48repository.ub.ac.id/1870/5/12.skripsi bab 4.pdf · 2020. 8. 11. · 48 berdasarkan data bps kota...
TRANSCRIPT
47
BAB IV
HASIL DAN PEMBAHASAN
41 Gambar Wilayah Studi
411 Kota Malang
Kota Malang terletak pada 11206 o
- 11207 o
Bujur Timur 706o ndash 802
o Lintang
Selatan dengan luas wilayah 11006 km2
dan berjarak + 90 km sebelah selatan Kota
Surabaya Kota Malang dibagi menjadi 5 Kecamatan yaitu Kecamatan Sukun Kecamatan
Lowokwaru Kecamatan Klojen Kecamatan Kedungkandang dan Kecamatan Blimbing
Gambar 41 Peta Kota Malang
Sumber Puslitbang Kota Malang (2017)
48
Berdasarkan data BPS Kota Malang jumlah penduduk Kota Malang pada tahun
2015 adalah 851298 jiwa dengan rincian 419713 jiwa untuk penduduk berjenis kelamin
laki-laki dan 431585 untuk penduduk berjenis kelamin perempuan
Gambar 42 Jumlah Penduduk Kota Malang Tahun 2015 Berdasarkan Jenis Kelamin
Sumber Kota Malang Dalam Angka (2016)
Berdasarkan data BPS Kota MalangPerekonomian kota Malang dapat berjalan dengan
baik karena didukung oleh Sektor perdagangan yang maju hal ini terbukti karena sektor
usaha yang menjadi penyumbang terbesar pada PDRB 2015 adalah Sektor Perdagangan
dengan 289 Sedangkan yang menjadi penyumbang terkecil pada PDRB 2015 adalah
sektor Pertambangan dengan 01
49
Tabel 41
Produk Domestik Regional Bruto Atas Dasar Harga Berlaku di Kota Malang(miliar rupiah)
Sektor Usaha PDRB
2015
a Pertanian kehutanan dan Perikanan 1575 03
b Pertambangan 517 01
c Industri Pengolahan 137343 265
d Pengadaan Listrik dan Gas 145 003
e Pengadaan Air Pengelolaan sampah Limbah dan Daur Ulang 971 019
f Konstruksi 64965 1254
g Perdagangan bersar dan Eceran 149771 289
h Transportasi dan Pergudangan 12506 241
i Penyediaan Akomodasi dan Makan Minum 24847 479
j Informasi dan Komunikasi 20573 397
k Jasa Keuangan dan Asuransi 15385 297
l Real Estate 7296 141
mn Jasa Perusahaan 3995 077
o Administrasi Pemerintahan Pertahanan dan Jaminan Sosial
Wajib 7886
152
p Jasa Pendidikan 42245 815
q Jasa Kesehatan dan Kegiatan Sosial 12920 249
rstu Jasa Lainnya 15340 296
Total 5182798
Sumber BPS 2016
412 Kota Blitar
Kota Blitar adalah salah satu kota kecil yang ada di provinsi Jawa Timur Kota ini
terletak pada koordinat 112014rsquo ndash 112
028rsquo Bujur Timur dan 8
02rsquo ndash 8
08rsquo Lintang Selatan
dengan ketinggian kota berada pada +156 m dari permukaan laut Kota Blitar dibagi
menjadi 3 Kecamatan yaitu Kecamatan Kepanjenkidul Kecamatan Sananwetan dan
Kecamatan Sukorejo
50
Gambar 43 Peta Kota Blitar
Sumber Bappeda Kota Blitar (2017)
51
Menurut data BPS Kota Blitar rasio jumlah penduduk Kota Blitar antara laki-laki
dan perempuan memiliki rasio sebesar 9915 Untuk jumlah penduduk Kota Blitar
sebanyak 146155 jiwa dengan rincian Kecamatan Sananwetan dengan jumlah penduduk
sebesar 54193 jiwa Kecamatan Sukorejo sebanyak 49783 jiwa dan Kecamatan
Kepanjenkidul sebanyak 42179 jiwa
Gambar 44 Jumlah Penduduk Kota Blitar Tahun 2015 Berdasarkan Jenis Kelamin
Sumber Kota Blitar Dalam Angka (2016)
Berdasarkan data BPS Kota BlitarPerekonomian kota Blitar dapat berjalan dengan
baik karena didukung oleh Sektor perdagangan yang cukup baik hal ini terbukti karena
sektor usaha ini menjadi penyumbang terbesar pada PDRB 2014 dengan persentase sebesar
2316 Sedangkan yang menjadi penyumbang terkecil pada PDRB 2014 adalah sektor
Pertambangan dengan 001
52
Tabel 42
Produk Domestik Regional Bruto Atas Dasar Harga Berlaku di Kota Blitar (juta rupiah)
Sektor Usaha PDRB
2014
a Pertanian kehutanan dan Perikanan 1511285 347
b Pertambangan 3341 001
c Industri Pengolahan 4066326 934
d Pengadaan Listrik dan Gas 24977 006
e Pengadaan Air Pengelolaan sampah Limbah dan Daur
Ulang 69131 016
f Konstruksi 3395838 780
g Perdagangan bersar dan Eceran 10081525 2316
h Transportasi dan Pergudangan 1762864 405
i Penyediaan Akomodasi dan Makan Minum 2088388 4798
j Informasi dan Komunikasi 4713623 1083
k Jasa Keuangan dan Asuransi 466897 1073
l Real Estate 1636002 376
mn Jasa Perusahaan 334866 077
o Administrasi Pemerintahan Pertahanan dan Jaminan
Sosial Wajib 3029856
696
p Jasa Pendidikan 309336 711
q Jasa Kesehatan dan Kegiatan Sosial 835206 192
rstu Jasa Lainnya 2212406 508
Total 4352794
Sumber BPS 2016
42 Karakteristik Jalan dan Lalu Lintas
421 Ruas Jalan yang Dikaji di Kota Malang
a Jalan Borobudur
Jalan Borobudur merupakan salah satu jalan yang padat di Kota Malang Tata guna
lahan di Jalan Borobudur terdapat pertokoan dan pasar Dengan adanya pasar maka
kegiatan lalu lintas di daerah ini sering mengalami kemacetan
53
18 m 1 m 405 m 405 m 25 m 335 m 335 m 15 m
216 m
BIBLIO CAD
Trotoar Jalur Lalu Lintas Median Jalur Lalu Lintas TrotoarBahu Jalan
Gambar 45 Penampang Melintang Jalan Borobudur Kota Malang
180
050
405
405
250
335
335
150
Trotoar
Trotoar
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 46 Penampang Memanjang Jalan Borobudur Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
14278 smpjam dan untuk arah Barat yaitu sebesar 17461 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam dan kecepatan untuk arah
Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4154
kmjam
Data penentuan volume jam puncak ditentukan dari 3 waktu survey yaitu pagi
siang dan sore
TIMUR
BARAT
54
Tabel 43
Penentuan Volume Jam Puncak
Waktu MC
(025)
LV (1) HV
(13)
Total
0600-0700 650 508 11 1169
0605-0705 686 526 10 1222
0610-0710 705 534 11 1250
0615-0715 708 534 11 1253
0620-0720 734 531 12 1277
0625-0725 746 535 14 1295
0630-0730 763 541 18 1322
0635-0735 780 541 17 1338
0640-0740 801 550 17 1367
0645-0745 822 564 18 1404
0650-0750 833 577 18 1428
0655-0755 833 567 16 1416
0700-0800 826 556 17 1399
Jam Puncak Weekend Weekday
T - B B - T Total T - B B - T Total
Pagi 946 885 1830 1746 1428 3174
Siang 1056 1177 2233 1082 1251 2333
Sore 996 1025 2021 1197 1144 2342
Sedangkan kecepatan pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam
dan kecepatan untuk arah Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan
rata-rata sebesar 4511 kmjam Data kecepatan yang digunakan adalah 85 kecepatan
Dari 3 jam puncak yang ditentukan dipilih salah satu yang memiliki kecepatan yang
tertinggi Kemudian untuk mencari data kecepatan perlu diambil range data kecepatan
kendaraan dengan rumus r= (kecepatan maksimum) - (dengan kecepatan minimum)
Kemudian dicari kelas data dengan rumus k = 1 + 33 log (jumlah kendaraan) kemudian
dicari interval kecepatan dengan rumus c = rk Perhitungan dibawah merupakan contoh
perhitungan tipe kendaraan sepeda motor pada ruas Borobudur ke arah timur
55
MC (Motor Cycle)
r(range data) = nilai kecepatan max - nilai kecepatan min
= 8978 - 2389
= 6589
k(kelas ) = 100 + 330 log 12000
= 100 + 686
= 786
c(interval) = rk
= 838
Kemudian dari data diatas dibentuk tabel 44 untuk mencari 85 kecepatan operasional
sepeda motor
Tabel 44
Pengolahan Data Kecepatan dengan Metode Statistik
Kecepatan x
Sepeda Motor
frekuensi frekuensi
kumulatif
23889 32270 28079 5 5 416667
32270 40651 36460 10 15 125
40651 49032 44841 46 61 508333
49032 57413 53223 34 95 791667
57413 65794 61604 22 117 975
65794 74176 69985 0 117 975
74176 82557 78366 2 119 991667
82557 90938 86747 0 119 991667
9094 9932 95129 100 120 100
Gambar 47 Grafik Interpolasi Kecepatan 85
56
Data kecepatan LV(Light Vehicle) dan HV(Heavy Vehicle) dilakukan sesuai dengan cara
sebelumnya dan diambil rata ratanya seperti terlihat pada tabel 45
Tabel 45
Rata-rata 85 kecepatan kendaraan MC LV dan HV
Kecepatan Jumlah Rata-rata
MC 5589 12000
453968846 LV 4097 17700
HV 3006 3100
b Jalan Ikan Tombro
Jalan Ikan Tombro padat pada jam-jam tertentu dikarenakan terdapat sekolah di
sekitar jalan tersebut
Jalur Lalu Lintas
2 m 2 m
4 m
Gambar 48 Penampang Melintang Jalan Ikan Tombro Kota Malang
20
020
040
0
Badan Jalan
Gambar 49 Penampang Memanjang Jalan Ikan Tombro Kota Malang
Pada ruas Jalan Ikan Tombro dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 200125 smpjam Sedangkan kecepatan
pada ruas Jalan Ikan Tombro pada arah Utara sebesar 4282 kmjam dan kecepatan untuk
arah Selatan sebesar 4729 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar
4506 kmjam
c Jalan Ahmad Yani
Jalan A Yani merupakan salah satu jalan yang padat di Kota Malang
UTARA
SELATAN
57
22 m 405 m 405 m 34 m 34 m 15 m
BIBLIO CAD
191 m
Trotoar Jalur Lalu Lintas Jalur Lalu Lintas Trotoar
Median
05 m
Gambar 410 Penampang Melintang Jalan Ahmad Yani Kota Malang
Trotoar
Badan Jalan
Badan Jalan
22
08
10
05
03
40
34
01
50
Trotoar
Gambar 411 Penampang Memanjang Jalan Ahmad Yani Kota Malang
Dari data volume kendaraan di ruas Jalan Ahmad Yani diperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 4910 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4868 kmjam dan kecepatan untuk arah Selatan sebesar 5057 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4963 kmjam
d Jalan Patimura
Jalan Pattimura digunakan sebagai daerah pertokoan sehingga banyak hambatan
samping yang berupa kendaraan yang parker
TrotoarTrotoar Jalur Lalu Lintas
15 m 455 m 455 m 15 m
BIBLIO CAD
1211 m
Gambar 412 Penampang Melintang Jalan Patimura Kota Malang
UTARA
SELATAN
58
150
450
150
460
Trotoar
Trotoar
Badan Jalan
Gambar 413 Penampang Memanjang Jalan Pattimura Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
1974 smpjam dan untuk arah Barat yaitu sebesar 42705 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4529 kmjam dan kecepatan untuk arah
Barat sebesar 4409 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4469
kmjam
e Jalan Jenderal Basuki Rahmat
Jalan Jend Basuki Rahmat merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahannya pun diperuntukkan sebagai daerah komersil sehingga terdapat kegiatan
lalu lintas yang dinamis
2 m 23 m 5 m 32 m 33 m 3 m 22 m 2 m
239 m
BIBLIO CAD
Trotoar Bahu Jalan Jalur Lalu Lintas Jalur Lalu Lintas Bahu Jalan Trotoar
Median
09 m
Gambar 414 Penampang Melintang Jalan Basuki Rahmat Kota Malang
20
022
042
032
009
033
030
022
020
0
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 415 Penampang Memanjang Jalan Basuki Rahmat Kota Malang
BARAT
TIMUR
SELATAN
UTARA
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
48
Berdasarkan data BPS Kota Malang jumlah penduduk Kota Malang pada tahun
2015 adalah 851298 jiwa dengan rincian 419713 jiwa untuk penduduk berjenis kelamin
laki-laki dan 431585 untuk penduduk berjenis kelamin perempuan
Gambar 42 Jumlah Penduduk Kota Malang Tahun 2015 Berdasarkan Jenis Kelamin
Sumber Kota Malang Dalam Angka (2016)
Berdasarkan data BPS Kota MalangPerekonomian kota Malang dapat berjalan dengan
baik karena didukung oleh Sektor perdagangan yang maju hal ini terbukti karena sektor
usaha yang menjadi penyumbang terbesar pada PDRB 2015 adalah Sektor Perdagangan
dengan 289 Sedangkan yang menjadi penyumbang terkecil pada PDRB 2015 adalah
sektor Pertambangan dengan 01
49
Tabel 41
Produk Domestik Regional Bruto Atas Dasar Harga Berlaku di Kota Malang(miliar rupiah)
Sektor Usaha PDRB
2015
a Pertanian kehutanan dan Perikanan 1575 03
b Pertambangan 517 01
c Industri Pengolahan 137343 265
d Pengadaan Listrik dan Gas 145 003
e Pengadaan Air Pengelolaan sampah Limbah dan Daur Ulang 971 019
f Konstruksi 64965 1254
g Perdagangan bersar dan Eceran 149771 289
h Transportasi dan Pergudangan 12506 241
i Penyediaan Akomodasi dan Makan Minum 24847 479
j Informasi dan Komunikasi 20573 397
k Jasa Keuangan dan Asuransi 15385 297
l Real Estate 7296 141
mn Jasa Perusahaan 3995 077
o Administrasi Pemerintahan Pertahanan dan Jaminan Sosial
Wajib 7886
152
p Jasa Pendidikan 42245 815
q Jasa Kesehatan dan Kegiatan Sosial 12920 249
rstu Jasa Lainnya 15340 296
Total 5182798
Sumber BPS 2016
412 Kota Blitar
Kota Blitar adalah salah satu kota kecil yang ada di provinsi Jawa Timur Kota ini
terletak pada koordinat 112014rsquo ndash 112
028rsquo Bujur Timur dan 8
02rsquo ndash 8
08rsquo Lintang Selatan
dengan ketinggian kota berada pada +156 m dari permukaan laut Kota Blitar dibagi
menjadi 3 Kecamatan yaitu Kecamatan Kepanjenkidul Kecamatan Sananwetan dan
Kecamatan Sukorejo
50
Gambar 43 Peta Kota Blitar
Sumber Bappeda Kota Blitar (2017)
51
Menurut data BPS Kota Blitar rasio jumlah penduduk Kota Blitar antara laki-laki
dan perempuan memiliki rasio sebesar 9915 Untuk jumlah penduduk Kota Blitar
sebanyak 146155 jiwa dengan rincian Kecamatan Sananwetan dengan jumlah penduduk
sebesar 54193 jiwa Kecamatan Sukorejo sebanyak 49783 jiwa dan Kecamatan
Kepanjenkidul sebanyak 42179 jiwa
Gambar 44 Jumlah Penduduk Kota Blitar Tahun 2015 Berdasarkan Jenis Kelamin
Sumber Kota Blitar Dalam Angka (2016)
Berdasarkan data BPS Kota BlitarPerekonomian kota Blitar dapat berjalan dengan
baik karena didukung oleh Sektor perdagangan yang cukup baik hal ini terbukti karena
sektor usaha ini menjadi penyumbang terbesar pada PDRB 2014 dengan persentase sebesar
2316 Sedangkan yang menjadi penyumbang terkecil pada PDRB 2014 adalah sektor
Pertambangan dengan 001
52
Tabel 42
Produk Domestik Regional Bruto Atas Dasar Harga Berlaku di Kota Blitar (juta rupiah)
Sektor Usaha PDRB
2014
a Pertanian kehutanan dan Perikanan 1511285 347
b Pertambangan 3341 001
c Industri Pengolahan 4066326 934
d Pengadaan Listrik dan Gas 24977 006
e Pengadaan Air Pengelolaan sampah Limbah dan Daur
Ulang 69131 016
f Konstruksi 3395838 780
g Perdagangan bersar dan Eceran 10081525 2316
h Transportasi dan Pergudangan 1762864 405
i Penyediaan Akomodasi dan Makan Minum 2088388 4798
j Informasi dan Komunikasi 4713623 1083
k Jasa Keuangan dan Asuransi 466897 1073
l Real Estate 1636002 376
mn Jasa Perusahaan 334866 077
o Administrasi Pemerintahan Pertahanan dan Jaminan
Sosial Wajib 3029856
696
p Jasa Pendidikan 309336 711
q Jasa Kesehatan dan Kegiatan Sosial 835206 192
