Post on 19-Nov-2021
BAB 1
PENGENALAN
1.1 Senario Kemalangan Jalan Raya Di Malaysia
Jalan raya adalah satu kemudahan asas yang disediakan oleh kerajaan untuk
kemudahan dan kesenangan perhubungan dan pengangkutan rakyat. Kepesatan
perkembangan ekonomi dan pembangunan negara menjadikan jalan raya satu
keperluan yang sangat penting. Namun begitu dengan bertambahnya kemajuan ini
membolehkan lebih ramai orang mampu memiliki kenderaan dan menggunakan jalan
raya. Pertumbuhan yang pesat ini dilihat sebagai suatu perkembangan yang sihat.
Namun begitu perkembangan ini juga telah membawa kepada peningkatan jumlah
kemalangan dari tahun ke tahun.
Menurut laporan Radin Umar (2005), jumlah kemalangan jalan raya di
Malaysia bermula dari tahun 1994 hingga 2004 terus meningkat sejajar dengan
peningkatan jumlah populasi penduduk. Walaupun banyak kempen keselamatan jalan
raya telah dijalankan, namun ini tidak mampu membendung peningkatan jumlah
kemalangan ini.
1
Jadual 1.1 menunjukkan statistik populasi penduduk Malaysia, bilangan
kenderaan berdaftar dan bilangan kemalangan jalan raya dari tahun 1994 hingga 2004.
Dapat dilihat, pertambahan bilangan kenderaan berdaftar terus meningkat daripada
hanya 7 210 089 pada tahun 1994 kepada 13 764 837 iaitu peningkatan sebanyak
47.62%. Peningkatan ini memberi gambaran bahawa semakin ramai pengguna yang
menggunakan jalan raya. Jumlah kemalangan pula meningkat daripada hanya 148
801 pada tahun 1994 kepada 326 817 pada tahun 2004 iaitu pada kadar 54.47%.
Kadar peningkatan kemalangan ini lebih tinggi daripada kadar pertambahan bilangan
kenderaan berdaftar. Oleh yang demikian suatu tindakan perlu diambil untuk
menangani masalah ini. Penyelidikan berterusan adalah perlu untuk mendapatkan
kaedah terbaik bagi membendung peningkatan kadar kemalangan jalan raya ini.
Jadual 1.1: Statistik kemalangan jalan raya di Malaysia Tahun Populasi Kenderaan berdaftar Bilangan kemalangan 1994 19 494 000 7 210 089 148 801 1995 20 096 700 6 802 375 162 491 1996 21 169 000 7 686 684 189 109 1997 21 665 600 8 550 469 215 632 1998 22 679 600 9 141 357 211 037 1999 22 711 900 9 929 951 223 166 2000 23 200 000 10 589 804 250 417 2001 23 263 600 11 302 545 265 175 2002 23 263 600 12 068 144 279 237 2003 25 048 300 12 868 934 298 651 2004 25 600 000 13 764 837 326 817
Sumber: Radin Umar (2005)
2
1.2 Pernyataan Masalah
‘Pandu cermat jiwa selamat’. Pepatah itu seringkali kedengaran ketika
kempen keselamatan jalan raya dijalankan. Namun begitu, apa yang berlaku kempen
hanya tinggal kempen. Jumlah kemalangan terus meningkat dari tahun ke tahun.
Walaupun telah banyak kos dihabiskan untuk menguatkuasakan undang-undang bagi
membendung masalah ini, tetapi jumlahnya tidak menunjukkan penurunan yang
diharapkan.
1.2.1 Senario Kemalangan Jalan Raya di Kedah
Statistik kemalangan jalan raya mengikut negeri juga menunjukkan
peningkatan setiap tahun bagi setiap negeri. Lampiran A menunjukkan statistik
kemalangan jalan raya mengikut negeri bagi tahun 1994 hingga 2004. Di dalam
tempoh sepuluh tahun ini Negeri Selangor mencatatkan jumlah kemalangan tertinggi
iaitu 657 438, diikuti oleh Wilayah Persekutuan Kuala Lumpur iaitu 393 830.
