BAB II

TINJAUAN PUSTAKA

2.1 Tinjauan Statistik

2.1.1 Analisis Regresi Logistik

1) Regresi Logistik Biner

Regresi Logistik Biner merupakan suatu metode analisis data

yang digunakan untuk mencari hubungan antara variabel respon y

yang bersifat biner atau dikotomus dengan variabel prediktor (x) yang

bersifat polikotomus (Hosmer dan Lemeshow, 1989). Bentuk data variabel

respon terdiri dari 2 kategori yaitu “sukses” dan “gagal” yang dapat

dinotasikan dengan y  1 (sukses) dan y  0 (gagal). Dalam keadaan

demikian variabel y mengikuti distribusi Bernoulli untuk setiap

observasi tunggal. Fungsi Probabilitas untuk tiap observasi adalah

diberikan sebagai berikut :

= − ; = 0.1

Dimana bila = 0 maka f ( y)  1   dan bila = 1 maka

f ( y )   . Fungsi regresi logistiknya dapat dituliskan sebagai berikut:

= ekuivalen dengan =

dengan = + + ⋯+ .

9
http://repository.unimus.ac.id
 10

Nilai antara −∞ dan +∞ sehingga nilai f (z ) terletak antara nilai 0

dan 1 untuk setiap nilai yang diberikan. Dari Hal tersebut dapat dilihat

bahwa model logistik menggambarkan probabilitas dari suatu objek. Berikut

adalah model regresi logistiknya :

! "⋯"#$ %$
= ! "⋯"#$ %$
1+

& = banyaknya variabel predictor, tersebut terletak antara 0 dan

1, nilai akan menurun maupun naik mengikuti kenaikan . Berikut adalah

uraian menggunakan transformasi logit dari model regresi logistik pada

persamaan diatas untuk mempermudah pendugaan parameter regresi.

! "⋯"#$ %$
= ! "⋯"#$ %$
1+
! "⋯"#$ %$ ! "⋯"#$ %$
'1 + (=

! "⋯"#$ %$ ! "⋯"#$ %$
+ ' (=

! "⋯"#$ %$ ! "⋯"#$ %$
= −

! "⋯"#$ %$
= )1 − *

! "⋯"#$ %$
=
1−

! "⋯"#$ %$
ln - . = ln' (
1−

http://repository.unimus.ac.id
 11

ln - .= + ⋯ $ !$
1−

dengan:

/ = banyaknya variabel prediktor

= konstanta

= koefisien dari , dimana = , , 1, … ,

= variabel bebas, dimana = , 1, … ,

3 = Logit [ ]

= Probabilitas sukses dari variabel

Model tersebut merupakan fungsi linier dari parameter-parameternya.

Pada regresi logistik, variabel respon diekspresikan sebagai = +6

dimana 6 mempunyai salah satu dari kemungkinan dua nilai yaitu 6 = 1 −

dengan peluang jika = 1 dan 6 = − jika = 0 dan

mengikuti distribusi binomial dengan rataan nol dan varians 1−

. Sehingga model yang terbentuk akan mengikuti pola seperti kurva

berikut ini :

http://repository.unimus.ac.id
 12

Sumber : Agesti, 2002

Gambar 2.1 kurva fungsi regresi logistik

Kelemahan dari regresi logistik adalah ketika sampel kecil dan data

yang kelasnya tidak seimbang. Data yang jumlah sampelnya kecil dan

kelasnya tidak seimbang akan menghasilkan akurasi yang rendah

(Harington dalam Rianto, 2015). Jika kelas data awal tidak seimbang

(imbalance) maka hasil prediksi cenderung menghasilkan kelas mayoritas

(Khoshgoftaar et al dalam Rianto, 2015).