rstu Jasa Lainnya 2212406 508
Total 4352794
Sumber BPS 2016
42 Karakteristik Jalan dan Lalu Lintas
421 Ruas Jalan yang Dikaji di Kota Malang
a Jalan Borobudur
Jalan Borobudur merupakan salah satu jalan yang padat di Kota Malang Tata guna
lahan di Jalan Borobudur terdapat pertokoan dan pasar Dengan adanya pasar maka
kegiatan lalu lintas di daerah ini sering mengalami kemacetan
53
18 m 1 m 405 m 405 m 25 m 335 m 335 m 15 m
216 m
BIBLIO CAD
Trotoar Jalur Lalu Lintas Median Jalur Lalu Lintas TrotoarBahu Jalan
Gambar 45 Penampang Melintang Jalan Borobudur Kota Malang
180
050
405
405
250
335
335
150
Trotoar
Trotoar
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 46 Penampang Memanjang Jalan Borobudur Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
14278 smpjam dan untuk arah Barat yaitu sebesar 17461 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam dan kecepatan untuk arah
Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4154
kmjam
Data penentuan volume jam puncak ditentukan dari 3 waktu survey yaitu pagi
siang dan sore
TIMUR
BARAT
54
Tabel 43
Penentuan Volume Jam Puncak
Waktu MC
(025)
LV (1) HV
(13)
Total
0600-0700 650 508 11 1169
0605-0705 686 526 10 1222
0610-0710 705 534 11 1250
0615-0715 708 534 11 1253
0620-0720 734 531 12 1277
0625-0725 746 535 14 1295
0630-0730 763 541 18 1322
0635-0735 780 541 17 1338
0640-0740 801 550 17 1367
0645-0745 822 564 18 1404
0650-0750 833 577 18 1428
0655-0755 833 567 16 1416
0700-0800 826 556 17 1399
Jam Puncak Weekend Weekday
T - B B - T Total T - B B - T Total
Pagi 946 885 1830 1746 1428 3174
Siang 1056 1177 2233 1082 1251 2333
Sore 996 1025 2021 1197 1144 2342
Sedangkan kecepatan pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam
dan kecepatan untuk arah Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan
rata-rata sebesar 4511 kmjam Data kecepatan yang digunakan adalah 85 kecepatan
Dari 3 jam puncak yang ditentukan dipilih salah satu yang memiliki kecepatan yang
tertinggi Kemudian untuk mencari data kecepatan perlu diambil range data kecepatan
kendaraan dengan rumus r= (kecepatan maksimum) - (dengan kecepatan minimum)
Kemudian dicari kelas data dengan rumus k = 1 + 33 log (jumlah kendaraan) kemudian
dicari interval kecepatan dengan rumus c = rk Perhitungan dibawah merupakan contoh
perhitungan tipe kendaraan sepeda motor pada ruas Borobudur ke arah timur
55
MC (Motor Cycle)
r(range data) = nilai kecepatan max - nilai kecepatan min
= 8978 - 2389
= 6589
k(kelas ) = 100 + 330 log 12000
= 100 + 686
= 786
c(interval) = rk
= 838
Kemudian dari data diatas dibentuk tabel 44 untuk mencari 85 kecepatan operasional
sepeda motor
Tabel 44
Pengolahan Data Kecepatan dengan Metode Statistik
Kecepatan x
Sepeda Motor
frekuensi frekuensi
kumulatif
23889 32270 28079 5 5 416667
32270 40651 36460 10 15 125
40651 49032 44841 46 61 508333
49032 57413 53223 34 95 791667
57413 65794 61604 22 117 975
65794 74176 69985 0 117 975
74176 82557 78366 2 119 991667
82557 90938 86747 0 119 991667
9094 9932 95129 100 120 100
Gambar 47 Grafik Interpolasi Kecepatan 85
56
Data kecepatan LV(Light Vehicle) dan HV(Heavy Vehicle) dilakukan sesuai dengan cara
sebelumnya dan diambil rata ratanya seperti terlihat pada tabel 45
Tabel 45
Rata-rata 85 kecepatan kendaraan MC LV dan HV
Kecepatan Jumlah Rata-rata
MC 5589 12000
453968846 LV 4097 17700
HV 3006 3100
b Jalan Ikan Tombro
Jalan Ikan Tombro padat pada jam-jam tertentu dikarenakan terdapat sekolah di
sekitar jalan tersebut
Jalur Lalu Lintas
2 m 2 m
4 m
Gambar 48 Penampang Melintang Jalan Ikan Tombro Kota Malang
20
020
040
0
Badan Jalan
Gambar 49 Penampang Memanjang Jalan Ikan Tombro Kota Malang
Pada ruas Jalan Ikan Tombro dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 200125 smpjam Sedangkan kecepatan
pada ruas Jalan Ikan Tombro pada arah Utara sebesar 4282 kmjam dan kecepatan untuk
arah Selatan sebesar 4729 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar
4506 kmjam
c Jalan Ahmad Yani
Jalan A Yani merupakan salah satu jalan yang padat di Kota Malang
UTARA
SELATAN
57
22 m 405 m 405 m 34 m 34 m 15 m
BIBLIO CAD
191 m
Trotoar Jalur Lalu Lintas Jalur Lalu Lintas Trotoar
Median
05 m
Gambar 410 Penampang Melintang Jalan Ahmad Yani Kota Malang
Trotoar
Badan Jalan
Badan Jalan
22
08
10
05
03
40
34
01
50
Trotoar
Gambar 411 Penampang Memanjang Jalan Ahmad Yani Kota Malang
Dari data volume kendaraan di ruas Jalan Ahmad Yani diperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 4910 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4868 kmjam dan kecepatan untuk arah Selatan sebesar 5057 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4963 kmjam
d Jalan Patimura
Jalan Pattimura digunakan sebagai daerah pertokoan sehingga banyak hambatan
samping yang berupa kendaraan yang parker
TrotoarTrotoar Jalur Lalu Lintas
15 m 455 m 455 m 15 m
BIBLIO CAD
1211 m
Gambar 412 Penampang Melintang Jalan Patimura Kota Malang
UTARA
SELATAN
58
150
450
150
460
Trotoar
Trotoar
Badan Jalan
Gambar 413 Penampang Memanjang Jalan Pattimura Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
1974 smpjam dan untuk arah Barat yaitu sebesar 42705 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4529 kmjam dan kecepatan untuk arah
Barat sebesar 4409 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4469
kmjam
e Jalan Jenderal Basuki Rahmat
Jalan Jend Basuki Rahmat merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahannya pun diperuntukkan sebagai daerah komersil sehingga terdapat kegiatan
lalu lintas yang dinamis
2 m 23 m 5 m 32 m 33 m 3 m 22 m 2 m
239 m
BIBLIO CAD
Trotoar Bahu Jalan Jalur Lalu Lintas Jalur Lalu Lintas Bahu Jalan Trotoar
Median
09 m
Gambar 414 Penampang Melintang Jalan Basuki Rahmat Kota Malang
20
022
042
032
009
033
030
022
020
0
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 415 Penampang Memanjang Jalan Basuki Rahmat Kota Malang
BARAT
TIMUR
SELATAN
UTARA
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
49
Tabel 41
Produk Domestik Regional Bruto Atas Dasar Harga Berlaku di Kota Malang(miliar rupiah)
Sektor Usaha PDRB
2015
a Pertanian kehutanan dan Perikanan 1575 03
b Pertambangan 517 01
c Industri Pengolahan 137343 265
d Pengadaan Listrik dan Gas 145 003
e Pengadaan Air Pengelolaan sampah Limbah dan Daur Ulang 971 019
f Konstruksi 64965 1254
g Perdagangan bersar dan Eceran 149771 289
h Transportasi dan Pergudangan 12506 241
i Penyediaan Akomodasi dan Makan Minum 24847 479
j Informasi dan Komunikasi 20573 397
k Jasa Keuangan dan Asuransi 15385 297
l Real Estate 7296 141
mn Jasa Perusahaan 3995 077
o Administrasi Pemerintahan Pertahanan dan Jaminan Sosial
Wajib 7886
152
p Jasa Pendidikan 42245 815
q Jasa Kesehatan dan Kegiatan Sosial 12920 249
rstu Jasa Lainnya 15340 296
Total 5182798
Sumber BPS 2016
412 Kota Blitar
Kota Blitar adalah salah satu kota kecil yang ada di provinsi Jawa Timur Kota ini
terletak pada koordinat 112014rsquo ndash 112
028rsquo Bujur Timur dan 8
02rsquo ndash 8
08rsquo Lintang Selatan
dengan ketinggian kota berada pada +156 m dari permukaan laut Kota Blitar dibagi
menjadi 3 Kecamatan yaitu Kecamatan Kepanjenkidul Kecamatan Sananwetan dan
Kecamatan Sukorejo
50
Gambar 43 Peta Kota Blitar
Sumber Bappeda Kota Blitar (2017)
51
Menurut data BPS Kota Blitar rasio jumlah penduduk Kota Blitar antara laki-laki
dan perempuan memiliki rasio sebesar 9915 Untuk jumlah penduduk Kota Blitar
sebanyak 146155 jiwa dengan rincian Kecamatan Sananwetan dengan jumlah penduduk
sebesar 54193 jiwa Kecamatan Sukorejo sebanyak 49783 jiwa dan Kecamatan
Kepanjenkidul sebanyak 42179 jiwa
Gambar 44 Jumlah Penduduk Kota Blitar Tahun 2015 Berdasarkan Jenis Kelamin
Sumber Kota Blitar Dalam Angka (2016)
Berdasarkan data BPS Kota BlitarPerekonomian kota Blitar dapat berjalan dengan
baik karena didukung oleh Sektor perdagangan yang cukup baik hal ini terbukti karena
sektor usaha ini menjadi penyumbang terbesar pada PDRB 2014 dengan persentase sebesar
2316 Sedangkan yang menjadi penyumbang terkecil pada PDRB 2014 adalah sektor
Pertambangan dengan 001
52
Tabel 42
Produk Domestik Regional Bruto Atas Dasar Harga Berlaku di Kota Blitar (juta rupiah)
Sektor Usaha PDRB
2014
a Pertanian kehutanan dan Perikanan 1511285 347
b Pertambangan 3341 001
c Industri Pengolahan 4066326 934
d Pengadaan Listrik dan Gas 24977 006
e Pengadaan Air Pengelolaan sampah Limbah dan Daur
Ulang 69131 016
f Konstruksi 3395838 780
g Perdagangan bersar dan Eceran 10081525 2316
h Transportasi dan Pergudangan 1762864 405
i Penyediaan Akomodasi dan Makan Minum 2088388 4798
j Informasi dan Komunikasi 4713623 1083
k Jasa Keuangan dan Asuransi 466897 1073
l Real Estate 1636002 376
mn Jasa Perusahaan 334866 077
o Administrasi Pemerintahan Pertahanan dan Jaminan
Sosial Wajib 3029856
696
p Jasa Pendidikan 309336 711
q Jasa Kesehatan dan Kegiatan Sosial 835206 192
rstu Jasa Lainnya 2212406 508
Total 4352794
Sumber BPS 2016
42 Karakteristik Jalan dan Lalu Lintas
421 Ruas Jalan yang Dikaji di Kota Malang
a Jalan Borobudur
Jalan Borobudur merupakan salah satu jalan yang padat di Kota Malang Tata guna
lahan di Jalan Borobudur terdapat pertokoan dan pasar Dengan adanya pasar maka
kegiatan lalu lintas di daerah ini sering mengalami kemacetan
53
18 m 1 m 405 m 405 m 25 m 335 m 335 m 15 m
216 m
BIBLIO CAD
Trotoar Jalur Lalu Lintas Median Jalur Lalu Lintas TrotoarBahu Jalan
Gambar 45 Penampang Melintang Jalan Borobudur Kota Malang
180
050
405
405
250
335
335
150
Trotoar
Trotoar
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 46 Penampang Memanjang Jalan Borobudur Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
14278 smpjam dan untuk arah Barat yaitu sebesar 17461 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam dan kecepatan untuk arah
Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4154
kmjam
Data penentuan volume jam puncak ditentukan dari 3 waktu survey yaitu pagi
siang dan sore
TIMUR
BARAT
54
Tabel 43
Penentuan Volume Jam Puncak
Waktu MC
(025)
LV (1) HV
(13)
Total
0600-0700 650 508 11 1169
0605-0705 686 526 10 1222
0610-0710 705 534 11 1250
0615-0715 708 534 11 1253
0620-0720 734 531 12 1277
0625-0725 746 535 14 1295
0630-0730 763 541 18 1322
0635-0735 780 541 17 1338
0640-0740 801 550 17 1367
0645-0745 822 564 18 1404
0650-0750 833 577 18 1428
0655-0755 833 567 16 1416
0700-0800 826 556 17 1399
Jam Puncak Weekend Weekday
T - B B - T Total T - B B - T Total
Pagi 946 885 1830 1746 1428 3174
Siang 1056 1177 2233 1082 1251 2333
Sore 996 1025 2021 1197 1144 2342
Sedangkan kecepatan pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam
dan kecepatan untuk arah Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan
rata-rata sebesar 4511 kmjam Data kecepatan yang digunakan adalah 85 kecepatan
Dari 3 jam puncak yang ditentukan dipilih salah satu yang memiliki kecepatan yang
tertinggi Kemudian untuk mencari data kecepatan perlu diambil range data kecepatan
kendaraan dengan rumus r= (kecepatan maksimum) - (dengan kecepatan minimum)
Kemudian dicari kelas data dengan rumus k = 1 + 33 log (jumlah kendaraan) kemudian
dicari interval kecepatan dengan rumus c = rk Perhitungan dibawah merupakan contoh
perhitungan tipe kendaraan sepeda motor pada ruas Borobudur ke arah timur
55
MC (Motor Cycle)
r(range data) = nilai kecepatan max - nilai kecepatan min
= 8978 - 2389
= 6589
k(kelas ) = 100 + 330 log 12000
= 100 + 686
= 786
c(interval) = rk
= 838
Kemudian dari data diatas dibentuk tabel 44 untuk mencari 85 kecepatan operasional
sepeda motor
Tabel 44
Pengolahan Data Kecepatan dengan Metode Statistik
Kecepatan x
Sepeda Motor
frekuensi frekuensi
kumulatif
23889 32270 28079 5 5 416667
32270 40651 36460 10 15 125
40651 49032 44841 46 61 508333
49032 57413 53223 34 95 791667
57413 65794 61604 22 117 975
65794 74176 69985 0 117 975
74176 82557 78366 2 119 991667
82557 90938 86747 0 119 991667
9094 9932 95129 100 120 100
Gambar 47 Grafik Interpolasi Kecepatan 85
56
Data kecepatan LV(Light Vehicle) dan HV(Heavy Vehicle) dilakukan sesuai dengan cara
sebelumnya dan diambil rata ratanya seperti terlihat pada tabel 45
Tabel 45
Rata-rata 85 kecepatan kendaraan MC LV dan HV
Kecepatan Jumlah Rata-rata
MC 5589 12000
453968846 LV 4097 17700
HV 3006 3100
b Jalan Ikan Tombro
Jalan Ikan Tombro padat pada jam-jam tertentu dikarenakan terdapat sekolah di
sekitar jalan tersebut
Jalur Lalu Lintas
2 m 2 m
4 m
Gambar 48 Penampang Melintang Jalan Ikan Tombro Kota Malang
20
020
040
0
Badan Jalan
Gambar 49 Penampang Memanjang Jalan Ikan Tombro Kota Malang
Pada ruas Jalan Ikan Tombro dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 200125 smpjam Sedangkan kecepatan
pada ruas Jalan Ikan Tombro pada arah Utara sebesar 4282 kmjam dan kecepatan untuk
arah Selatan sebesar 4729 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar
4506 kmjam
c Jalan Ahmad Yani
Jalan A Yani merupakan salah satu jalan yang padat di Kota Malang
UTARA
SELATAN
57
22 m 405 m 405 m 34 m 34 m 15 m
BIBLIO CAD
191 m
Trotoar Jalur Lalu Lintas Jalur Lalu Lintas Trotoar
Median
05 m
Gambar 410 Penampang Melintang Jalan Ahmad Yani Kota Malang
Trotoar
Badan Jalan
Badan Jalan
22
08
10
05
03
40
34
01
50
Trotoar
Gambar 411 Penampang Memanjang Jalan Ahmad Yani Kota Malang
Dari data volume kendaraan di ruas Jalan Ahmad Yani diperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 4910 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4868 kmjam dan kecepatan untuk arah Selatan sebesar 5057 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4963 kmjam
d Jalan Patimura
Jalan Pattimura digunakan sebagai daerah pertokoan sehingga banyak hambatan
samping yang berupa kendaraan yang parker
TrotoarTrotoar Jalur Lalu Lintas
