpa ng Motor Motor L 0, P 0, Depandepan Pengend ara Motor Motor L 0, P 0, Peneliti ingin menjelaskan peluang yang didapat pada Tabel 6 dengan mengambil conto sampel pada tabel tersebut diketaui bawa semakin bertamba nya umur pada tingkat keparaan korban kecelakaan Luka Ringan mengalami peningkatan, sedangkan untuk tingkat keparaan korban kecelakaan Luka Berat dan Meninggal Dunia menurun peluangnya seiring bertambanya usia. g. Berikut nilai odds rasio berdasarkan jenis luka dan kategori peran korban sebagai penumpang: a. Odds rasio luka ringan ᴪ 1 = e 4,839+0,558 = 220,743. Hal ini dapat diartikan bawa peluang seorang korban mengalami luka ringan dimana korban berstatus penumpang 220,743 kali disbanding dengan korban pengendara atau pejalan kaki. b. Odds rasio luka berat ᴪ 2 = e 5,408+0,558 = 389,943. Hal ini dapat diartikan bawa peluang seorang korban mengalami luka berat dimana korban berstatus penumpang 389,943 kali dibanding 131

8 dengan korban pengendara atau pejalan kaki. c. Odds rasio meninggal dunia ᴪ 3 = e 0,558 = 1,747. Hal ini dapat diartikan bawa peluang seorang korban meninggal dunia dimana korban berstatus penumpang 1,747 kali disbanding dengan korban pengendara atau pejalan kaki.. Ketepatan Klasifikasi Model dapat diliat pada Tabel 7. Tabel 7. Output Ketepatan Klasifikasi Model Predic ted Observed LR LB MD Percent Correct LR % LB % MD % Overall Percentage 99.6% 0.1% 0.3% 90.5% Korban kecelakaan lalu lintas di daera Sleman Yogyakarta pada taun 2016 untuk Luka Ringan dengan nilai percent correct sebesar 99,9% dan nilai overall percentage 99,6%, sedangkan untuk tingkat keparaan korban kecelakaan lalu lintas Luka Berat dengan nilai percent correct sebesar 1,5% dan nilai overall percentage 0,1%, untuk tingkat keparaan korban kecelakaan lalu lintas Meninggal Dunia dengan nilai percent correct sebesar 4,0% dan nilai overall percentage 0,3%. Dari keseluruan model tepat menerangkan keparaan korban kecelakaan sebesar 90,5%. SIMPULAN Berdasarkan output Uji Parsial (Uji Wald) dapat dikatakan bawa variabel independen mempunyai pengaru secara pasial teradap tingkat keparaan korban kecelakaan lalu lintas di Kabupaten Sleman Yogyakarta pada taun Berikut ini merupakan variabel yang berpengaru: yaitu Usia, X 2(1) yaitu Jenis kelamin Laki-laki, X 3(2) yaitu Peran korban Penumpang/pembonceng, X 4(1) yaitu Jenis kecelakaan Laka tunggal, X 6(3) yaitu Profesi, X 6(4) yaitu Profesi IRT, X 7(2) yaitu Kendaraan lawan Sepeda, X 7(3) yaitu Kendaraan lawan Motor, X 7(4) yaitu Kendaraan lawan Mobil roda 4, X 7(5) yaitu Kendaraan lawan Mobil roda > 4, X 8(1) yaitu Kendaraan korban Pejalan kaki, X 8(2) yaitu Kendaraan korban Sepeda, X 8(3) yaitu Kendaraan korban Motor, X 8(4) yaitu Kendaraan korban Mobil roda 4, X 8(5) Kendaraan korban Mobil roda > 4. Pada output ketepatan klasifikasi model (overall percentage) diketaui keseluruan model tepat menerangkan keparaan korban kecelakaan sebesar 90,5%. Peluang yang didapat pada Tabel 6 dengan mengambil conto sampel pada tabel tersebut diketaui bawa semakin bertamba nya umur pada tingkat keparaan korban kecelakaan Luka Ringan mengalami peningkatan, sedangkan untuk tingkat keparaan korban kecelakaan Luka Berat dan Meninggal Dunia menurun peluangnya seiring bertambanya usia. DAFTAR PUSTAKA Agresti A An Introduction to Categorical Data Analysis. 2nd ed. New Jersey: Jon Wileyand Sons. Akbar MS, Mukarroma A & Paramita L Klasifikasi Status Gizi Balita Dengan Bagging Regresi Logistik Ordinal (Studi Kasus Survey Kekurangan Energi Protein Kabupaten Nganjuk). Media Statistika 3(2): [ttp://eprints.undip.ac.id/32839/] Depkes RI, Kategori Umur Menurut Departemen Keseatan. (ttp:// diundu pada 10 Juni :30 WIB). Imaslika S, Ratna M & Ratnasari V Analisis Regresi Logistik Ordinal teradap Faktor-faktor yang Mempengarui Predikat Kelulusan Maasiswa S1 di ITS Surabaya. Jurnal Sains dan Seni POMITS 2(2): D177-D182. Polisi Resort Sleman Data Kecelakaan Lalu Lintas Yogyakarta. Rafita Y, Safitri LI, Ramatika A & Uar PM Penerapan Regresi Logistik Ordinal dalam Meliat Pengaru Lokasi teradap Tingkat Keparaan Korban Laka Lantas DIY. [tidak diterbitkan] [ttp:// 1/PENERAPAN_REGRESI_LOGISTIK_ORDINAL_D ALAM_MELIHAT_PENGARUH_LOKASI_TERHADA P_TINGKAT_KEPARAHAN_LAKA_LANTAS_DIY.pd f] Raarjanti RP & Widiari T Model Logit Komulatif untuk Respon Ordinal. Jurnal 132

9 Matematika 8(3): [ttp://eprints.undip.ac.id/2082/] UU. RI Lalu Lintas dan Angkutan Jalan. Undang- Undang Republik Indonesia Nomor 22 Taun Pasal 1 ayat (24). (ttp:// pada 10 Juni :05 WIB]. Wikipedia Jumla Penduduk Daera Istimewa Yogyakarta. (ttps:// [dikses pada 10 Juni :45 WIB]. 133