2) Estimasi Parameter

Estimasi parameter pada regresi logistik dilakukan dengan metode

Maximum Likelihood Estimation (MLE). Metode tersebut bertugas

mengestimasi parameter dengan cara memaksimalkan fungsi likelihood

dan mensyaratkan bahwa data harus mengikat suatu distribusi tertentu. Pada

regresi logistik, setiap pengamatan mengikuti distribusi Bernoulli sehingga

dapat ditentukan fungsi likelihoodnya.

http://repository.unimus.ac.id
 13

Jika xi dan yi merupakan pasangan variabel bebas dan terikat pada

pengamatan ke−7 dan diasumsikan bahwa setiap pasangan pengamatan

saling independen dengan pasangan pengamatan lainnya, i  1,2,..., n maka

fungsi probabilitas untuk setiap pasangannya adalah :

8 = 8
8
1− 8
8
; 8 = 0,1 ;
$
9∑ # % =
;< ; ;
dengan, 8 = $
9∑ # % =
;< ; ;

dimana, ketika > = 0 maka nilai 8? = 8 = 1 . Setiap pengamatan

diasumsikan independen sehingga fungsi likelihoodnya merupakan

gabungan dari fungsi distribusi masing-masing pasangan yaitu sebagai

berikut:
B B

@ == A 8 =A 8
D 1− 8
D

8C 8C

Fungsi likelihood tersebut lebih mudah dimaksimumkan dalam bentuk

log @ dan dinyatakan dengan E .

E = log @
$
∑;< D !D;
E = ∑?C ∑B8C 8 8? ? − ∑8C log 1 +
B

Nilai β maksimum didapatkan melalui turunan E terhadap dan

hasilnya adalah sama dengan nol.

http://repository.unimus.ac.id
 14

B B $
∑;< D !D;
HE
=I 8 8? −I 8?
H ? 1+
∑;<
$
D !D;
8C 8C

Sehingga, ∑B8C 8 8? − ∑B8C 8? J 8 = 0 dengan > = 0,1, … , &

Untuk nilai taksiran dari turunan pertama fungsi @ non linier

maka digunakan metode Iterasi Newton Raphson. Persamaan yang

digunakan :

 (t 1)   (t )  ( H (t ) ) 1 q (t ) ; t = 1,2,…, sampai konvergen.

L (  ) L (  ) L (  )
dengan, q T  ( , ,..., )
 0  1  k

dan H merupakan matriks Hessian. Elemen-elemennya adalah

 h11 h12 ... h1k 

 
 L( )
2  h21 h22 ... h2 k 

, sehingga H  .
h ju 
 j  u . ... .  ,
 
h hk 2 ... hkk 
 k1

dan pada setiap iterasi berlaku,

h (jut ) 
 2 L( ) |
 (t )   xij xiu  ( xi ) ( t ) (1   ( x i ) (t ) )
 j  u i 1

n
L (  ) |   ( y i   ( xi ) (t ) ) x ij
q (t )
  (t )
 j
j
i 1

k
(   (t )
j x ij )
j0
e
 ( x i ) (t )  k
(   (t)
j x ij )
1 e j0

http://repository.unimus.ac.id
 15

dari persamaan diatas diperoleh,

K
= K
+{ M
N7O3P 8
K
)1 − 8
K
*Q } M
−S K

Langkah-langkah iterasi Newton Raphson diberikan sebagai berikut:

a. Menentukan nilai dugaan awal  (0) kemudian dengan menggunakan

persamaan maka didapatkan

 ( xi ) ( 0 ) .

b. Dari  ( xi ) (0) pada langkah a, diperoleh matriks Hessian H (0) dan vektor

q (0) .

c. Proses selanjutnya untuk t  0 digunakan hingga  (xi )(t) dan  (t )

konvergen.

Untuk metode Maximum Likelihood Estimation (MLE) akan digunakan

uji serentak dan parsial guna mengetahui signifikansi parameter dari tiap

variabel.

1) Uji Serentak

Pengujian ini dilakukan untuk mengetahui signifikansi parameter

terhadap variabel respon secara bersama-sama dengan

menggunakan statistik Uji G (Hosmer and Lemeshow, 2000).

Hipotesisnya adalah sebagai berikut :

H = = 1 =⋯= U =0

H = S7V7SO@ OWO XOYZ ≠ 0, , > = 1,2, … , ]

Taraf signifikansi : α

http://repository.unimus.ac.id
 16

Statistik uji yang digunakan adalah statistic uji Ghit atau Likelihood

Ratio Test, yaitu :

` ` ` `
'`( '`(
^ = −2@V _∏` ecd fcD g
D< b
Statistik uji :
D

Dengan V = ∑B8C 8; V = ∑B8C 1 − 8 ;V = V + V

Daerah penolakan : tolak H0 jika ^ > 1

! dengan p adalah

derajat bebas banyaknya variabel predikor atau jika nilai

p-value < α .