15 m 455 m 455 m 15 m
BIBLIO CAD
1211 m
Gambar 412 Penampang Melintang Jalan Patimura Kota Malang
UTARA
SELATAN
58
150
450
150
460
Trotoar
Trotoar
Badan Jalan
Gambar 413 Penampang Memanjang Jalan Pattimura Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
1974 smpjam dan untuk arah Barat yaitu sebesar 42705 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4529 kmjam dan kecepatan untuk arah
Barat sebesar 4409 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4469
kmjam
e Jalan Jenderal Basuki Rahmat
Jalan Jend Basuki Rahmat merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahannya pun diperuntukkan sebagai daerah komersil sehingga terdapat kegiatan
lalu lintas yang dinamis
2 m 23 m 5 m 32 m 33 m 3 m 22 m 2 m
239 m
BIBLIO CAD
Trotoar Bahu Jalan Jalur Lalu Lintas Jalur Lalu Lintas Bahu Jalan Trotoar
Median
09 m
Gambar 414 Penampang Melintang Jalan Basuki Rahmat Kota Malang
20
022
042
032
009
033
030
022
020
0
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 415 Penampang Memanjang Jalan Basuki Rahmat Kota Malang
BARAT
TIMUR
SELATAN
UTARA
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
50
Gambar 43 Peta Kota Blitar
Sumber Bappeda Kota Blitar (2017)
51
Menurut data BPS Kota Blitar rasio jumlah penduduk Kota Blitar antara laki-laki
dan perempuan memiliki rasio sebesar 9915 Untuk jumlah penduduk Kota Blitar
sebanyak 146155 jiwa dengan rincian Kecamatan Sananwetan dengan jumlah penduduk
sebesar 54193 jiwa Kecamatan Sukorejo sebanyak 49783 jiwa dan Kecamatan
Kepanjenkidul sebanyak 42179 jiwa
Gambar 44 Jumlah Penduduk Kota Blitar Tahun 2015 Berdasarkan Jenis Kelamin
Sumber Kota Blitar Dalam Angka (2016)
Berdasarkan data BPS Kota BlitarPerekonomian kota Blitar dapat berjalan dengan
baik karena didukung oleh Sektor perdagangan yang cukup baik hal ini terbukti karena
sektor usaha ini menjadi penyumbang terbesar pada PDRB 2014 dengan persentase sebesar
2316 Sedangkan yang menjadi penyumbang terkecil pada PDRB 2014 adalah sektor
Pertambangan dengan 001
52
Tabel 42
Produk Domestik Regional Bruto Atas Dasar Harga Berlaku di Kota Blitar (juta rupiah)
Sektor Usaha PDRB
2014
a Pertanian kehutanan dan Perikanan 1511285 347
b Pertambangan 3341 001
c Industri Pengolahan 4066326 934
d Pengadaan Listrik dan Gas 24977 006
e Pengadaan Air Pengelolaan sampah Limbah dan Daur
Ulang 69131 016
f Konstruksi 3395838 780
g Perdagangan bersar dan Eceran 10081525 2316
h Transportasi dan Pergudangan 1762864 405
i Penyediaan Akomodasi dan Makan Minum 2088388 4798
j Informasi dan Komunikasi 4713623 1083
k Jasa Keuangan dan Asuransi 466897 1073
l Real Estate 1636002 376
mn Jasa Perusahaan 334866 077
o Administrasi Pemerintahan Pertahanan dan Jaminan
Sosial Wajib 3029856
696
p Jasa Pendidikan 309336 711
q Jasa Kesehatan dan Kegiatan Sosial 835206 192
rstu Jasa Lainnya 2212406 508
Total 4352794
Sumber BPS 2016
42 Karakteristik Jalan dan Lalu Lintas
421 Ruas Jalan yang Dikaji di Kota Malang
a Jalan Borobudur
Jalan Borobudur merupakan salah satu jalan yang padat di Kota Malang Tata guna
lahan di Jalan Borobudur terdapat pertokoan dan pasar Dengan adanya pasar maka
kegiatan lalu lintas di daerah ini sering mengalami kemacetan
53
18 m 1 m 405 m 405 m 25 m 335 m 335 m 15 m
216 m
BIBLIO CAD
Trotoar Jalur Lalu Lintas Median Jalur Lalu Lintas TrotoarBahu Jalan
Gambar 45 Penampang Melintang Jalan Borobudur Kota Malang
180
050
405
405
250
335
335
150
Trotoar
Trotoar
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 46 Penampang Memanjang Jalan Borobudur Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
14278 smpjam dan untuk arah Barat yaitu sebesar 17461 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam dan kecepatan untuk arah
Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4154
kmjam
Data penentuan volume jam puncak ditentukan dari 3 waktu survey yaitu pagi
siang dan sore
TIMUR
BARAT
54
Tabel 43
Penentuan Volume Jam Puncak
Waktu MC
(025)
LV (1) HV
(13)
Total
0600-0700 650 508 11 1169
0605-0705 686 526 10 1222
0610-0710 705 534 11 1250
0615-0715 708 534 11 1253
0620-0720 734 531 12 1277
0625-0725 746 535 14 1295
0630-0730 763 541 18 1322
0635-0735 780 541 17 1338
0640-0740 801 550 17 1367
0645-0745 822 564 18 1404
0650-0750 833 577 18 1428
0655-0755 833 567 16 1416
0700-0800 826 556 17 1399
Jam Puncak Weekend Weekday
T - B B - T Total T - B B - T Total
Pagi 946 885 1830 1746 1428 3174
Siang 1056 1177 2233 1082 1251 2333
Sore 996 1025 2021 1197 1144 2342
Sedangkan kecepatan pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam
dan kecepatan untuk arah Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan
rata-rata sebesar 4511 kmjam Data kecepatan yang digunakan adalah 85 kecepatan
Dari 3 jam puncak yang ditentukan dipilih salah satu yang memiliki kecepatan yang
tertinggi Kemudian untuk mencari data kecepatan perlu diambil range data kecepatan
kendaraan dengan rumus r= (kecepatan maksimum) - (dengan kecepatan minimum)
Kemudian dicari kelas data dengan rumus k = 1 + 33 log (jumlah kendaraan) kemudian
dicari interval kecepatan dengan rumus c = rk Perhitungan dibawah merupakan contoh
perhitungan tipe kendaraan sepeda motor pada ruas Borobudur ke arah timur
55
MC (Motor Cycle)
r(range data) = nilai kecepatan max - nilai kecepatan min
= 8978 - 2389
= 6589
k(kelas ) = 100 + 330 log 12000
= 100 + 686
= 786
c(interval) = rk
= 838
Kemudian dari data diatas dibentuk tabel 44 untuk mencari 85 kecepatan operasional
sepeda motor
Tabel 44
Pengolahan Data Kecepatan dengan Metode Statistik
Kecepatan x
Sepeda Motor
frekuensi frekuensi
kumulatif
23889 32270 28079 5 5 416667
32270 40651 36460 10 15 125
40651 49032 44841 46 61 508333
49032 57413 53223 34 95 791667
57413 65794 61604 22 117 975
65794 74176 69985 0 117 975
74176 82557 78366 2 119 991667
82557 90938 86747 0 119 991667
9094 9932 95129 100 120 100
Gambar 47 Grafik Interpolasi Kecepatan 85
56
Data kecepatan LV(Light Vehicle) dan HV(Heavy Vehicle) dilakukan sesuai dengan cara
sebelumnya dan diambil rata ratanya seperti terlihat pada tabel 45
Tabel 45
Rata-rata 85 kecepatan kendaraan MC LV dan HV
Kecepatan Jumlah Rata-rata
MC 5589 12000
453968846 LV 4097 17700
HV 3006 3100
b Jalan Ikan Tombro
Jalan Ikan Tombro padat pada jam-jam tertentu dikarenakan terdapat sekolah di
sekitar jalan tersebut
Jalur Lalu Lintas
2 m 2 m
4 m
Gambar 48 Penampang Melintang Jalan Ikan Tombro Kota Malang
20
020
040
0
Badan Jalan
Gambar 49 Penampang Memanjang Jalan Ikan Tombro Kota Malang
Pada ruas Jalan Ikan Tombro dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 200125 smpjam Sedangkan kecepatan
pada ruas Jalan Ikan Tombro pada arah Utara sebesar 4282 kmjam dan kecepatan untuk
arah Selatan sebesar 4729 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar
4506 kmjam
c Jalan Ahmad Yani
Jalan A Yani merupakan salah satu jalan yang padat di Kota Malang
UTARA
SELATAN
57
22 m 405 m 405 m 34 m 34 m 15 m
BIBLIO CAD
191 m
Trotoar Jalur Lalu Lintas Jalur Lalu Lintas Trotoar
Median
05 m
Gambar 410 Penampang Melintang Jalan Ahmad Yani Kota Malang
Trotoar
Badan Jalan
Badan Jalan
22
08
10
05
03
40
34
01
50
Trotoar
Gambar 411 Penampang Memanjang Jalan Ahmad Yani Kota Malang
Dari data volume kendaraan di ruas Jalan Ahmad Yani diperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 4910 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4868 kmjam dan kecepatan untuk arah Selatan sebesar 5057 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4963 kmjam
d Jalan Patimura
Jalan Pattimura digunakan sebagai daerah pertokoan sehingga banyak hambatan
samping yang berupa kendaraan yang parker
TrotoarTrotoar Jalur Lalu Lintas
15 m 455 m 455 m 15 m
BIBLIO CAD
1211 m
Gambar 412 Penampang Melintang Jalan Patimura Kota Malang
UTARA
SELATAN
58
150
450
150
460
Trotoar
Trotoar
Badan Jalan
Gambar 413 Penampang Memanjang Jalan Pattimura Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
1974 smpjam dan untuk arah Barat yaitu sebesar 42705 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4529 kmjam dan kecepatan untuk arah
Barat sebesar 4409 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4469
kmjam
e Jalan Jenderal Basuki Rahmat
Jalan Jend Basuki Rahmat merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahannya pun diperuntukkan sebagai daerah komersil sehingga terdapat kegiatan
lalu lintas yang dinamis
2 m 23 m 5 m 32 m 33 m 3 m 22 m 2 m
239 m
BIBLIO CAD
Trotoar Bahu Jalan Jalur Lalu Lintas Jalur Lalu Lintas Bahu Jalan Trotoar
Median
09 m
Gambar 414 Penampang Melintang Jalan Basuki Rahmat Kota Malang
20
022
042
032
009
033
030
022
020
0
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 415 Penampang Memanjang Jalan Basuki Rahmat Kota Malang
BARAT
TIMUR
SELATAN
UTARA
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
51
Menurut data BPS Kota Blitar rasio jumlah penduduk Kota Blitar antara laki-laki
dan perempuan memiliki rasio sebesar 9915 Untuk jumlah penduduk Kota Blitar
sebanyak 146155 jiwa dengan rincian Kecamatan Sananwetan dengan jumlah penduduk
sebesar 54193 jiwa Kecamatan Sukorejo sebanyak 49783 jiwa dan Kecamatan
Kepanjenkidul sebanyak 42179 jiwa
Gambar 44 Jumlah Penduduk Kota Blitar Tahun 2015 Berdasarkan Jenis Kelamin
Sumber Kota Blitar Dalam Angka (2016)
Berdasarkan data BPS Kota BlitarPerekonomian kota Blitar dapat berjalan dengan
baik karena didukung oleh Sektor perdagangan yang cukup baik hal ini terbukti karena
sektor usaha ini menjadi penyumbang terbesar pada PDRB 2014 dengan persentase sebesar
2316 Sedangkan yang menjadi penyumbang terkecil pada PDRB 2014 adalah sektor
Pertambangan dengan 001
52
Tabel 42
Produk Domestik Regional Bruto Atas Dasar Harga Berlaku di Kota Blitar (juta rupiah)
Sektor Usaha PDRB
2014
a Pertanian kehutanan dan Perikanan 1511285 347
b Pertambangan 3341 001
c Industri Pengolahan 4066326 934
d Pengadaan Listrik dan Gas 24977 006
e Pengadaan Air Pengelolaan sampah Limbah dan Daur
Ulang 69131 016
f Konstruksi 3395838 780
g Perdagangan bersar dan Eceran 10081525 2316
h Transportasi dan Pergudangan 1762864 405
i Penyediaan Akomodasi dan Makan Minum 2088388 4798
j Informasi dan Komunikasi 4713623 1083
k Jasa Keuangan dan Asuransi 466897 1073
l Real Estate 1636002 376
mn Jasa Perusahaan 334866 077
o Administrasi Pemerintahan Pertahanan dan Jaminan
Sosial Wajib 3029856
696
p Jasa Pendidikan 309336 711
q Jasa Kesehatan dan Kegiatan Sosial 835206 192
rstu Jasa Lainnya 2212406 508
Total 4352794
Sumber BPS 2016
42 Karakteristik Jalan dan Lalu Lintas
421 Ruas Jalan yang Dikaji di Kota Malang
a Jalan Borobudur
Jalan Borobudur merupakan salah satu jalan yang padat di Kota Malang Tata guna
lahan di Jalan Borobudur terdapat pertokoan dan pasar Dengan adanya pasar maka
kegiatan lalu lintas di daerah ini sering mengalami kemacetan
53
18 m 1 m 405 m 405 m 25 m 335 m 335 m 15 m
216 m
BIBLIO CAD
Trotoar Jalur Lalu Lintas Median Jalur Lalu Lintas TrotoarBahu Jalan
Gambar 45 Penampang Melintang Jalan Borobudur Kota Malang
180
050
405
405
250
335
335
150
Trotoar
Trotoar
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 46 Penampang Memanjang Jalan Borobudur Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
14278 smpjam dan untuk arah Barat yaitu sebesar 17461 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam dan kecepatan untuk arah
Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4154
kmjam
Data penentuan volume jam puncak ditentukan dari 3 waktu survey yaitu pagi
siang dan sore
TIMUR
BARAT
54
Tabel 43
Penentuan Volume Jam Puncak
Waktu MC
(025)
LV (1) HV
(13)
Total
0600-0700 650 508 11 1169
0605-0705 686 526 10 1222
0610-0710 705 534 11 1250
0615-0715 708 534 11 1253
0620-0720 734 531 12 1277
0625-0725 746 535 14 1295
0630-0730 763 541 18 1322
0635-0735 780 541 17 1338
0640-0740 801 550 17 1367
0645-0745 822 564 18 1404
0650-0750 833 577 18 1428
0655-0755 833 567 16 1416
0700-0800 826 556 17 1399
Jam Puncak Weekend Weekday
T - B B - T Total T - B B - T Total
Pagi 946 885 1830 1746 1428 3174
Siang 1056 1177 2233 1082 1251 2333
Sore 996 1025 2021 1197 1144 2342
Sedangkan kecepatan pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam
dan kecepatan untuk arah Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan
rata-rata sebesar 4511 kmjam Data kecepatan yang digunakan adalah 85 kecepatan
Dari 3 jam puncak yang ditentukan dipilih salah satu yang memiliki kecepatan yang
tertinggi Kemudian untuk mencari data kecepatan perlu diambil range data kecepatan
kendaraan dengan rumus r= (kecepatan maksimum) - (dengan kecepatan minimum)
Kemudian dicari kelas data dengan rumus k = 1 + 33 log (jumlah kendaraan) kemudian
dicari interval kecepatan dengan rumus c = rk Perhitungan dibawah merupakan contoh
perhitungan tipe kendaraan sepeda motor pada ruas Borobudur ke arah timur
55
MC (Motor Cycle)
r(range data) = nilai kecepatan max - nilai kecepatan min
= 8978 - 2389
= 6589
k(kelas ) = 100 + 330 log 12000
= 100 + 686
= 786
c(interval) = rk
= 838
Kemudian dari data diatas dibentuk tabel 44 untuk mencari 85 kecepatan operasional
sepeda motor
Tabel 44
Pengolahan Data Kecepatan dengan Metode Statistik
Kecepatan x
Sepeda Motor
frekuensi frekuensi
kumulatif
23889 32270 28079 5 5 416667
32270 40651 36460 10 15 125
40651 49032 44841 46 61 508333
49032 57413 53223 34 95 791667
57413 65794 61604 22 117 975
65794 74176 69985 0 117 975
74176 82557 78366 2 119 991667
82557 90938 86747 0 119 991667
9094 9932 95129 100 120 100
Gambar 47 Grafik Interpolasi Kecepatan 85
56
Data kecepatan LV(Light Vehicle) dan HV(Heavy Vehicle) dilakukan sesuai dengan cara
sebelumnya dan diambil rata ratanya seperti terlihat pada tabel 45
Tabel 45
Rata-rata 85 kecepatan kendaraan MC LV dan HV