Berbanding negeri-negeri lain seperti Selangor, Wilayah Persekutuan Kuala
Lumpur dan Johor, jumlah kemalangan di Negeri Kedah masih di tahap yang tidak
membimbangkan. Namun begitu, jumlah ini dijangka akan meningkat sejajar dengan
perkembangan pembangunan di negeri ini. Adalah menjadi hasrat kerajaan untuk
menjadikan Negeri Kedah sebagai sebuah negeri maju pada tahun 2010. Oleh yang
demikian, pertambahan penduduk serta peningkatan penggunaan jalan raya memang
tidak dapat dielakkan. Kesesakan lalu lintas sudah mula menyelubungi penduduk di
bandar-bandar utama seperti Alor Setar, Kubang Pasu dan Sungai Petani.
3
Perkembangan ini secara tidak langsung membuatkan Negeri Kedah perlu
bersedia menerima arus pembangunan yang pesat seperti Selangor dan Wilayah
Persekutuan Kuala Lumpur. Kepesatan pembangunan ini perlu ditangani dengan baik
agar ia tidak membahayakan. Sehubungan itu kajian ini dilakukan untuk melihat
corak kemalangan jalan raya di Negeri Kedah dan mengenal pasti faktor-faktor utama
yang menyebabkan kemalangan ini berlaku.
Berdasarkan Rajah 1.1, bilangan kemalangan di Negeri Kedah meningkat
dengan mendadak pada tahun 1997 iaitu sebanyak 55.32%. Peningkatan ini agak
tinggi dan jumlahnya terus konsisten hingga tahun 2004. Peningkatan jumlah
kemalangan ini telah meningkatkan jumlah nyawa yang terkorban. Tidak kurang juga
mereka yang mendapat kecederaan.
0
2,000
4,000
6,000
8,000
10,000
12,000
14,000
16,000
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
Rajah 1.1 : Bilangan kemalangan jalan raya di Kedah bagi tahun 1994-2004
Data kemalangan jalan raya yang disimpan oleh pihak berkuasa
kebanyakannya adalah berbentuk kategori. Kajian ke atas data kemalangan jalan raya
banyak dilakukan menggunakan pelbagai kaedah analisis. Di Malaysia, kebanyakan
pengkaji memodelkan corak kemalangan menggunakan kaedah Poisson dan Binomial
4
Negatif. Kekurangan maklumat dan data yang diperlukan membuatkan kajian-kajian
yang lebih mendalam sukar dilakukan.
1.2.2 Analisis Data Berkategori
Data jenis kategori adalah daripada pemboleh ubah kualitatif yang
mengklasifikasikan data kepada kumpulan-kumpulan tertentu. Contohnya di dalam
kajian ini, bagi pemboleh ubah sambutan yang dipertimbangkan adalah jenis
kemalangan yang terbahagi kepada dua kategori iaitu kemalangan cedera parah dan
kemalangan maut.
Analisis data berkategori yang mudah diaplikasikan adalah kaedah berasaskan
jadual kontigensi ataupun jadual dua hala. Kaedah ini menguji perhubungan yang
wujud di antara dua pemboleh ubah yang bebas dan menggunakan pengujian
berdasarkan taburan khi-kuasa dua. Namun begitu, kaedah ini hanya berkuasa bagi
pemboleh ubah yang terdiri daripada dua kategori sahaja. Manakala kaedah log-linear
pula dapat memodelkan dua pemboleh ubah bebas yang terdiri lebih daripada dua
kategori (Sloane & Morgan, 1996).
Kebanyakan kajian kemalangan yang dijalankan di Malaysia adalah
berdasarkan jumlah bilangan kemalangan berlaku. Analisis yang biasa digunakan
adalah Poisson dan Binomial Negatif (Harnen dan rakan-rakan, 2003, 2004). Oleh
yang demikian, model yang dibentuk melihat faktor-faktor penyebab berlakunya
kemalangan yang dikaji tanpa melihat kategori berlainan secara serentak.
5
Apabila melibatkan dua pemboleh ubah iaitu pemboleh ubah sambutan dan
bebas, analisis yang seringkali digunakan adalah analisis regresi. Bagi membolehkan
analisis ini digunakan perlu ada andaian bahawa data pemboleh ubah yang diperolehi
tertabur normal. Namun begitu, data yang diperolehi bagi kajian ini adalah berbentuk
kategori yang mana taburannya tidak normal. Oleh yang demikian, analisis regresi
yang biasa tidak sesuai digunakan (Hosmer & Lemeshow, 2000; Al-Ghamdi, 2002).