2) Uji Parsial

Pengujian ini dilakukan untuk mengetahui signifikansi parameter β

terhadap variabel responnya secara parsial mengunakan statistik uji

Wald (Hosmer and Lemeshow, 2000). Hipotesisnya adalah sebagai

berikut :

i = U =0

i = U ≠ 0; ] = 1,2, … , &

Taraf signifikansi : α

Daerah penolakan : tolak H0 jika j| > lm

n

2.1.2 Metode Resampling Bootstrap

Bootstrap adalah metode dan teknik Resampling nonparametrik

yang berbasis komputer dan sangat potensial untuk dipergunakan pada

http://repository.unimus.ac.id
 17

masalah keakurasian yang didasarkan pada simulasi data untuk keperluan

inferensi statistik (Sungkono, 2013). Bootstrapping bertujuan untuk

menentukan nilai estimasi yang kuat bersarakan standard eror dan interval

kepercayaan untuk mengestimasi proporsi, rerata, median, odds ratio,

koefisien korelasi atau koefisien regresi (Widhiarso, 2012). Keuntungan

metode Bootstrap ini, nilai error akan menurun secara signifikan jika

diaplikasikan pada data yang kecil (Ruparel et al., 2013). Metode Bootstrap

diawali dengan mengambil sampel dari sampel asli dengan ukuran sama

sesuai ukuran data asli, dan dilakukan dengan pengembalian. Dinotasikan

dengan o ∗ , o1∗ , … , oq∗ masing-masing berisi nilai data yang telah disampling

secara random dengan pengembalian dari sampel . Kemudian dilakukan

evaluasi hasil resampling Bootstrap yang diperoleh untuk masing-masing

sampel Bootstrap. Lalu estimasi standard error untuk sampel Bootstrap.

Proses resampling Bootstrap dilakukan dengan menggunakan program

komputer, karena besarnya jumlah resampling yang bisa mencapai ribuan

kali sehingga sangatlah sulit untuk melakukan perhitungan secara manual

(Ustyannie, 2014).

1) Pembentukan Sampel Bootstrap

Menurut (Walpole, Myers, & Ye, 2007), sampel adalah suatu

himpunan bagian dari populasi. Istilah sampel asli digunakan untuk

menyebut himpunan bagian yang pertama diambil dari populasi,

http://repository.unimus.ac.id
 18

sebelum dilakukan resampling, yaitu proses pengambilan sampel

kembali dari sampel yang telah kita ambil dari populasi, sedangkan

istilah sampel Bootstrap (resampling) digunakan untuk menyebut

sampel yang telah kita resampling dari sampel asli. Sampel asli

dilambangkan dengan x  {x1,.....,xn } dimana n  1, 2,3,..., n , dan sampel

Bootstrap dilambangkan dengan

x*  {x1* , x2* ,...,xB* } dimana

B  1,2,3,..., B . Sampel Bootstrap diperoleh dengan cara sampling secara

acak dengan pengembalian dari sampel asli. Ini berarti bahwa setelah

observasi diambil secara acak dari sampel asli kemudian diletakkannya

kembali sampel yang terambil tersebut sebelum diambil sampel atau

observasi berikutnya. Sampel menggunakan pengembalian

memungkinkan untuk mendapatkan jumlah data yang sama dengan

ketika pertama kali kita melakukan sampling, dan memungkinkan satu

data diambil beberapa kali. Peluang sampel dengan pengembalian dapat

dinotasikan dengan:

1
P ( x 1*  x j | x )  untuk i , j  1, 2 ,..., n
n

Ini adalah distribusi seragam untuk sampling Bootstrap. Masing-

masing sampel Bootstrap yang diambil setiap kali pengambilan adalah

sama banyaknya dengan sampel asli.

2) Estimasi standar error Metode Bootstrap

http://repository.unimus.ac.id
 19

Estimasi Bootstrap untuk standard error tidak memerlukan

perhitungan teori dan selalu tersedia walaupun sekompleks apapun

perhitungan statistika untuk estimator ˆ , artinya prosedur Bootstrap

untuk standard error selalu sama untuk semua bentuk distribusi data.