Kecepatan Jumlah Rata-rata
MC 5589 12000
453968846 LV 4097 17700
HV 3006 3100
b Jalan Ikan Tombro
Jalan Ikan Tombro padat pada jam-jam tertentu dikarenakan terdapat sekolah di
sekitar jalan tersebut
Jalur Lalu Lintas
2 m 2 m
4 m
Gambar 48 Penampang Melintang Jalan Ikan Tombro Kota Malang
20
020
040
0
Badan Jalan
Gambar 49 Penampang Memanjang Jalan Ikan Tombro Kota Malang
Pada ruas Jalan Ikan Tombro dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 200125 smpjam Sedangkan kecepatan
pada ruas Jalan Ikan Tombro pada arah Utara sebesar 4282 kmjam dan kecepatan untuk
arah Selatan sebesar 4729 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar
4506 kmjam
c Jalan Ahmad Yani
Jalan A Yani merupakan salah satu jalan yang padat di Kota Malang
UTARA
SELATAN
57
22 m 405 m 405 m 34 m 34 m 15 m
BIBLIO CAD
191 m
Trotoar Jalur Lalu Lintas Jalur Lalu Lintas Trotoar
Median
05 m
Gambar 410 Penampang Melintang Jalan Ahmad Yani Kota Malang
Trotoar
Badan Jalan
Badan Jalan
22
08
10
05
03
40
34
01
50
Trotoar
Gambar 411 Penampang Memanjang Jalan Ahmad Yani Kota Malang
Dari data volume kendaraan di ruas Jalan Ahmad Yani diperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 4910 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4868 kmjam dan kecepatan untuk arah Selatan sebesar 5057 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4963 kmjam
d Jalan Patimura
Jalan Pattimura digunakan sebagai daerah pertokoan sehingga banyak hambatan
samping yang berupa kendaraan yang parker
TrotoarTrotoar Jalur Lalu Lintas
15 m 455 m 455 m 15 m
BIBLIO CAD
1211 m
Gambar 412 Penampang Melintang Jalan Patimura Kota Malang
UTARA
SELATAN
58
150
450
150
460
Trotoar
Trotoar
Badan Jalan
Gambar 413 Penampang Memanjang Jalan Pattimura Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
1974 smpjam dan untuk arah Barat yaitu sebesar 42705 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4529 kmjam dan kecepatan untuk arah
Barat sebesar 4409 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4469
kmjam
e Jalan Jenderal Basuki Rahmat
Jalan Jend Basuki Rahmat merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahannya pun diperuntukkan sebagai daerah komersil sehingga terdapat kegiatan
lalu lintas yang dinamis
2 m 23 m 5 m 32 m 33 m 3 m 22 m 2 m
239 m
BIBLIO CAD
Trotoar Bahu Jalan Jalur Lalu Lintas Jalur Lalu Lintas Bahu Jalan Trotoar
Median
09 m
Gambar 414 Penampang Melintang Jalan Basuki Rahmat Kota Malang
20
022
042
032
009
033
030
022
020
0
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 415 Penampang Memanjang Jalan Basuki Rahmat Kota Malang
BARAT
TIMUR
SELATAN
UTARA
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
52
Tabel 42
Produk Domestik Regional Bruto Atas Dasar Harga Berlaku di Kota Blitar (juta rupiah)
Sektor Usaha PDRB
2014
a Pertanian kehutanan dan Perikanan 1511285 347
b Pertambangan 3341 001
c Industri Pengolahan 4066326 934
d Pengadaan Listrik dan Gas 24977 006
e Pengadaan Air Pengelolaan sampah Limbah dan Daur
Ulang 69131 016
f Konstruksi 3395838 780
g Perdagangan bersar dan Eceran 10081525 2316
h Transportasi dan Pergudangan 1762864 405
i Penyediaan Akomodasi dan Makan Minum 2088388 4798
j Informasi dan Komunikasi 4713623 1083
k Jasa Keuangan dan Asuransi 466897 1073
l Real Estate 1636002 376
mn Jasa Perusahaan 334866 077
o Administrasi Pemerintahan Pertahanan dan Jaminan
Sosial Wajib 3029856
696
p Jasa Pendidikan 309336 711
q Jasa Kesehatan dan Kegiatan Sosial 835206 192
rstu Jasa Lainnya 2212406 508
Total 4352794
Sumber BPS 2016
42 Karakteristik Jalan dan Lalu Lintas
421 Ruas Jalan yang Dikaji di Kota Malang
a Jalan Borobudur
Jalan Borobudur merupakan salah satu jalan yang padat di Kota Malang Tata guna
lahan di Jalan Borobudur terdapat pertokoan dan pasar Dengan adanya pasar maka
kegiatan lalu lintas di daerah ini sering mengalami kemacetan
53
18 m 1 m 405 m 405 m 25 m 335 m 335 m 15 m
216 m
BIBLIO CAD
Trotoar Jalur Lalu Lintas Median Jalur Lalu Lintas TrotoarBahu Jalan
Gambar 45 Penampang Melintang Jalan Borobudur Kota Malang
180
050
405
405
250
335
335
150
Trotoar
Trotoar
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 46 Penampang Memanjang Jalan Borobudur Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
14278 smpjam dan untuk arah Barat yaitu sebesar 17461 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam dan kecepatan untuk arah
Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4154
kmjam
Data penentuan volume jam puncak ditentukan dari 3 waktu survey yaitu pagi
siang dan sore
TIMUR
BARAT
54
Tabel 43
Penentuan Volume Jam Puncak
Waktu MC
(025)
LV (1) HV
(13)
Total
0600-0700 650 508 11 1169
0605-0705 686 526 10 1222
0610-0710 705 534 11 1250
0615-0715 708 534 11 1253
0620-0720 734 531 12 1277
0625-0725 746 535 14 1295
0630-0730 763 541 18 1322
0635-0735 780 541 17 1338
0640-0740 801 550 17 1367
0645-0745 822 564 18 1404
0650-0750 833 577 18 1428
0655-0755 833 567 16 1416
0700-0800 826 556 17 1399
Jam Puncak Weekend Weekday
T - B B - T Total T - B B - T Total
Pagi 946 885 1830 1746 1428 3174
Siang 1056 1177 2233 1082 1251 2333
Sore 996 1025 2021 1197 1144 2342
Sedangkan kecepatan pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam
dan kecepatan untuk arah Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan
rata-rata sebesar 4511 kmjam Data kecepatan yang digunakan adalah 85 kecepatan
Dari 3 jam puncak yang ditentukan dipilih salah satu yang memiliki kecepatan yang
tertinggi Kemudian untuk mencari data kecepatan perlu diambil range data kecepatan
kendaraan dengan rumus r= (kecepatan maksimum) - (dengan kecepatan minimum)
Kemudian dicari kelas data dengan rumus k = 1 + 33 log (jumlah kendaraan) kemudian
dicari interval kecepatan dengan rumus c = rk Perhitungan dibawah merupakan contoh
perhitungan tipe kendaraan sepeda motor pada ruas Borobudur ke arah timur
55
MC (Motor Cycle)
r(range data) = nilai kecepatan max - nilai kecepatan min
= 8978 - 2389
= 6589
k(kelas ) = 100 + 330 log 12000
= 100 + 686
= 786
c(interval) = rk
= 838
Kemudian dari data diatas dibentuk tabel 44 untuk mencari 85 kecepatan operasional
sepeda motor
Tabel 44
Pengolahan Data Kecepatan dengan Metode Statistik
Kecepatan x
Sepeda Motor
frekuensi frekuensi
kumulatif
23889 32270 28079 5 5 416667
32270 40651 36460 10 15 125
40651 49032 44841 46 61 508333
49032 57413 53223 34 95 791667
57413 65794 61604 22 117 975
65794 74176 69985 0 117 975
74176 82557 78366 2 119 991667
82557 90938 86747 0 119 991667
9094 9932 95129 100 120 100
Gambar 47 Grafik Interpolasi Kecepatan 85
56
Data kecepatan LV(Light Vehicle) dan HV(Heavy Vehicle) dilakukan sesuai dengan cara
sebelumnya dan diambil rata ratanya seperti terlihat pada tabel 45
Tabel 45
Rata-rata 85 kecepatan kendaraan MC LV dan HV
Kecepatan Jumlah Rata-rata
MC 5589 12000
453968846 LV 4097 17700
HV 3006 3100
b Jalan Ikan Tombro
Jalan Ikan Tombro padat pada jam-jam tertentu dikarenakan terdapat sekolah di
sekitar jalan tersebut
Jalur Lalu Lintas
2 m 2 m
4 m
Gambar 48 Penampang Melintang Jalan Ikan Tombro Kota Malang
20
020
040
0
Badan Jalan
Gambar 49 Penampang Memanjang Jalan Ikan Tombro Kota Malang
Pada ruas Jalan Ikan Tombro dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 200125 smpjam Sedangkan kecepatan
pada ruas Jalan Ikan Tombro pada arah Utara sebesar 4282 kmjam dan kecepatan untuk
arah Selatan sebesar 4729 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar
4506 kmjam
c Jalan Ahmad Yani
Jalan A Yani merupakan salah satu jalan yang padat di Kota Malang
UTARA
SELATAN
57
22 m 405 m 405 m 34 m 34 m 15 m
BIBLIO CAD
191 m
Trotoar Jalur Lalu Lintas Jalur Lalu Lintas Trotoar
Median
05 m
Gambar 410 Penampang Melintang Jalan Ahmad Yani Kota Malang
Trotoar
Badan Jalan
Badan Jalan
22
08
10
05
03
40
34
01
50
Trotoar
Gambar 411 Penampang Memanjang Jalan Ahmad Yani Kota Malang
Dari data volume kendaraan di ruas Jalan Ahmad Yani diperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 4910 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4868 kmjam dan kecepatan untuk arah Selatan sebesar 5057 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4963 kmjam
d Jalan Patimura
Jalan Pattimura digunakan sebagai daerah pertokoan sehingga banyak hambatan
samping yang berupa kendaraan yang parker
TrotoarTrotoar Jalur Lalu Lintas
15 m 455 m 455 m 15 m
BIBLIO CAD
1211 m
Gambar 412 Penampang Melintang Jalan Patimura Kota Malang
UTARA
SELATAN
58
150
450
150
460
Trotoar
Trotoar
Badan Jalan
Gambar 413 Penampang Memanjang Jalan Pattimura Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
1974 smpjam dan untuk arah Barat yaitu sebesar 42705 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4529 kmjam dan kecepatan untuk arah
Barat sebesar 4409 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4469
kmjam
e Jalan Jenderal Basuki Rahmat
Jalan Jend Basuki Rahmat merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahannya pun diperuntukkan sebagai daerah komersil sehingga terdapat kegiatan
lalu lintas yang dinamis
2 m 23 m 5 m 32 m 33 m 3 m 22 m 2 m
239 m
BIBLIO CAD
Trotoar Bahu Jalan Jalur Lalu Lintas Jalur Lalu Lintas Bahu Jalan Trotoar
Median
09 m
Gambar 414 Penampang Melintang Jalan Basuki Rahmat Kota Malang
20
022
042
032
009
033
030
022
020
0
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 415 Penampang Memanjang Jalan Basuki Rahmat Kota Malang
BARAT
TIMUR
SELATAN
UTARA
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
53
18 m 1 m 405 m 405 m 25 m 335 m 335 m 15 m
216 m
BIBLIO CAD
Trotoar Jalur Lalu Lintas Median Jalur Lalu Lintas TrotoarBahu Jalan
Gambar 45 Penampang Melintang Jalan Borobudur Kota Malang
180
050
405
405
250
335
335
150
Trotoar
Trotoar
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 46 Penampang Memanjang Jalan Borobudur Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
14278 smpjam dan untuk arah Barat yaitu sebesar 17461 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam dan kecepatan untuk arah
Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4154
kmjam
Data penentuan volume jam puncak ditentukan dari 3 waktu survey yaitu pagi
siang dan sore
TIMUR
BARAT
54
Tabel 43
Penentuan Volume Jam Puncak
Waktu MC
(025)
LV (1) HV
(13)
Total
0600-0700 650 508 11 1169
0605-0705 686 526 10 1222
0610-0710 705 534 11 1250
0615-0715 708 534 11 1253
0620-0720 734 531 12 1277
0625-0725 746 535 14 1295
0630-0730 763 541 18 1322
0635-0735 780 541 17 1338
0640-0740 801 550 17 1367
0645-0745 822 564 18 1404
0650-0750 833 577 18 1428
0655-0755 833 567 16 1416
0700-0800 826 556 17 1399
Jam Puncak Weekend Weekday
T - B B - T Total T - B B - T Total
Pagi 946 885 1830 1746 1428 3174
Siang 1056 1177 2233 1082 1251 2333
Sore 996 1025 2021 1197 1144 2342
Sedangkan kecepatan pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam
dan kecepatan untuk arah Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan
rata-rata sebesar 4511 kmjam Data kecepatan yang digunakan adalah 85 kecepatan
Dari 3 jam puncak yang ditentukan dipilih salah satu yang memiliki kecepatan yang
tertinggi Kemudian untuk mencari data kecepatan perlu diambil range data kecepatan
kendaraan dengan rumus r= (kecepatan maksimum) - (dengan kecepatan minimum)
Kemudian dicari kelas data dengan rumus k = 1 + 33 log (jumlah kendaraan) kemudian
dicari interval kecepatan dengan rumus c = rk Perhitungan dibawah merupakan contoh
perhitungan tipe kendaraan sepeda motor pada ruas Borobudur ke arah timur
55
MC (Motor Cycle)
r(range data) = nilai kecepatan max - nilai kecepatan min
= 8978 - 2389
= 6589
k(kelas ) = 100 + 330 log 12000
= 100 + 686
= 786
c(interval) = rk
= 838
Kemudian dari data diatas dibentuk tabel 44 untuk mencari 85 kecepatan operasional
sepeda motor
Tabel 44
Pengolahan Data Kecepatan dengan Metode Statistik
Kecepatan x
Sepeda Motor
frekuensi frekuensi
kumulatif
23889 32270 28079 5 5 416667
32270 40651 36460 10 15 125
40651 49032 44841 46 61 508333
49032 57413 53223 34 95 791667
57413 65794 61604 22 117 975
65794 74176 69985 0 117 975
74176 82557 78366 2 119 991667
82557 90938 86747 0 119 991667
9094 9932 95129 100 120 100
Gambar 47 Grafik Interpolasi Kecepatan 85
56
Data kecepatan LV(Light Vehicle) dan HV(Heavy Vehicle) dilakukan sesuai dengan cara
sebelumnya dan diambil rata ratanya seperti terlihat pada tabel 45
Tabel 45
Rata-rata 85 kecepatan kendaraan MC LV dan HV
Kecepatan Jumlah Rata-rata
MC 5589 12000
453968846 LV 4097 17700
HV 3006 3100
b Jalan Ikan Tombro
Jalan Ikan Tombro padat pada jam-jam tertentu dikarenakan terdapat sekolah di
sekitar jalan tersebut
Jalur Lalu Lintas
2 m 2 m
4 m
Gambar 48 Penampang Melintang Jalan Ikan Tombro Kota Malang
20
020
040
0
Badan Jalan
Gambar 49 Penampang Memanjang Jalan Ikan Tombro Kota Malang
Pada ruas Jalan Ikan Tombro dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 200125 smpjam Sedangkan kecepatan
pada ruas Jalan Ikan Tombro pada arah Utara sebesar 4282 kmjam dan kecepatan untuk
arah Selatan sebesar 4729 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar
4506 kmjam
c Jalan Ahmad Yani
Jalan A Yani merupakan salah satu jalan yang padat di Kota Malang
UTARA
SELATAN
57
22 m 405 m 405 m 34 m 34 m 15 m
BIBLIO CAD
191 m
Trotoar Jalur Lalu Lintas Jalur Lalu Lintas Trotoar
Median
05 m
Gambar 410 Penampang Melintang Jalan Ahmad Yani Kota Malang
Trotoar
Badan Jalan
Badan Jalan
22
08
10
05
03
40
34
01
50
Trotoar
Gambar 411 Penampang Memanjang Jalan Ahmad Yani Kota Malang
Dari data volume kendaraan di ruas Jalan Ahmad Yani diperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 4910 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4868 kmjam dan kecepatan untuk arah Selatan sebesar 5057 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4963 kmjam