Menurut Agresti (1990), jenis data berkategori yang utama dilihat dari segi
perbezaan pemboleh ubah sama ada bersandar atau bebas dan perbezaan skala
pengukuran. Kaedah yang berbeza diperlukan apabila mengkaji hubungan di antara
pemboleh ubah bebas dan bersandar yang kedua-duanya terdiri daripada pemboleh
ubah berkategori atau hanya salah satunya dari jenis kategori. Oleh yang demikian,
kajian ini dilakukan untuk mendapatkan satu model yang mampu meramalkan jenis
kemalangan yang melibatkan pemboleh ubah bersandar dan bebas di dalam bentuk
berkategori.
Apabila melibatkan pemboleh ubah bebas bagi data kemalangan di dalam
kajian ini, bilangan pemboleh ubah bebas yang dikenal pasti adalah lebih daripada
satu. Menerusi pangkalan data Polis Diraja Malaysia (PDRM) bagi Negeri Kedah
iaitu POL 27, terdapat lebih kurang enam pemboleh ubah lain yang boleh disabitkan
sebagai penyebab berlakunya kemalangan. Analisis data berkategori mengambil
beberapa kriteria penting yang harus dipertimbangkan.
6
1.3 Objektif Kajian
1.3.1 Mendapatkan anggaran kesan faktor-faktor risiko yang bererti terhadap
kemalangan jalan raya yang serius iaitu kemalangan cedera parah dan maut di
Negeri Kedah.
1.3.2 Mengenal pasti faktor-faktor yang paling berisiko menyebabkan kemalangan
kes cedera parah dan maut di Negeri Kedah.
1.3.3 Membina model yang bersesuaian untuk data kemalangan jalan raya bagi kes
cedera parah dan maut di Negeri Kedah.
1.4 Kepentingan Kajian
1.4.1 Kajian ini dijalankan untuk membantu pihak PDRM mengenal pasti faktor-
faktor penting yang berisiko menyebabkan kemalangan cedera parah atau
maut.
1.4.2 Melalui pengesanan awal, langkah pencegahan dapat dilakukan untuk
mengelakkan berlakunya lebih banyak kemalangan.
1.4.3 Kajian ini juga bertujuan melihat keberkesanan kaedah analisis regresi logistik
di dalam membangunkan model kemalangan jalanraya di Kedah yang
melibatkan kemalangan cedera parah dan maut sahaja.
7
BAB 2
ULASAN KARYA
2.1 Pengenalan
Jumlah kemalangan di Malaysia yang sentiasa meningkat dari tahun ke tahun
amat membimbangkan semua pihak. Oleh yang demikian, kajian berterusan amat
diperlukan bagi menangani masalah ini. Banyak kajian telah dilakukan yang
memperlihatkan fenomena kemalangan jalan raya seterusnya pelbagai cadangan telah
diusulkan bagi mengurangkan jumlah kemalangan ini. Kajian yang dijalankan adalah
menyeluruh melibatkan corak peningkatan, bilangan kemalangan, faktor yang
menyebabkan kemalangan serta langkah yang boleh diambil untuk mengurangkan
jumlah kemalangan ini.
2.2 Faktor Punca Kemalangan
Faktor yang seringkali dikaitkan dengan risiko berlakunya kemalangan jalan
raya adalah sikap pemandu itu sendiri. Chliaoutakis dan rakan-rakan (2002)
menunjukkan bahawa terdapat dua faktor yang relevan bagi tingkah laku pemanduan
agresif iaitu memandu dengan tidak mengikut peraturan dan memandu dengan tidak
sabar. Model multivariat yang diperolehi menggunakan kaedah komponen utama
8
menunjukkan pemandu yang terlibat dalam kemalangan jalan raya lebih didorong
oleh faktor keseronokan memandu, faktor tidak sabar dan faktor usia. Kajian Sumer
(2003) mendapati ciri pemandu yang boleh menyebabkan kemalangan terbahagi
kepada dua iaitu personaliti dan tingkah laku pemandu.
Namun begitu, terdapat juga faktor lain yang boleh menjadi punca berlakunya
kemalangan jalan raya. Hijar dan rakan-rakan (2000) telah menggariskan tiga faktor
utama berlakunya kemalangan. Berdasarkan kajian kes yang mereka lakukan di lebuh
raya Mexico-Cuernavaca, faktor yang telah dikenal pasti adalah ciri pemandu seperti
umur dan kekerapan menggunakan lebuh raya, ciri kenderaan seperti keselamatan dan
penjagaan serta ciri persekitaran seperti cuaca dan pemukaan jalan.