Menurut (Efron & Tibshirani, 1993), Estimasi standard error

untuk sampel Bootstrap yaitu :

sˆeB  {b1 (ˆ b  ˆ  ) 2 /(B  1) 2 }

B

1 B ˆb
dimana: ˆ   .
B b1

3) Interval konfidensi Bootstrap pendekatan normal

Interval konfidensi (1   ) Bootstrap pendekatan normal dapat

dikonstruksikan sebagai berikut:

ˆ (b)  t n  p, / 2 seˆ (b)    ˆ (b)  t n  p, / 2 seˆ (b)

dimana t n p, / 2 adalah nilai kritis t dengan luas daerah sebelah

kanan  / 2 , dan n  p adalah nilai derajat kebebasan. seˆ

(b)
adalah

nilai standard error dari ˆ . Jika V ≥ 30, maka distribusi l yang

(b)

digunakan untuk interval konfidensi.

http://repository.unimus.ac.id
 20

4) Prosedur Resampling Metode Bootstrap

Prosedur Bootstrap untuk standard error selalu sama untuk semua

bentuk distribusi data. Menurut Efron dan Tibshirani, langkah-langkah

prosedur Bootstrap sebagai berikut :

1. Pilih sampel Bootstrap, yaitu sampel yang telah kita resampling dari

sampel asli sebanyak B. Dinotasikan dengan X1*, X2*,..., XB*, masing-

masing berisi nilai data yang telah disampling secara random dengan

pengembalian dari sampel X.

2. Evaluasi hasil Bootstrap yang diperoleh untuk masing-masing sampel

Bootstrap tu v = X J v ), dimana nilai w = 1,2, … , x.

3. Estimasi standard error untuk sampel Bootstrap

sˆeB  {b1 (ˆ b  ˆ  ) 2 /(B  1) 2 }

B
(2.4)

1 B ˆb

dimana: ˆ   .
B b1

4. Mengulangi langkah 1, 2 dan 3 hingga B kali, sehingga akan diperoleh

Xy , Xy1, … . , Xyq

Pendekatan Bootstrap jika diulang lebih dari satu kali akan memberikan

hasil yang berbeda, hal ini karena yang dilakukan adalah suatu simulasi.

Jika dapat dilakukan menggunakan semua kemungkinan sampel yaitu

VB maka hasilnya akan sama (Sungkono, 2013).

http://repository.unimus.ac.id
 21

2.2 Landasan Teori

2.2.1 Pengertian Kecelakaan

Kecelakaan lalu lintas adalah suatu peristiwa di jalan yang tidak

disangka-sangka dan tidak disengaja. Kecelakaan melibatkan kendaraan

dengan atau tanpa pemakai jalan lainnya yang mengakibatkan korban

manusia ataupun kerugian harga benda (Peraturan Pemerintah No 43 tahun

1993 pasal 93). Kecelakaan lalu lintas pada umumnya terjadi disebabkan

oleh banyak faktor penyebab, misalkan ketidak hati-hatian dalam

pengguna jalan, tidak menggunakan atribut lengkap untuk berkendara

adala faktor penyebab timbulnya kecelakaan. Selain faktor dari manusia

ada juga faktor jalan, kondisi kendaraan saat digunakan, cuaca, ataupun

pandangan terhalang satu dan lain hal. Kecelakaan lalu lintas tidak terjadi

secara kebetulan melainkan disertai berbagai suatu sebab yang dapat dicari

tahu untuk melakukan tindakan preventif atau pencegahan sebelum terjadi

karena dampaknya merugikan secara materi maupun nonmateri

(Suma’mur, 2009).

Lalu lintas merupakan pergerakan suatu kendaraan dan orang diruang

lalu lintas. Kecelakaan lalu lintas sulit di prediksi kapan dan dimana

terjadinya. Kecelakaan dapat menyebabkan trauma, cidera, atapun

kecacatan, tetapi akibat paling fatal adalah kematian. Kejadian kecelakaan

sulit diminimalisasi dan cenderung meningkat seiring berkembangannya

http://repository.unimus.ac.id
 22

jaman, pertambahan panjang jalan dan bertambahnya kuantitas kendaraan

dijalan karena menyebabkan semakin meningkatnya mobilitas manusia.