d Jalan Patimura
Jalan Pattimura digunakan sebagai daerah pertokoan sehingga banyak hambatan
samping yang berupa kendaraan yang parker
TrotoarTrotoar Jalur Lalu Lintas
15 m 455 m 455 m 15 m
BIBLIO CAD
1211 m
Gambar 412 Penampang Melintang Jalan Patimura Kota Malang
UTARA
SELATAN
58
150
450
150
460
Trotoar
Trotoar
Badan Jalan
Gambar 413 Penampang Memanjang Jalan Pattimura Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
1974 smpjam dan untuk arah Barat yaitu sebesar 42705 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4529 kmjam dan kecepatan untuk arah
Barat sebesar 4409 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4469
kmjam
e Jalan Jenderal Basuki Rahmat
Jalan Jend Basuki Rahmat merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahannya pun diperuntukkan sebagai daerah komersil sehingga terdapat kegiatan
lalu lintas yang dinamis
2 m 23 m 5 m 32 m 33 m 3 m 22 m 2 m
239 m
BIBLIO CAD
Trotoar Bahu Jalan Jalur Lalu Lintas Jalur Lalu Lintas Bahu Jalan Trotoar
Median
09 m
Gambar 414 Penampang Melintang Jalan Basuki Rahmat Kota Malang
20
022
042
032
009
033
030
022
020
0
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 415 Penampang Memanjang Jalan Basuki Rahmat Kota Malang
BARAT
TIMUR
SELATAN
UTARA
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
54
Tabel 43
Penentuan Volume Jam Puncak
Waktu MC
(025)
LV (1) HV
(13)
Total
0600-0700 650 508 11 1169
0605-0705 686 526 10 1222
0610-0710 705 534 11 1250
0615-0715 708 534 11 1253
0620-0720 734 531 12 1277
0625-0725 746 535 14 1295
0630-0730 763 541 18 1322
0635-0735 780 541 17 1338
0640-0740 801 550 17 1367
0645-0745 822 564 18 1404
0650-0750 833 577 18 1428
0655-0755 833 567 16 1416
0700-0800 826 556 17 1399
Jam Puncak Weekend Weekday
T - B B - T Total T - B B - T Total
Pagi 946 885 1830 1746 1428 3174
Siang 1056 1177 2233 1082 1251 2333
Sore 996 1025 2021 1197 1144 2342
Sedangkan kecepatan pada ruas Jalan Borobudur arah Timur sebesar 4540 kmjam
dan kecepatan untuk arah Barat sebesar 3769 kmjam Di daerah ini memiliki kecepatan
rata-rata sebesar 4511 kmjam Data kecepatan yang digunakan adalah 85 kecepatan
Dari 3 jam puncak yang ditentukan dipilih salah satu yang memiliki kecepatan yang
tertinggi Kemudian untuk mencari data kecepatan perlu diambil range data kecepatan
kendaraan dengan rumus r= (kecepatan maksimum) - (dengan kecepatan minimum)
Kemudian dicari kelas data dengan rumus k = 1 + 33 log (jumlah kendaraan) kemudian
dicari interval kecepatan dengan rumus c = rk Perhitungan dibawah merupakan contoh
perhitungan tipe kendaraan sepeda motor pada ruas Borobudur ke arah timur
55
MC (Motor Cycle)
r(range data) = nilai kecepatan max - nilai kecepatan min
= 8978 - 2389
= 6589
k(kelas ) = 100 + 330 log 12000
= 100 + 686
= 786
c(interval) = rk
= 838
Kemudian dari data diatas dibentuk tabel 44 untuk mencari 85 kecepatan operasional
sepeda motor
Tabel 44
Pengolahan Data Kecepatan dengan Metode Statistik
Kecepatan x
Sepeda Motor
frekuensi frekuensi
kumulatif
23889 32270 28079 5 5 416667
32270 40651 36460 10 15 125
40651 49032 44841 46 61 508333
49032 57413 53223 34 95 791667
57413 65794 61604 22 117 975
65794 74176 69985 0 117 975
74176 82557 78366 2 119 991667
82557 90938 86747 0 119 991667
9094 9932 95129 100 120 100
Gambar 47 Grafik Interpolasi Kecepatan 85
56
Data kecepatan LV(Light Vehicle) dan HV(Heavy Vehicle) dilakukan sesuai dengan cara
sebelumnya dan diambil rata ratanya seperti terlihat pada tabel 45
Tabel 45
Rata-rata 85 kecepatan kendaraan MC LV dan HV
Kecepatan Jumlah Rata-rata
MC 5589 12000
453968846 LV 4097 17700
HV 3006 3100
b Jalan Ikan Tombro
Jalan Ikan Tombro padat pada jam-jam tertentu dikarenakan terdapat sekolah di
sekitar jalan tersebut
Jalur Lalu Lintas
2 m 2 m
4 m
Gambar 48 Penampang Melintang Jalan Ikan Tombro Kota Malang
20
020
040
0
Badan Jalan
Gambar 49 Penampang Memanjang Jalan Ikan Tombro Kota Malang
Pada ruas Jalan Ikan Tombro dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 200125 smpjam Sedangkan kecepatan
pada ruas Jalan Ikan Tombro pada arah Utara sebesar 4282 kmjam dan kecepatan untuk
arah Selatan sebesar 4729 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar
4506 kmjam
c Jalan Ahmad Yani
Jalan A Yani merupakan salah satu jalan yang padat di Kota Malang
UTARA
SELATAN
57
22 m 405 m 405 m 34 m 34 m 15 m
BIBLIO CAD
191 m
Trotoar Jalur Lalu Lintas Jalur Lalu Lintas Trotoar
Median
05 m
Gambar 410 Penampang Melintang Jalan Ahmad Yani Kota Malang
Trotoar
Badan Jalan
Badan Jalan
22
08
10
05
03
40
34
01
50
Trotoar
Gambar 411 Penampang Memanjang Jalan Ahmad Yani Kota Malang
Dari data volume kendaraan di ruas Jalan Ahmad Yani diperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 4910 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4868 kmjam dan kecepatan untuk arah Selatan sebesar 5057 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4963 kmjam
d Jalan Patimura
Jalan Pattimura digunakan sebagai daerah pertokoan sehingga banyak hambatan
samping yang berupa kendaraan yang parker
TrotoarTrotoar Jalur Lalu Lintas
15 m 455 m 455 m 15 m
BIBLIO CAD
1211 m
Gambar 412 Penampang Melintang Jalan Patimura Kota Malang
UTARA
SELATAN
58
150
450
150
460
Trotoar
Trotoar
Badan Jalan
Gambar 413 Penampang Memanjang Jalan Pattimura Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
1974 smpjam dan untuk arah Barat yaitu sebesar 42705 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4529 kmjam dan kecepatan untuk arah
Barat sebesar 4409 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4469
kmjam
e Jalan Jenderal Basuki Rahmat
Jalan Jend Basuki Rahmat merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahannya pun diperuntukkan sebagai daerah komersil sehingga terdapat kegiatan
lalu lintas yang dinamis
2 m 23 m 5 m 32 m 33 m 3 m 22 m 2 m
239 m
BIBLIO CAD
Trotoar Bahu Jalan Jalur Lalu Lintas Jalur Lalu Lintas Bahu Jalan Trotoar
Median
09 m
Gambar 414 Penampang Melintang Jalan Basuki Rahmat Kota Malang
20
022
042
032
009
033
030
022
020
0
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 415 Penampang Memanjang Jalan Basuki Rahmat Kota Malang
BARAT
TIMUR
SELATAN
UTARA
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
55
MC (Motor Cycle)
r(range data) = nilai kecepatan max - nilai kecepatan min
= 8978 - 2389
= 6589
k(kelas ) = 100 + 330 log 12000
= 100 + 686
= 786
c(interval) = rk
= 838
Kemudian dari data diatas dibentuk tabel 44 untuk mencari 85 kecepatan operasional
sepeda motor
Tabel 44
Pengolahan Data Kecepatan dengan Metode Statistik
Kecepatan x
Sepeda Motor
frekuensi frekuensi
kumulatif
23889 32270 28079 5 5 416667
32270 40651 36460 10 15 125
40651 49032 44841 46 61 508333
49032 57413 53223 34 95 791667
57413 65794 61604 22 117 975
65794 74176 69985 0 117 975
74176 82557 78366 2 119 991667
82557 90938 86747 0 119 991667
9094 9932 95129 100 120 100
Gambar 47 Grafik Interpolasi Kecepatan 85
56
Data kecepatan LV(Light Vehicle) dan HV(Heavy Vehicle) dilakukan sesuai dengan cara
sebelumnya dan diambil rata ratanya seperti terlihat pada tabel 45
Tabel 45
Rata-rata 85 kecepatan kendaraan MC LV dan HV
Kecepatan Jumlah Rata-rata
MC 5589 12000
453968846 LV 4097 17700
HV 3006 3100
b Jalan Ikan Tombro
Jalan Ikan Tombro padat pada jam-jam tertentu dikarenakan terdapat sekolah di
sekitar jalan tersebut
Jalur Lalu Lintas
2 m 2 m
4 m
Gambar 48 Penampang Melintang Jalan Ikan Tombro Kota Malang
20
020
040
0
Badan Jalan
Gambar 49 Penampang Memanjang Jalan Ikan Tombro Kota Malang
Pada ruas Jalan Ikan Tombro dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 200125 smpjam Sedangkan kecepatan
pada ruas Jalan Ikan Tombro pada arah Utara sebesar 4282 kmjam dan kecepatan untuk
arah Selatan sebesar 4729 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar
4506 kmjam
c Jalan Ahmad Yani
Jalan A Yani merupakan salah satu jalan yang padat di Kota Malang
UTARA
SELATAN
57
22 m 405 m 405 m 34 m 34 m 15 m
BIBLIO CAD
191 m
Trotoar Jalur Lalu Lintas Jalur Lalu Lintas Trotoar
Median
05 m
Gambar 410 Penampang Melintang Jalan Ahmad Yani Kota Malang
Trotoar
Badan Jalan
Badan Jalan
22
08
10
05
03
40
34
01
50
Trotoar
Gambar 411 Penampang Memanjang Jalan Ahmad Yani Kota Malang
Dari data volume kendaraan di ruas Jalan Ahmad Yani diperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 4910 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4868 kmjam dan kecepatan untuk arah Selatan sebesar 5057 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4963 kmjam
d Jalan Patimura
Jalan Pattimura digunakan sebagai daerah pertokoan sehingga banyak hambatan
samping yang berupa kendaraan yang parker
TrotoarTrotoar Jalur Lalu Lintas
15 m 455 m 455 m 15 m
BIBLIO CAD
1211 m
Gambar 412 Penampang Melintang Jalan Patimura Kota Malang
UTARA
SELATAN
58
150
450
150
460
Trotoar
Trotoar
Badan Jalan
Gambar 413 Penampang Memanjang Jalan Pattimura Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
1974 smpjam dan untuk arah Barat yaitu sebesar 42705 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4529 kmjam dan kecepatan untuk arah
Barat sebesar 4409 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4469
kmjam
e Jalan Jenderal Basuki Rahmat
Jalan Jend Basuki Rahmat merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahannya pun diperuntukkan sebagai daerah komersil sehingga terdapat kegiatan
lalu lintas yang dinamis
2 m 23 m 5 m 32 m 33 m 3 m 22 m 2 m
239 m
BIBLIO CAD
Trotoar Bahu Jalan Jalur Lalu Lintas Jalur Lalu Lintas Bahu Jalan Trotoar
Median
09 m
Gambar 414 Penampang Melintang Jalan Basuki Rahmat Kota Malang
20
022
042
032
009
033
030
022
020
0
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 415 Penampang Memanjang Jalan Basuki Rahmat Kota Malang
BARAT
TIMUR
SELATAN
UTARA
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
56
Data kecepatan LV(Light Vehicle) dan HV(Heavy Vehicle) dilakukan sesuai dengan cara
sebelumnya dan diambil rata ratanya seperti terlihat pada tabel 45
Tabel 45
Rata-rata 85 kecepatan kendaraan MC LV dan HV
Kecepatan Jumlah Rata-rata
MC 5589 12000
453968846 LV 4097 17700
HV 3006 3100
b Jalan Ikan Tombro
Jalan Ikan Tombro padat pada jam-jam tertentu dikarenakan terdapat sekolah di
sekitar jalan tersebut
Jalur Lalu Lintas
2 m 2 m
4 m
Gambar 48 Penampang Melintang Jalan Ikan Tombro Kota Malang
20
020
040
0
Badan Jalan
Gambar 49 Penampang Memanjang Jalan Ikan Tombro Kota Malang
Pada ruas Jalan Ikan Tombro dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 200125 smpjam Sedangkan kecepatan
pada ruas Jalan Ikan Tombro pada arah Utara sebesar 4282 kmjam dan kecepatan untuk
arah Selatan sebesar 4729 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar
4506 kmjam
c Jalan Ahmad Yani
Jalan A Yani merupakan salah satu jalan yang padat di Kota Malang
UTARA
SELATAN
57
22 m 405 m 405 m 34 m 34 m 15 m
BIBLIO CAD
191 m
Trotoar Jalur Lalu Lintas Jalur Lalu Lintas Trotoar
Median
05 m
Gambar 410 Penampang Melintang Jalan Ahmad Yani Kota Malang
Trotoar
Badan Jalan
Badan Jalan
22
08
10
05
03
40
34
01
50
Trotoar
Gambar 411 Penampang Memanjang Jalan Ahmad Yani Kota Malang
Dari data volume kendaraan di ruas Jalan Ahmad Yani diperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 4910 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4868 kmjam dan kecepatan untuk arah Selatan sebesar 5057 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4963 kmjam
d Jalan Patimura
Jalan Pattimura digunakan sebagai daerah pertokoan sehingga banyak hambatan
samping yang berupa kendaraan yang parker
TrotoarTrotoar Jalur Lalu Lintas
15 m 455 m 455 m 15 m
BIBLIO CAD
1211 m
Gambar 412 Penampang Melintang Jalan Patimura Kota Malang
UTARA
SELATAN
58
150
450
150
460
Trotoar
Trotoar
Badan Jalan
Gambar 413 Penampang Memanjang Jalan Pattimura Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
1974 smpjam dan untuk arah Barat yaitu sebesar 42705 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4529 kmjam dan kecepatan untuk arah
Barat sebesar 4409 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4469
kmjam
e Jalan Jenderal Basuki Rahmat
Jalan Jend Basuki Rahmat merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahannya pun diperuntukkan sebagai daerah komersil sehingga terdapat kegiatan
lalu lintas yang dinamis
2 m 23 m 5 m 32 m 33 m 3 m 22 m 2 m
239 m
BIBLIO CAD
Trotoar Bahu Jalan Jalur Lalu Lintas Jalur Lalu Lintas Bahu Jalan Trotoar
Median
09 m
Gambar 414 Penampang Melintang Jalan Basuki Rahmat Kota Malang
20
022
042
032
009
033
030
022
020
0
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 415 Penampang Memanjang Jalan Basuki Rahmat Kota Malang
BARAT
TIMUR
SELATAN
UTARA
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
57
22 m 405 m 405 m 34 m 34 m 15 m
BIBLIO CAD
191 m
Trotoar Jalur Lalu Lintas Jalur Lalu Lintas Trotoar
Median
05 m
Gambar 410 Penampang Melintang Jalan Ahmad Yani Kota Malang
Trotoar
Badan Jalan
Badan Jalan
22
08
10
05
03
40
34
01
50
Trotoar
Gambar 411 Penampang Memanjang Jalan Ahmad Yani Kota Malang
Dari data volume kendaraan di ruas Jalan Ahmad Yani diperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 4910 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4868 kmjam dan kecepatan untuk arah Selatan sebesar 5057 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4963 kmjam
d Jalan Patimura
Jalan Pattimura digunakan sebagai daerah pertokoan sehingga banyak hambatan
samping yang berupa kendaraan yang parker
TrotoarTrotoar Jalur Lalu Lintas
15 m 455 m 455 m 15 m
BIBLIO CAD
1211 m
Gambar 412 Penampang Melintang Jalan Patimura Kota Malang
UTARA
SELATAN
58
150
450
150
460
Trotoar
Trotoar
Badan Jalan