Faktor risiko kemalangan jalan raya yang dikaji oleh Yau (2004) yang
memberi kesan bererti untuk kemalangan yang melibatkan kenderaan persendirian
adalah kawasan kemalangan, jantina pemandu, usia kenderaan, masa kemalangan dan
keadaan lampu jalan. Lam (2004) pula mengkaji dengan lebih teliti faktor-faktor
persekitaran yang boleh menjadi punca kemalangan. Antara yang didapati
berpengaruh adalah hari dan masa kemalangan, keadaan cuaca, keadaan jalan dan
keadaan pemanduan sama ada membawa penumpang atau tidak.
Pengaruh cuaca dikatakan dapat menyebabkan kemalangan berdasarkan
kepada tahap keupayaan pemandu yang berkurang. Contohnya seperti pemanduan
malam atau ketika hari hujan menyebabkan pemandangan pemandu terbatas (Hijar
dan rakan-rakan, 2000). Mengikut kajian yang dilakukan oleh Kilpelainen dan
9
Summala (2004), cuaca mampu mempengaruhi gelagat atau tingkah laku pemandu
seterusnya boleh menyebabkan berlakunya kemalangan jalan raya.
Kemalangan jalan raya pada waktu sibuk iaitu waktu pengguna paling ramai
menggunakan jalan raya adalah dipengaruhi oleh faktor lokasi (berdasarkan
kepadatan penduduk) dan jenis persimpangan jalan, manakala waktu tidak sibuk lebih
dipengaruhi oleh faktor lokasi dan lampu isyarat (Rohaiza dan rakan-rakan, 2003).
Secara keseluruhannya, dapat disimpulkan bahawa kebanyakan kajian lepas
mendapati wujud pengaruh faktor pemandu, persekitaran dan kenderaan terhadap
kadar kemalangan jalan raya di beberapa kawasan kajian. Oleh yang demikian, kajian
ini akan dilakukan untuk melihat pula faktor risiko utama kemalangan jalan raya di
Negeri Kedah.
2.3 Pemodelan Data Kemalangan Jalan Raya
Pada kebanyakan kajian, permodelan kemalangan jalan raya dibina untuk
mengaitkan beberapa faktor yang mungkin menyebabkan kemalangan berlaku dan
seterusnya melalui maklumat ini langkah-langkah yang sewajarnya dapat diambil
untuk mengurangkan risiko berlakunya kemalangan jalan raya.
Radin Umar (1998) telah membangunkan model bilangan kematian yang
disebabkan oleh kemalangan jalan raya. Model ini menggunakan model log-linear
dan Poisson selepas mempertimbangkan pertumbuhan eksponen beberapa pemboleh
ubah iaitu bilangan kenderaan setiap tahun, populasi penduduk, panjang jalan dan
10
kesan data kemalangan piawaian. Kajian ini mendapati bahawa pertumbuhan secara
eksponen bagi kematian dan kemalangan adalah konsisten dengan peningkatan
pendedahan kepada kemalangan di Malaysia. Peramalan menggunakan model ini
akan lebih realistik sekiranya data sebenar pendedahan kemalangan seperti kilometer
kenderaan diperolehi.
Walau bagaimanapun penggunaan model regresi Poisson memerlukan nilai
min yang diperolehi sama dengan varians. Tidak semua keadaan dapat memenuhi
syarat ini. Apabila nilai min tidak sama dengan varians, maka ralat piawai yang
dianggarkan menggunakan kaedah kebolehjadian maksimum akan pincang dan
statistik ujian yang diperolehi tidak tepat. Oleh yang demikian Noland dan Quddus
(2002) telah menggunakan kaedah Binomial Negatif di dalam kajian mereka. Kaedah
ini tidak memerlukan andaian min sama dengan varians. Rohaiza dan rakan-rakan
(2003) juga menggunakan kaedah yang sama di dalam mengkaji faktor kemalangan di
jalan bersimpang.
Harnen dan rakan-rakan (2003) pula membina model bagi meramalkan
kemalangan yang melibatkan motorsikal di persimpangan yang tidak mempunyai
lampu isyarat. Model ini dibangunkan menggunakan pendekatan pemodelan linear
teritlak [Generalized Linear Modeling (GLM)] dengan gabungan ralat Poisson dan
Binomial Negatif. Pendekatan kebolehjadian-quasi digunakan untuk mengatasi
masalah serakan. Hasilnya mendapati bahawa menggunakan kaedah Poisson adalah
lebih baik di dalam menerangkan variasi berlakunya kemalangan berbanding
menggunakan kaedah Binomial Negatif.