2.2.2 Faktor Penyebab Kecelakaan

Banyak faktor penyebab kecelakaan lalu lintas dijalan. Kecelakaan

lalu lintas di Indonesia tiga tahun terakhir berada di urutan ketiga setelah

penyakit jatung coroner dan tuberculosis sebagai penyumbang korban jiwa

terbanyak berdasarkan penilaian oleh WHO, setiap tahunnya di seluruh

dunia 1,24 juta korban meninggal dunia dan 20-50 juta megalami luka,

tiap harinya ada 1000 anak-anak meninggal dunia rentang umur 10-24

tahun (World Health Organization, 2013). Kecelakaan dapat di timbulkan

dari berbagai aspek, dapat dari faktor pengguna jalan, faktor pembangunan

jalan, faktor pengguna jalan, faktor kendaraan yang digunakan, dan faktor

lingkungan.

1) Faktor pengguna jalan

Faktor pengguna jalan, banyak kejadian kecelakaan bersumber dari

pengguna. Tingkat kesadaran keselamatan dalam berlalu lintas masih

sangat rendah padahal pengetahuan tersebut sangat penting untuk

pengendara itu sendiri maupun pengguna jalan lainnya. Beberapa

penyebab kecelakaan bersumber dari pengendara adalah pengendara yang

mengantuk, terlalu lelah karena perjalanan jauh, tidak menggunakan

atribut keselamatan selama berkendara, tidak mematuhi rambu lalu lintas

http://repository.unimus.ac.id
 23

yang ada, menggunakan telepon genggam saat berkendara, dan merokok

saat berkendara.

2) Faktor Jalan

Saat membangun jalan tidak sesuai dengan standar aman, jalan menjadi

licin, bergelombang, yang menyebabkan pengendara kurang nyaman saat

menggunakan jalan. Dari faktor kelengkungan dan jarak pandang

pengendara memberkan efek besar penyebab kecelakaan. Faktor psikologi

pengendara juga menjadi pertimbangan pembangunan jalan.

3) Faktor kendaraan

Kita sering kali mendapatkan himbauan untuk selalu mengecek kesiapan

kendaraan sebelum digunakan. Kendaraan juga memiliki peran dalam

keselamatan berkendara, ketika kendaraan dalam kondisi prima maka

pengendarapun merasa aman ketika menggunakannya. Banyak kejadian

kecelakaan disebabkan dari faktor kendaraan, yang paling sering adalah

rem blong. Hal tersebut sangatlah fatal karena ketika kendaraan mulai

bergerak dengan kecepatan tetapi tidak berfungsinya rem pada kendaraan

dapat dipastikan terjadinya kecelakaan. Dari kelengkapan kendaraan, kaca

spion berfungsi untuk melihat apakah ada kendaraan satu dengan

kendaraan lain dengan posis berdekatan sehingga ketika akan melakukan

pergerakan dapat memperkirakan jarak aman dengan pengendara lain.

Banyak pengendara yang melalaikan fungsi dari spion bahkan pada

kendaraannya tidak di lengkapi dengan spion. Selain spion, lampu pada

http://repository.unimus.ac.id
 24

kendaraan juga dapat menyumbang angka kecelakaan dijalan. Lampu

berfungsi memberikan padangan yang lebih jelas kepada pengendara

ketika terdapat di lokasi minim cahaya. Tetapi penggunaan lampu

kendaraan yang tidak tepat dapat membahayakan kendaraan lain. Saat

lampu kendaraan tidak sesuai dengan standar yang telah di tentukan oleh

pemerintah digunakan maka bisa mengganggu pandangan pengendara lain

yang dapat berakibat fatal yaitu kecelakaan.

4) Faktor Lingkungan

Faktor lingkungan memiliki pengaruh walaupun tidak sebesar faktor

pengguna dan kendaraan. Keadaan disekeliling jalan juga harus

dipertimbangkan untuk keselamatan pengguna jalan nantinya. Semua hal

tersebut dipertimbangkan oleh traffic engineer sebagai perancang dari

faktor kontur tanah, sungai yang dilalui, tempat penyebrangan pejalan

kaki, peletakan lampu jalan,cuaca didaerah tersebut dan masih banyak lain

hal. Kasus lingkungan menyebabkan korban sangat kecil terjadi tetapi ada,

seperti tanah longsor, pohon roboh, cuaca ekstrim, dan tanah amblas.

http://repository.unimus.ac.id