Gambar 413 Penampang Memanjang Jalan Pattimura Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
1974 smpjam dan untuk arah Barat yaitu sebesar 42705 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4529 kmjam dan kecepatan untuk arah
Barat sebesar 4409 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4469
kmjam
e Jalan Jenderal Basuki Rahmat
Jalan Jend Basuki Rahmat merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahannya pun diperuntukkan sebagai daerah komersil sehingga terdapat kegiatan
lalu lintas yang dinamis
2 m 23 m 5 m 32 m 33 m 3 m 22 m 2 m
239 m
BIBLIO CAD
Trotoar Bahu Jalan Jalur Lalu Lintas Jalur Lalu Lintas Bahu Jalan Trotoar
Median
09 m
Gambar 414 Penampang Melintang Jalan Basuki Rahmat Kota Malang
20
022
042
032
009
033
030
022
020
0
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 415 Penampang Memanjang Jalan Basuki Rahmat Kota Malang
BARAT
TIMUR
SELATAN
UTARA
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
58
150
450
150
460
Trotoar
Trotoar
Badan Jalan
Gambar 413 Penampang Memanjang Jalan Pattimura Kota Malang
Dari data volume kendaraan diperoleh volume jam puncak pada arah Timur yaitu
1974 smpjam dan untuk arah Barat yaitu sebesar 42705 smpjam Sedangkan kecepatan
pada ruas Jalan Borobudur arah Timur sebesar 4529 kmjam dan kecepatan untuk arah
Barat sebesar 4409 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4469
kmjam
e Jalan Jenderal Basuki Rahmat
Jalan Jend Basuki Rahmat merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahannya pun diperuntukkan sebagai daerah komersil sehingga terdapat kegiatan
lalu lintas yang dinamis
2 m 23 m 5 m 32 m 33 m 3 m 22 m 2 m
239 m
BIBLIO CAD
Trotoar Bahu Jalan Jalur Lalu Lintas Jalur Lalu Lintas Bahu Jalan Trotoar
Median
09 m
Gambar 414 Penampang Melintang Jalan Basuki Rahmat Kota Malang
20
022
042
032
009
033
030
022
020
0
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 415 Penampang Memanjang Jalan Basuki Rahmat Kota Malang
BARAT
TIMUR
SELATAN
UTARA
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
59
Dari data volume kendaraan di ruas Jalan Basuki Rahmat diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 3299 smpjam Di daerah ini memiliki
kecepatan rata-rata sebesar 598 kmjam
f Jalan Nusakambangan
Tata guna lahan di jalan Nusakambangan digunakan sebagai daerah pertokoan dan
terdapat bangunan Rumah Sakit
BIBLIO CAD
15 m 445 m 445 m 15 m
119 m
Trotoar Jalur Lalu Lintas Trotoar
Gambar 416 Penampang Melintang Jalan Nusakambangan Kota Malang
15
01
50
45
04
50
Trotoar
Trotoar
Badan Jalan
Gambar 417 Penampang Memanjang Jalan Nusakambangan Kota Malang
Pada ruas Jalan Nusakambangan dari data volume kendaraan diperoleh volume jam
puncak pada arah Barat yaitu 4695 smpjam dan untuk arah Timur yaitu sebesar 22645
smpjam Sedangkan kecepatan pada ruas Jalan Borobudur arah Barat sebesar 4204
kmjam dan kecepatan untuk arah Timur sebesar 4146 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4175 kmjam
g Jalan Raya Langsep
Jalan Raya Langsep merupakan salah satu jalan di Kota Malang yang digunakan
untuk komersil dan untuk area sekolah Kegiatan lalu lintas padat pada jam ndash jam tertentu
BARAT
TIMUR
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
60
Median
Jalur Lalu LintasJalur Lalu LintasBahuJalan Bahu Jalan
36 m 36 m08 m 4 m 33 m 33 m 15 m
201 m
BIBLIO CAD
Gambar 418 Penampang Melintang Jalan Raya Langsep Kota Malang
150
330
330
400
360
360
080
Bahu Jalan
Bahu Jalan
Badan Jalan
Badan Jalan
Gambar 419 Penampang Memanjang Jalan Raya Langsep Kota Malang
Dari data volume kendaraan di ruas Jalan Raya Langsepdiperoleh total volume jam
puncak pada arah Utara dan Selatan sebesar 5578 smpjam Sedangkan kecepatan pada
arah Utara sebesar 4611 kmjam dan kecepatan untuk arah Selatan sebesar 4560 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4585 kmjam
h Jalan Sudanco Supriadi
Jalan Sudanco Supriadi merupakan salah satu jalan yang padat di Kota Malang
Tata guna lahan diperuntukan untuk perumahan warga dan pertokoan (apotik Metro
Husada bengkel motor AHASS warung makan dsb)
Jalur Lalu LintasBahuJalan
BahuJalan TrotoarTrotoar
BIBLIO CAD
12 m 1 m 525 m 525 m05m 12 m
144 m
Gambar 420 Penampang Melintang Jalan Sudanco Supriadi Kota Malang
SELATAN
UTARA
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
61
12
01
00
55
05
00
05
01
20
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 421 Penampang Memanjang Jalan Sudanco Supriadi Kota Malang
Pada ruas Jalan Sudanco Supriadi dari data volume kendaraan diperoleh total
volume jam puncak pada arah Barat dan Timur sebesar 2732 smpjam Sedangkan
kecepatan pada arah Barat sebesar 5286 kmjam dan kecepatan untuk arah Timur sebesar
4427 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4856 kmjam
i Jalan Laksda Adi Sucipto
Jalan Laksda Adi Sucipto merupakan salah satu jalan padat di Kota Malang
dikarenakan terdapat rel kereta api di jalan tersebut Tata guna lahan diperuntukan untuk
pertokoan
Jalur Lalu LintasBahuJalan
BahuJalan
07 m 455 m 455 m
07 m
105 m
BIBLIO CAD
Gambar 422 Penampang Melintang Jalan Laksda Adi Sucipto Kota Malang
07
04
55
45
50
70
Bahu Jalan
Bahu Jalan
Badan Jalan
Gambar 423 Penampang Memanjang Jalan Laksda Adi Sucipto Kota Malang
BARAT
TIMUR
BARAT
TIMUR
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
62
Pada ruas Jalan Laksda Adi Sucipto dari data volume kendaraan diperoleh volume
jam puncak pada arah Timur yaitu 73565 smpjam dan untuk arah Barat yaitu sebesar
16425 smpjam Sedangkan kecepatan pada ruas Jalan Laksda Adi Sucipto arah Timur
sebesar 4538 kmjam dan kecepatan untuk arah Barat sebesar 4336 kmjam Di daerah ini
memiliki kecepatan rata-rata sebesar 4437 kmjam
j Jalan Raya Sawojajar
Jalan Raya Sawojajar merupakan salah satu jalan lokal di Kota Malang Untuk tata
guna lahan di jalan ini digunakan sebagai area pertokoan masjid dan area sekolah
Kegiatan lalu lintas di daerah ini tidak begitu padat dan cenderung lancer
3 m3 m
BIBLIO CAD
225 m
825 m
Bahu Jalan Jalur Lalu Lintas
Gambar 424 Penampang Melintang Jalan Raya Sawojajar Kota Malang
22
530
030
0
Bahu Jalan
Badan Jalan
Gambar 425 Penampang Memanjang Jalan Raya Sawojajar Kota Malang
Pada ruas Jalan Raya Sawojajar dari data volume kendaraan diperoleh total volume
jam puncak pada arah Utara dan Selatan sebesar 611 smpjam Sedangkan kecepatan di
ruas Jalan Raya Sawojajar pada arah Utara sebesar 4062 kmjam dan kecepatan untuk arah
Selatan sebesar 4583 kmjam Di daerah ini memiliki kecepatan rata-rata sebesar 4322
kmjam
SELATAN
UTARA
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
63
Tabel 46
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Malang
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
85 persentil
(kmjam)
Jalan
Borobudur
Arteri 42 D 2 ke Timur 81 - 142775 317380 4540
2 Ke Barat 68 05 m (diperkeras) 174605 3769
Jalan Ikan
Tombro
Arteri 22 UD 1 Ke Utara 2 - 200125 4282
1 Ke Selatan 2 - 4729
Jalan Ahmad
Yani
Arteri 42 D 2 Ke Utara 81 - 4910 4868
2 Ke Selatan 68 - 5057
Jalan Pattimura Kolektor 22 UD 1 Ke Timur 45 - 19740 62445 4529
1 Ke Barat 46 - 42705 4409
Basuki Rahmat Kolektor 42 D 2 Ke Utara 73 22 m (diperkeras) 3299
2 Ke Selatan 74 22 m (diperkeras)
Nusakambangan Kolektor 22 UD 1 Ke Barat 45 - 46950 62445 4204
1 Ke Timur 45 - 22645 4146
Raya Langsep Kolektor 42 D 2 Ke Utara 66 15 m (tidak diperkeras) 5578 4611
2 Ke Selatan 72 08 m (diperkeras) 4560
S Supriadi Kolektor 22 UD 1 Ke Barat 5 05 m (diperkeras) 2732 5286
1 Ke Timur 55 1 m (diperkeras) 4427
Laksda Adi
Sucipto
Kolektor 22 UD 1 Ke Timur 45 07 m (diperkeras) 73565 237815 4538
1 Ke Barat 45 07 m (diperkeras) 164250 4336
Raya Sawojajar Lokal 22 UD 1 Ke Utara 3 - 611 4062
1 Ke Selatan 3 225 m (tidak diperkeras) 4583
63
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
64
422 Ruas Jalan yang Dikaji di Kota Blitar
a Jalan Tanjung
Jalan Tanjung merupakan salah satu jalan terpadat di Kota Blitar
174 m
235 m 235 m 235 m 235 m
BIBLIO CAD
2 m2 m 2 m 2 m
Trotoar Bahu JalanJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu LintasJalur
Lalu Lintas Bahu Jalan Trotoar
Gambar 426 Penampang Melintang Jalan Tanjung Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
200
200
470
470
200
200
Gambar 427 Penampang Memanjang Jalan Raya Tanjung Kota Blitar
Pada ruas Jalan Tanjung dari data volume kendaraan diperoleh volume jam puncak
pada arah Timur yaitu 59670 smpjam dan untuk arah Barat yaitu sebesar 64785 smpjam
Sedangkan kecepatan pada ruas Jalan Tanjung arah Timur sebesar 5720 kmjam dan
kecepatan untuk arah Barat sebesar 4939 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 5329 kmjam
b Jalan Raya Kediri ndash Blitar
Jalan Raya Kediri ndash Blitar merupakan salah satu jalan arteri di Kota Blitar
153 m
3 m 2 m 35 m 35 m 13 m 2 m
Trototar Bahu Jalan Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BIBLIO CAD
Gambar 428 Penampang Melintang Jalan Raya Kediri ndash Blitar Kota Blitar
BARAT
TIMUR
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
65
Bahu Jalan
Bahu Jalan
Badan Jalan
Gorong-gorong
30
020
035
035
013
020
0
Gambar 429 Penampang Memanjang Jalan Raya Kediri ndash Blitar Kota Blitar
Dari data volume kendaraan pada ruas Jalan Raya Kediri - Blitar diperoleh volume
jam puncak pada arah Barat yaitu 46885 smpjam dan untuk arah Timur yaitu sebesar
41205 smpjam Sedangkan kecepatan pada ruas Jalan Raya Kediri - Blitar arah Barat
sebesar 5215 kmjam dan kecepatan untuk arah Timur sebesar 5246 kmjam Di daerah
ini memiliki kecepatan rata-rata sebesar 5230 kmjam
c Jalan Jati
Jalan Jati merupakan salah satu jalan padat di Kota Blitar
35 m35 m15 m 15 m
Trotoar
BahuJalanTrotoar
08m15 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan
BIBLIO CAD
Gambar 430 Penampang Melintang Jalan Jati Kota Blitar
Gorong-gorong
Bahu Jalan
Gorong-gorongBahu Jalan
Badan Jalan
15
01
50
35
03
50
15
00
80
Gambar 431 Penampang Memanjang Jalan Jati Kota Blitar
Dari data volume kendaraan pada ruas Jalan Jati diperoleh volume jam puncak pada
arah Utara yaitu 2178 smpjam dan untuk arah Selatan yaitu sebesar 24225 smpjam
Sedangkan kecepatan pada ruas Jalan Jati arah Utara sebesar 4299 kmjam dan kecepatan
untuk arah Selatan sebesar 4326 kmjam Di daerah ini memiliki kecepatan rata-rata
sebesar 4312 kmjam
BARAT
TIMUR
SELATAN
UTARA
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
66
d Jalan Bendo
Jalan Bendo merupakan salah satu jalan kolektor di Kota Blitar
15 m 325 m 325 m 2 m
10 m
Jalur Lalu Lintas
BIBLIO CAD
Jalur Lalu Lintas Bahu JalanBahuJalan
Gambar 432 Penampang Melintang Jalan Bendo Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
15
032
532
520
0
Gambar 433 Penampang Memanjang Jalan Bendo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bendodiperoleh volume jam puncak
pada arah Timur yaitu 20435 smpjam dan untuk arah Barat yaitu sebesar 4032 smpjam
Sedangkan kecepatan pada ruas Jalan Bendo arah Timur sebesar 4559 kmjam dan
kecepatan untuk arah Barat sebesar 4129 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4344 kmjam
e Jalan Bengawan Solo
93 m
1 m 15 m08m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan Trotoar
3 m 3 m
BIBLIO CAD
Gambar 434 Penampang Melintang Jalan Bengawan Solo Kota Blitar
BARAT
TIMUR
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
67
Bahu Jalan
Bahu JalanGorong-gorong
Badan Jalan
10
03
00
30
01
50
08
0
Gambar 435 Penampang Memanjang Jalan Bengawan Solo Kota Blitar
Dari data volume kendaraan pada ruas Jalan Bengawan Solo diperoleh volume jam
puncak pada arah Utara yaitu 30055 smpjam dan untuk arah Selatan yaitu sebesar 25045
smpjam Sedangkan kecepatan pada ruas Jalan Bengawan Solo arah Utara sebesar 4453
kmjam dan kecepatan untuk arah Selatan sebesar 4393 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4423 kmjam
f Jalan Karanggayam
Jalur Lalu Lintas Jalur Lalu Lintas Bahu JalanBahuJalan
BIBLIO CAD
29 m 29 m 21 m14 m
93 m
Gambar 436 Penampang Melintang Jalan Karanggayam Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
02
90
29
02
10
Gambar 437 Penampang Memanjang Jalan Karanggayam Kota Blitar
Dari data volume kendaraan pada ruas Jalan Karanggayam diperoleh volume jam
puncak pada arah Timur yaitu 2213 smpjam dan untuk arah Barat yaitu sebesar 20915
smpjam Sedangkan kecepatan pada ruas Jalan Karanggayam arah Timur sebesar 5064
kmjam dan kecepatan untuk arah Barat sebesar 4487 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 4775 kmjam
SELATAN
UTARA
BARAT
TIMUR
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
68
g Jalan Ir Soekarno
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan TrotoarBahu JalanTrotoar
BIBLIO CAD
456 m456 m18 m 15 m13 m18 m
Gambar 438 Penampang Melintang Jalan Ir Soekarno Kota Blitar
Bahu Jalan
Bahu Jalan
Trotoar
Trotoar
Badan Jalan
180
180
455
455
130
150
Gambar 439 Penampang Memanjang Jalan Ir Soekarno Kota Blitar
Dari data volume kendaraan pada ruas Jalan Ir Soekarno diperoleh volume jam
puncak pada arah Selatan yaitu 23305 smpjam dan untuk arah Utara yaitu sebesar 45945
smpjam Sedangkan kecepatan pada ruas Jalan Ir Soekarno arah Selatan sebesar 5857
kmjam dan kecepatan untuk arah Utara sebesar 4979 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5418 kmjam
h Jalan Mastrip
BIBLIO CAD
41 m41 m08m 2 m
05m
115 m
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
BahuJalan
Gambar 440 Penampang Melintang Jalan Mastrip Kota Blitar
SELATAN
UTARA
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
69
Trotoar
Bahu Jalan
Bahu Jalan
Badan Jalan
08
04
10
41
00
50
20
0
Gambar 441 Penampang Memanjang Jalan Mastrip Kota Blitar
Dari data volume kendaraan pada ruas Jalan Mastrip diperoleh volume jam puncak
pada arah Timur yaitu 434 smpjam dan untuk arah Barat yaitu sebesar 41825 smpjam
Sedangkan kecepatan pada ruas Jalan Mastrip arah Timur sebesar 5299 kmjam dan
kecepatan untuk arah Barat sebesar 4633 kmjam Di daerah ini memiliki kecepatan rata-
rata sebesar 4966 kmjam
i Jalan Imam Bonjol
45 m45 m1 m 2 m15 m2 m
BIBLIO CAD
Jalur Lalu Lintas Jalur Lalu LintasBahuJalan Trotoar
Bahu JalanTrotoar
155 m
Gambar 442 Penampang Melintang Jalan Imam Bonjol Kota Blitar
Trotoar
Trotoar
Bahu Jalan
Bahu Jalan
200
100
450
450
150
200
Gambar 443 Penampang Memanjang Jalan Imam Bonjol Kota Blitar
BARAT
TIMUR
SELATAN
UTARA
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
70
Dari data volume kendaraan pada ruas Jalan Imam Bonjol diperoleh volume jam
puncak pada arah Utara yaitu 46440 smpjam dan untuk arah Selatan yaitu sebesar 22155
smpjam Sedangkan kecepatan pada ruas Jalan Imam Bonjol arah Utara sebesar 5524
kmjam dan kecepatan untuk arah Selatan sebesar 5553 kmjam Di daerah ini memiliki
kecepatan rata-rata sebesar 5438 kmjam
j Jalan Umum Desa Kauman
BahuJalan
JalurLalu Lintas
2 m 2 m 16 m16 m
72 m
JalurLalu Lintas
BahuJalan
Gambar 444 Penampang Melintang Jalan Umum Desa Kauman Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
16
016
020
020
0
Gambar 445 Penampang Memanjang Jalan Umum Desa Kauman Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Kauman diperoleh
volume jam puncak pada arah Selatan yaitu 8625 smpjam dan untuk arah Utara yaitu
sebesar 9215 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Kauman arah
Selatan sebesar 4299 kmjam dan kecepatan untuk arah Utara sebesar 4487 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4393 kmjam
k Jalan Umum Desa Selokajang
Bahu JalanJalur
Lalu LintasJalur
Lalu LintasBahuJalan
2 m 2 m 17 m23 m
8 m
Gambar 446 Penampang Melintang Jalan Umum Desa Selokajang Kota Blitar
SELATAN
UTARA
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
71
Bahu Jalan
Bahu Jalan
Badan Jalan
23
020
020
017
0
Gambar 447 Penampang Memanjang Jalan Umum Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Umum Desa Selokajang diperoleh
volume jam puncak pada arah Utara yaitu 453 smpjam dan untuk arah Selatan yaitu
sebesar 4805 smpjam Sedangkan kecepatan pada ruas Jalan Umum Desa Selokajang arah
Utara sebesar 4860 kmjam dan kecepatan untuk arah Selatan sebesar 4431 kmjam Di
daerah ini memiliki kecepatan rata-rata sebesar 4645 kmjam
l Jalan Simpang 4 Desa Selokajang
3 m 3 m 16 m14 m
9 m
BahuJalan Jalur Lalu Lintas Jalur Lalu Lintas
BahuJalan
Gambar 448 Penampang Melintang Jalan Simpang 4 Desa Selokajang Kota Blitar
Bahu Jalan
Bahu Jalan
Badan Jalan
14
016
014
016
0
Gambar 449 Penampang Memanjang Jalan Simpang 4 Desa Selokajang Kota Blitar
Dari data volume kendaraan pada ruas Jalan Simpang 4 Desa Selokajang diperoleh
volume jam puncak pada arah Timur yaitu 3530 smpjam dan untuk arah Barat yaitu
sebesar 2980 smpjam Sedangkan kecepatan pada ruas Jalan Simpang 4 Desa Selokajang
arah Timur sebesar 4498 kmjam dan kecepatan untuk arah Barat sebesar 4680 kmjam
Di daerah ini memiliki kecepatan rata-rata sebesar 4589 kmjam
SELATAN
UTARA
BARAT
TIMUR
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
72
Tabel 47
Rekapitulasi Karakteristik Geometrik dan Karakteristik Lalu Lintas Kota Blitar
Nama Jalan Fungsi
Jalan
Tipe
Jalan
Jumlah
Lajur
Arah Lebar
Lajur
Bahu Jalan Volume Jam
Puncak
(SMPJam)
Volume
Total
Kecepatan
(kmjam)
Jalan Tanjung Arteri 22 UD 1 Timur 47 2 m (diperkeras) 5967
124455 5720
1 Barat 47 2 m (diperkeras) 64785 4939
Jalan Raya
Kediri-Blitar Arteri 22 UD
1 Barat 35 2 m (tidak diperkeras) 46885 8809
5215
1 Timur 35 13 m (tidak diperkeras) 41205 5246
Jalan Jati Kolektor 22 UD 1 Utara 35 15 m (tidak diperkeras) 2178
46305 4299
1 Selatan 35 15 m (tidak diperkeras) 24225 4326
Jalan Bendo Kolektor 22 UD 1 Timur 325 15 m (tidak diperkeras) 20435
60755 4559
1 Barat 325 15 m (tidak diperkeras) 4032 4129
Jalan Bengawan
Solo Kolektor 22 UD
1 Utara 3 1 m (tidak diperkeras) 30055 551
4453
1 Selatan 3 15 m (tidak diperkeras) 25045 4393
Jalan
Karanggayam Kolektor 22 UD
1 Timur 29 14 m (tidak diperkeras) 2213 43045
5064
1 Barat 29 21 m (tidak diperkeras) 20915 4487
Jalan Ir
Soekarno Kolektor 22 UD
1 Selatan 45 18 m (tidak diperkeras) 23305 6925
5857
1 Utara 46 13 m (tidak diperkeras) 45945 4979
Jalan Mastrip Kolektor 22 UD 1 Timur 41 08 m (diperkeras) 434
85225 5299
1 Barat 41 05 m (diperkeras) 41825 4633
Jalan Imam
Bonjol Kolektor 22 UD
1 Selatan 45 1 m(diperkeras) 22155 68595
5353
1 Utara 45 15 m (diperkeras) 4644 5524
Jalan Umum
Desa Kauman Kolektor 22 UD
1 Selatan 2 16 m(tidak diperkeras) 8625 1784
4299
1 Utara 2 16 m(tidak diperkeras) 9215 4487
Jalan Umum
Desa Selokajang Kolektor 22 UD
1 Utara 2 23 m (tidak diperkeras) 453 9335
4860
1 Selatan 2 17 m (tidak diperkeras) 4805 4431
Jalan Simpang 4
Desa Selokajang Lokal 22 UD
1 Timur 3 14 m (tidak diperkeras) 353 651
4498
1 Barat 3 16 m(tidak diperkeras) 298 4680
72
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
73
43 Karakteristik Kecelakaan di Lokasi Jalan yang Dikaji
431 Jenis Kecelakaan
Jenis Tabrakan yang terjadi dibagi menjadi 3 yaitu Tabrak Depan Tabrak Samping
dan Tabrak Belakang Berdasarkan Tabel 45 dan tabel 46 dapat diketahui jumlah tabrak
samping dan tabrak belakang yang terjadi di Kota Malang maupun di Kota Blitar memiliki
frekuensi yang sama Persentase kejadian tabrak samping dan tabrak belakang di Kota
Malang mencapai angka 364 sedangkan Kota Blitar memiliki persentase tabrak
samping dan tabrak belakang sebesar 44
Tabel 48
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Kecelakaan Frekuensi Persentase
()
1 Tabrak Depan 3 273
2 Tabrak Samping 4 364
3 Tabrak Belakang 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 49
Jenis Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Tabrakan Frekuensi Persentase
()
1 Tabrak Depan 2 8
2 Tabrak Samping 11 44
3 Tabrak Belakang 11 44
4 Jatuh Sendiri 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
432 Waktu Kejadian
Dari tabel 47 dan tabel 48 dapat diketahui bahwa rentang waktu 0600-1159 WIB
merupakan rentang waktu paling banyak terjadinya kecelakaan Pada rentang waktu
tersebut 636 kecelakaan terjadi di Kota Malang sedangkan di Kota Blitar persentase
terjadinya kecelakaan mencapai 56
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
74
Tabel 410
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 7 636
2 1200-1759 WIB 2 182
3 1800-2359 WIB 1 91
4 0000-0559 WIB 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 411
Waktu Kejadian Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Waktu Frekuensi Persentase
()
1 0600-1159 WIB 14 56
2 1200-1759 WIB 1 4
3 1800-2359 WIB 3 12
4 0000-0559 WIB 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
433 Cuaca Saat Kejadian
Berdasarkan data yang diperoleh dari POLDA JATIM didapatkan kondisi cuaca
saat terjadinya kecelakaan yang melibatkan pengguna sepeda di Kota Malang dan Kota
Blitar Kondisi cuaca yang dimaksud adalah cerah berawan dan hujan Dari tabel 49 dan
tabel 410 diketahui bahwa kecelakaan yang melibatkan pengguna sepeda di Kota Maland
dan Kota Blitar mayoritas terjadi pada cuaca cerah 909 kecelakaan di Kota Malang
terjadi pada cuaca cerah sedangkan di Kota Blitar92 kecelakaan terjadi pada cuaca
cerah
Tabel 412
Cuaca Saat Terjadinya Kecelakaan yang Melibatkan Pengguna Sepeda di Kota Malang
No Cuaca Frekuensi Persentase
()
1 Cerah 10 909
2 Berawan 1 91
3 Hujan 0 0
Jumlah 11 100
Sumber POLDA JATIM 2017
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
75
Tabel 413
Cuaca saat terjadinya kecelakaan yang Melibatkan Pengguna Sepeda di Kota Blitar
No Cuaca Frekuensi Persentase
()
1 Cerah 23 92
2 Berawan 1 4
3 Hujan 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
434 Jenis Cedera
Data jenis cedera yang terjadi diperoleh dari POLDA JATIM Jenis Cedera yang
terjadi dibagi menjadi 3 yaitu luka ringan luka berat dan Meninggal Dunia Dari Tabel
411 dan Tabel 412 dapat diketahui bahwa jenis cedera dengan frekuensi paling banyak
terjadi di Kota Malang dan Kota Blitar adalah Luka Ringan Di Kota Malang 818
cedera yang terjadi adalah luka ringan Sedangkan di Kota Blitar jenis Cedera luka ringan
memiliki persentase kejadian sebesar 72
Tabel 414
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Malang
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 9 818
2 Luka Berat 0 0
3 Meninggal Dunia 2 182
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 415
Jenis Cedera yang Melibatkan Pengguna Sepeda di Kota Blitar
No Jenis Cedera Frekuensi Persentase
()
1 Luka Ringan 18 72
2 Luka Berat 0 0
3 Meninggal Dunia 7 28
Jumlah 25 100
Sumber POLDA JATIM 2017
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
76
435 Jumlah Kerugian
Berdasarkan data yang dari POLDA JATIM didapat jumlah kerugian pengguna
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari Tabel 413 dan tabel
414 dapat diketahui bahwa rentang jumlah kerugian yang paling banyak di Kota Malang
maupun Kota Blitar adalah Rp 100000 - Rp 200000 Persentase kerugian Rp 100000 ndash
Rp 200000 di Kota Malang mecakup 455 Sedangkan di Kota Blitar kerugian dengan
jumlah Rp 100000 - Rp 200000 mencakup 52 dari keseluruhan kasus yang terjadi
Tabel 416
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 0 0
2 Rp 100000 - Rp 200000 5 455
3 Rp 201000 - Rp 300000 2 182
4 Rp 401000 - Rp 500000 3 273
5 gtRp 500000 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 417
Jumlah Kerugian Pengguna Sepeda yang Terlibat Kecelakaan di Blitar
No Tingkat Penghasilan Frekuensi Persentase
()
1 ltRp 100000 2 8
2 Rp 100000 - Rp 200000 13 52
3 Rp 201000 - Rp 300000 6 24
4 Rp 401000 - Rp 500000 2 8
5 gtRp 500000 1 4
6 Tidak Diketahui 1 4
Jumlah 25 100
Sumber POLDA JATIM 2017
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
77
Rekapitulasi Karakteristik Kecelakaan di Kota Malang dan Kota Blitar
Tabel 418 Rekapitulasi Karakteristik Kecelakaan yang Dominan
Variabel Kota Malang Kota Blitar
Waktu Kejadian 0600 ndash 1159 WIB 0600 ndash 1159
Jenis Kecelakaan Tabrak Samping dan
Tabrak Belakang
Tabrak Samping dan
Tabrak Belakang
Jenis Cedera Luka Ringan Luka Ringan
Jumlah
Kerugian Rp 100000 ndash Rp 200000 Rp 100000 ndash Rp 200000
Cuaca Cerah Cerah
Sumber Hasil Survei (2017)
44 Karakteristik Pengendara
441 Jenis Kelamin
Berdasarkan data yang diperoleh dari POLDA JATIM diketahui data pengendara
sepeda yang terlibat kecelakaan di Kota Malang dan Kota Blitar Dari data tersebut
diperoleh hasil bahwa mayoritas pengendara sepeda yang terlibat kecelakaan adalah
berjenis kelamin laki-laki Prosentase pengendara sepeda di Kota Malang mencakup 909
laki-laki dan 91 Perempuan sedangkan di Kota Blitar terdiri dari 76 laki-laki dan 24
perempuan(Tabel 416 dan Tabel 417)
Tabel 419
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 10 909
2 Perempuan 1 91
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 420
Jenis Kelamin Pengguna Sepeda yang Terlibat Kecelakaan Sepeda di Kota Blitar
No Jenis Kelamin Frekuensi Persentase
()
1 Laki-Laki 19 76
2 Perempuan 6 24
Jumlah 25 100
Sumber POLDA JATIM 2017
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
78
442 Usia
Berdasarkan data dari POLDA JATIM diperoleh mayoritas rentang usia pengguna
sepeda yang terlibat kecelakaan adalah gt55 tahun di Kota Malang dan Kota Blitar Dari
data tersebut diperoleh pengguna sepeda dengan usia gt55 tahun yang terlibat kecelakaan di
kota Malang berjumlah 727 sedangkan di Kota Blitar berjumlah 68
Tabel 421
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Usia (Tahun) Frekuensi Persentase
()
1 lt15 tahun 2 182
2 46-55 tahun 2 182
3 gt55 tahun 4 364
4 Tidak Diketahui 3 273
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 422
Usia Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Usia (Tahun) Frekuensi Persentase
()
1 lt 15 2 80
2 15-25 2 80
4 36-45 2 80
5 46-55 2 80
6 gt 55 9 360
7 Tidak Diketahui 8 320
Jumlah 25 100
Sumber POLDA JATIM 2017
443 Pekerjaan
Data jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang dan
Kota Blitar diperoleh dari POLDA JATIM Tabel 420 dan tabel 421 menunjukkan bahwa
sebagian besar jenis pekerjaan pengguna sepeda yang terlibat kecelakaan di Kota Malang
merupakan Pegawai Swasta dengan persentase 455 sedangkan di Kota Blitar adalah
Wiraswasta dengan persentase 52
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
79
Tabel 423
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Malang
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 2 182
2 Pegawai Swasta 5 455
3 Wiraswasta 4 364
Jumlah 11 100
Sumber POLDA JATIM 2017
Tabel 424
Pekerjaan Pengguna Sepeda yang Terlibat Kecelakaan di Kota Blitar
No Pekerjaan Frekuensi Persentase
()
1 Pelajar Mahasiswa 4 16
2 Pegawai Swasta 5 20
3 Wiraswasta 13 52
4 BuruhPetani 1 4
5 Tidak Diketahui 2 8
Jumlah 25 100
Sumber POLDA JATIM 2017
Rekapitulasi Karakteristik Pengendara di Kota Malang dan Kota Blitar
Tabel 425 Rekapitulasi Karakteristik Pengendara yang Dominan
Variabel Kota Malang Kota Blitar
Jenis Kelamin Laki - laki Laki - laki
Usia gt55 tahun gt55 tahun
Pekerjaan Pegawai Swasta Wiraswasta
Sumber Hasil Survei (2017)
45 Pemodelan Kecelakaan Sepeda di Kota Malang dan Kota Blitar
Pemodelan dilakukan untuk mengetahui hubunan antara kecelakaan yang
melibatkan pengguna sepeda dengan karakteristik geometrik jalan (Lebar jalan jumlah
lajur dan keberadaan bahu jalan) dan karakteristik lalu lintas (Arus dan Kecepatan) pada
ruas jalan tempat terjadinya kecelakaan Dengan adanya model kecelakaan yang telah
dibuat maka jumlah kecelakaan yang melibatkan pengguna sepeda pada kondisi jalan
tertentu dan kondisi lalu lintas tertentu
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
80
451 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Malang
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel terikat yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 426 dan tabel 427 distribusi poisson dipilih sebagai distribusi yang
digunakan pada pemodelan
Tabel 426
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =11
1 Neg Binomial No fit
Tabel 427
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 069903 1 52176 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 428 ditemukan bahwa nilai pearson correlation dari
variabel respon (BA) dengan variabel penjelas(FLOW SPEED LW LN dan SW) kurang
dari 05 sehingga hal ini menunjukkan bahwa tidak terdapat hubungan yang kuat antara
variabel penjelas dengan variabel respon Hal ini menunjukkan bahwa apabila pemodelan
tetap dilakukan akan membentuk model yang kurang baik atau tidak signifikan hasilnya
Apabila proses dilanjutkan maka perlu dilakukan eliminasi pada variabel penjelas
yang memiliki nilai pearson correlation yang besar(gt05) Terdapat beberapa variabel
penjelas yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih
salah satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada
Variabel FLOW(Arus) dan Variabel LN(jumlah lajur) yang memiliki nilai pearson
correlation sebesar 0852 maka dari dua variabel tersebut dipilih satu variabel pada
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
81
pemodelan Pada pemodelan ini FLOW(Arus) terpilih sebagai variabel yang digunakan
pada pemodelan karena memiliki nilai pearson correlation yang lebih besar terhadap
variabel respon dibanding LN Sedangkan pada Variabel SPEED(Kecepatan) dan Variabel
SW(bahu jalan) memilki nilai pearson correlation sebesar 0653 maka dipilih variabel SW
untuk dimasukkan pada pemodelan
Tabel 428
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 468 289 -037 408 -280
Sig (2-tailed) 172 418 918 242 433
N 10 10 10 10 10 10
FLOW Pearson Correlation 468 1 433 -107 815 233
Sig (2-tailed) 172 211 769 004 517
N 10 10 10 10 10 10
SPEED Pearson Correlation 289 433 1 037 405 653
Sig (2-tailed) 418 211 919 246 040
N 10 10 10 10 10 10
LW Pearson Correlation -037 -107 037 1 -179 -037
Sig (2-tailed) 918 769 919 620 920
N 10 10 10 10 10 10
LN Pearson Correlation 408 815 405 -179 1 284
Sig (2-tailed) 242 004 246 620 427
N 10 10 10 10 10 10
SW Pearson Correlation -280 233 653 -037 284 1
Sig (2-tailed) 433 517 040 920 427
N 10 10 10 10 10 10
Correlation is significant at the 001 level (2-tailed)
Correlation is significant at the 005 level (2-tailed)
Data yang digunakan pada Pemodelan berjumlah 8 data terlihat pada tabel 429 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
82
Tabel 429
Input Data
RUAS JALAN BA FLOW SPEED LW LN SW LN_BA LN_FLOW
Jalan Ahmad Yani 2 4910 496 38 4 0 069 85
Jalan Pattimura 1 624 447 46 2 0 0 644
Basuki Rahmat 1 3299 558 37 4 22 0 81
Nusakambangan 1 624 418 45 2 0 0 655
Raya Langsep 1 5578 459 35 4 115 0 863
S Supriadi 1 2732 486 53 2 075 0 791
Laksda Adi Sucipto 1 2378 444 45 2 07 0 777
4511 Uji Univariat
Dari hasil univariat didapat hasil bahwa seluruh variabel bila diuji secara parsial
terlihat pada tabel 429 tidak memenuhi tingkat signifikansi yang cukup yaitu signifikansi
pada variabel-variabel penjelas yang diuji lebih dari 5 atau sig gt 5 Sehingga tidak
dapat dipilih variabel-variabel tersebut untuk dimasukkan ke dalam pemodelan Namun
pada uji multivariate terdapat kemungkinan nilai signifikansi memenuhi syarat karena
variabel-variabel penjelas dapat saling menegasikan satu sama lainnya
Tabel 429
Hasil Uji Univariat Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -921 30093 -6819 4977 094 1 760
LN_FLOW 133 3899 -631 897 116 1 733
(Intercept) -748 32513 -7120 5625 053 1 818
SPEED 018 0699 -119 155 068 1 794
(Intercept) -223 9309 -2048 1601 057 1 811
LN 112 3028 -482 705 136 1 712
(Intercept) 140 13609 -2527 2808 011 1 918
LW -012 3457 -689 666 001 1 973
(Intercept) 159 3853 -596 914 170 1 680
SW -113 4453 -986 760 064 1 800
4512 Uji Multivariat
Dari hasil uji Multivariat pada tabel 430 dapat dilihat bahwa variabel-variabel
penjelas tidak memenuhi syarat variabel LN_FLOW memiliki nilai signifikansi 0563 dan
Variabel SW memiliki nilai signifikansi 0582 sehingga nilai signifikansi tiap variabel-
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
83
variabel gt 5 Dengan variabel yang tingkat signifikansinya tidak memenuhiapabila
masih akan dibentuk model maka akan menghasilkan estimasi yang tidak akurat
Tabel 430
Hasil Uji Multivariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper Wald Chi-Square df Sig
(Intercept) -1826 36519 -8983 5332 250 1 617
LN_FLOW 279 4820 -666 1224 334 1 563
SW -312 5667 -1423 799 303 1 582
(Scale) 1a
Dependent Variable BA
Model (Intercept) LN_FLOW SW
a Fixed at the displayed value
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
dapat dibentuk adalah sebagai berikut
BA=161x10-1
FLOW0279
EXP(-0312 SW)
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
SW Lebar Bahu
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 345 ndash 53 m
Rentang Jumlah Lajur 2 - 4
Rentang Lebar Bahu 0 ndash 22 m
Rentang Kecepatan 418 ndash 558 kmjam
Rentang Volume kendaraan 624 - 5578
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
84
4513 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan yang ada
cf
Gambar 449 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan Kecelakaan Observasi
Kumulatif Observasi
Kecelakaan Estimasi
Kumulatif Estimasi
Jalan Ahmad Yani 2 2 1724398404 1724398
Jalan Pattimura 1 3 0969800439 2694199
Basuki Rahmat 1 4 0776881554 347108
Nusakambangan 1 5 0969800439 4440881
Raya Langsep 1 6 1248154998 5689036
S Supriadi 1 7 1158721542 6847757
Laksda Adi Sucipto 1 8 1132241496 7979999
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi yaitu
BA = 161x10-1
49100279
EXP(-0312 (0))
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
85
4514 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Berdasarkan data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 27 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW0379
kemudian diperoleh hasil 10269
sehingga terdapat peningkatan sebesar 00269
b Pengaruh Lebar Bahu Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa lebar bahu
jalan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan menurun seiring dengan
pelebaran bahu jalan Pelebaran bahu sebesar 50 cm akan menurunkan jumlah kecelakaan
sebesar exp(-0344 x 05) atau sebesar 144
452 Hasil dan Pembahasan Model Prediksi Kecelakaan di Kota Blitar
Sebelum pemodelan dilaksanakan perlu diadakan uji kesesuain distribusi yang
digunakan pada variabel respon yaitu jumlah kecelakaan yang melibatkan pengguna
sepeda Uji kesesuaian distribusi dilaksanakan dengan distribusi Poisson dan Negative
Binomial menggunakan Uji Smirnov Kolmogorov Dari hasil uji kesesuaian distribusi yang
terliaht pada tabel 432 dan tabel 433 distribusi Poisson dipilh sebagai distribusi yang
digunakan pada pemodelan
Tabel 432
Hasil Uji Kolmogorov- Smirnov
Distribution Parameters
1 Poisson =15833
1 Neg Binomial No fit
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
86
Tabel 433
Uji Kolmogorov- Smirnov untuk Goodness of Fit
Distribution
Kolmogorov Anderson
Smirnov Darling
Statistic Rank Statistic Rank
1 Poisson 053033 1 29589 1
2 Neg Binomial No fit
Setelah uji kesesuaian distribusi dilaksanakan maka perlu dilaksanakan pula uji
korelasi Dari Uji Korelasi pada tabel 434 ditemukan terdapat beberapa variabel penjelas
yang memiliki nilai pearson correlation yang lebih dari 05 sehingga perlu dipilih salah
satu variabel saja dari variabel-variabel berhubungan tersebut Layaknya pada Variabel
FLOW(Arus) dan Variabel SPEED(kecepatan) yang memiliki nilai pearson correlation
sebesar 0644 kemudian Variabel FLOW(Arus) dan Variabel LW(lebar lajur) memilki
nilai pearson correlation sebesar 0814 Variabel FLOW akhirnya terpilih sebagai variabel
penjelas yang masuk pada pemodelan karena memiliki nilai pearson correlation paling
besar dengan variabel respon yaitu sebesar 0505
Namun uji pearson correlation pada variabel penjelas yang lain terhadap variabel
respon memiliki nilai yang kecil sehingga kemungkinan model yang terbentuk akan tidak
akurat dalam memprediksi kecelakaan
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
87
Tabel 434
Hasil Korelasi Antar Variabel
Correlations
BA FLOW SPEED LW LN SW
BA Pearson Correlation 1 505 148 229 a 153
Sig (2-tailed) 094 646 473 635
N 12 12 12 12 12 12
FLOW Pearson Correlation 505 1 644 815
a -133
Sig (2-tailed) 094 024 001 679
N 12 12 12 12 12 12
SPEED Pearson Correlation 148 644 1 751
a 015
Sig (2-tailed) 646 024 005 964
N 12 12 12 12 12 12
LW Pearson Correlation 229 815 751
1
a -278
Sig (2-tailed) 473 001 005 381
N 12 12 12 12 12 12
LN Pearson Correlation a
a
a
a
a
a
Sig (2-tailed)
N 12 12 12 12 12 12
SW Pearson Correlation 153 -133 015 -278 a 1
Sig (2-tailed) 635 679 964 381
N 12 12 12 12 12 12
Correlation is significant at the 005 level (2-tailed)
Correlation is significant at the 001 level (2-tailed)
a Cannot be computed because at least one of the variables is constant
Data yang digunakan pada Pemodelan berjumlah 9 data terlihat pada tabel 435 Data
yang tersebut didapat dari proses iterasi yang dilakukan hingga model dapat terbentuk
Proses analisis pemodelan dapat dilihat pada lampiran
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
88
Tabel 435
Input Data
Ruas Jalan BA FLOW SPEED LW LN SW
Jalan Tanjung 2 1245 5329 47 2 2
Jalan Jati 1 463 4312 35 2 15
Jalan Karanggayam 1 430 4775 29 2 175
Jalan Ir Soekarno 2 693 5417 46 2 155
Jalan Mastrip 1 852 4965 41 2 065
Jalan Imam Bonjol 1 686 5438 45 2 125
Jalan Umum Desa Kauman 1 178 4393 2 2 16
Jalan Umum Desa Selokajang 1 93 4645 2 2 2
Jalan Simpang 4 Desa Selokajang 1 65 4588 3 2 15
4521 Uji Univariat
Variabel-variabel penjelas yang diuji merupakan variabel penjelas yang dipilih
berdasarkan uji korelasi yang telah dilaksanakan Dari hasil uji univariat didapat hasil
bahwa variabel penjelas yang diuji secara parsial terlihat pada tabel 436 tidak memenuhi
tingkat signifikansi karena signifikansi pada variabel-variabel yang diuji lebih dari 5 atau
sig gt 5Apabila masih akan dibentuk model maka akan menghasilkan estimasi yang
tidak akurat Variabel-variabel tersebut tidak dapat dipilih untuk dimasukkan ke dalam
pemodelan Pada hasil Univariat koefisien SW(Bahu jalan) memiliki nilai positif hal ini
berlawanan dengan penelitian terdahulu (Sobri A dkk 2010) sehingga tidak dapat
dimasukkan ke dalam model
Tabel 436
Hasil Uji Univariat
Parameter Estimates
Parameter B Std Error
95 Wald Confidence Interval Hypothesis Test
Lower Upper
Wald Chi-
Square df Sig
(Intercept) -0999 1998 -4915 2917 025 1 0617
LN_FLOW 021 03243 -0426 0845 0417 1 0518
(Intercept) 0023 11813 -2292 2339 0 1 0984
SW 0158 07521 -1316 1632 0044 1 0834
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
89
4522 Uji Multivariat
Dari Hasil uji univariat di dapat bahwa Variabel penjelas yang dapat digunakan pada
model adalah Variabel penjelas FLOW sehingga tidak diperlukan lagi uji multivariate
Berdasarkan analisis yang telah dilakukan maka model prediksi kecelakaan yang
terbentuk adalah sebagai berikut
BA=368x10-1
FLOW021
Dimana
BA Kecelakaan yang melibatkan pengguna sepeda (kejadiantahun)
Flow Arus Lalu Lintas (Smpjam)
Model diatas dapat digunakan pada ruas jalan dengan karakteristik sebagai berikut
Lokasi Jalan Perkotaan
Rentang Lebar lajur 2 ndash 47 m
Rentang Jumlah Lajur 2
Rentang Lebar Bahu 065 ndash 2 m
Rentang Kecepatan 439 ndash 5438 kmjam
Rentang Volume kendaraan 65 - 1245
4523 Perbandingan Data Kecelakaan Observasi dengan Data Estimasi Model
Model yang diharapkan adalah model yang dapat menghasilkan nilai estimasi
mendekati nilai observasi sehingga diperlukan pemeriksaan dari model kecelakaan yang
didapat Gambar 449 perbandingan data estimasi dengan data observasi yang didapat hal
ini menunjukkan bahwa model yang dihasilkan kurang akurat dalam memprediksi jumlah
kecelakaan di lapangan
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
90
Gambar 450 Perbandingan antara Data Kecelakaan Observasi dan Data Estimasi Model
Tabel 431
Perbandingan Kecelakaan Observasi dengan Data Estimasi Model
Ruas Jalan
Kecelakaan
Observasi
Kumulatif
Observasi
Kecelakaan
Estimasi
Kumulatif
Estimasi
Jalan Tanjung 2 2 164484651 1644847
Jalan Jati 1 3 133632416 2981171
Jalan Karanggayam 1 4 131573428 4296905
Jalan Ir Soekarno 2 6 145443324 5751338
Jalan Mastrip 1 7 15189103 7270248
Jalan Imam Bonjol 1 8 14513357 8721584
Jalan Umum Desa Kauman 1 9 109327147 9814856
Jalan Umum Desa Selokajang 1 10 095394038 107688
Jalan Simpang 4 Desa Selokajang 1 11 088481325 1165361
didapat dengan memasukan data geometrik dan lalu lintas jalan ke dalam model prediksi
yaitu BA = 368x10-1
1245021
4524 Hasil Interpretasi Model
Setelah model prediksi diperoleh maka dapat diketahui pengaruh variabel-variabel
penjelas terhadap jumlah kecelakaan yang terjadi
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
91
a Pengaruh Volume Kendaraan Terhadap Jumlah Kecelakaan
Bila dilihat dari data analisis yang diperoleh maka dapat dikatakan bahwa volume
kendaraan mempengaruhi tingkat terjadinya kecelakaan yang melibatkan pengguna sepeda
Jumlah kecelakaan yang melibatkan pengguna sepeda akan meningkat seiring dengan
meningkatnya volume lalu lintas Peningkatan volume lalu lintas sebanyak 10 diprediksi
dapat meningkatkan jumlah kecelakaan sebesar 2 Angka ini diperoleh dengan
memasukkan 11 ke dalam persamaan BA=FLOW021
kemudian diperoleh hasil 10202
sehingga terdapat peningkatan sebesar 002
92
(Halaman Ini Sengaja Dikosongkan)
92
(Halaman Ini Sengaja Dikosongkan)