11
Penggunaan kaedah seperti analisis komponen utama, regresi berganda dan
regresi logistik juga banyak digunakan dalam memodelkan data kemalangan jalan
raya. Analisis komponen utama seringkali digunakan untuk mengurangkan bilangan
data seterusnya mengenal pasti komponen utama yang dihasilkan.
Lee (2002) menggunakan analisis komponen utama untuk membina dua
indeks pencapaian daripada beberapa kriteria untuk mewakili pencapaian keseluruhan
dalam simulasi pemanduan dan penilaian jalan raya. Beliau seterusnya menggunakan
analisis regresi linear ringkas untuk mendapatkan hubungan antara kedua-dua indeks
setelah pelarasan dilakukan terhadap umur dan jantina responden.
Hasil kajian Chliaoutakis dan rakan-rakan (2002) menunjukkan bahawa
terdapat dua faktor yang relevan bagi tingkah laku pemanduan agresif iaitu memandu
dengan tidak mengikut peraturan dan memandu dengan tidak sabar. Model
multivariat yang diperolehi menggunakan kaedah komponen utama menunjukkan
pemandu yang terlibat dalam kemalangan jalan raya lebih didorong oleh faktor
keseronokan memandu, faktor tidak sabar dan faktor usia.
Horswill dan Helman (2001), cuba mengupas isu kecenderungan kemalangan
di antara penunggang motorsikal dan pemandu kereta. Daripada analisis komponen
utama, terdapat 3 faktor utama yang boleh diklasifikasikan, dengan faktor paling
utama dilabelkan sebagai perilaku. Seterusnya, analisis multivariat bagi varians
[multivariate analysis of variance (MANOVA)] dan analisis perbandingan min
berpasangan dijalankan yang mana hasil kajian mendapati penunggang motosikal
lebih berisiko terlibat dengan kemalangan.
12
McLeod dan rakan-rakan (2003) mengkaji sumbangan relatif bagi faktor risiko
luaran dan dalaman kepada kebarangkalian peristiwa kecederaan. Mereka
menggunakan analisis komponen utama untuk membina skala bagi pengukuran
kecenderungan risiko dalaman. Seterusnya, mereka menggunakan analisis regresi
logistik untuk menentukan pemboleh ubah yang signifikan bagi menganggar ahli
kumpulan bagi kes kecederaan.
Penggunaan kaedah analisis komponen utama atau regresi linear ini hanya
terhad kepada data jenis selanjar. Namun begitu, kebanyakan data kemalangan yang
diperolehi daripada pihak yang berkenaan adalah jenis kategori. Adalah mustahil
menggunakan kaedah regresi linear untuk memodelkan pemboleh ubah sambutan
yang hanya terdiri daripada dua kategori (Hosmer & Lemeshow, 2000). Sehubungan
itu, kaedah regresi logistik lebih banyak menjadi pilihan di dalam kajian data
kemalangan kerana ia mampu memodelkan data dalam bentuk kategori. Antara
kajian yang menggunakan kaedah ini adalah Petridou dan rakan-rakan (1995),
Kunhert dan rakan-rakan (2000), Simoncic (2001) dan Al-Ghamdi (2001).
Kunhert dan rakan-rakan (2000) telah membandingkan kaedah klasifikasi
pokok regresi, penyuaian lengkung regresi multivariat di dalam kajian mereka
mengenai data kemalangan kenderaan bermotor. Kajian ini mendapati kaedah regresi
logistik adalah yang terbaik. Kaedah klasifikasi pokok regresi dapat menggambarkan
model secara grafik tetapi tidak dapat membuktikan keertian pekali yang dianggarkan.
Walaupun ia mudah diterangkan tetapi kaedah ini kurang fleksibel. Kaedah
penyuaian lengkung regresi multivariat pula dapat memberikan anggaran parameter
tanpa menguji keertiannya. Ia dapat menggambarkan hubungan di antara faktor risiko
13
dan pemboleh ubah peramal. Namun begitu, kaedah ini lebih rumit dan penerangan
terhadap penyuaian yang diperolehi juga sukar. Ini berlainan dengan kaedah regresi
logistik yang lebih mudah digunakan, dapat memberikan maklumat parameter yang
dianggarkan serta ralat piawai. Model yang terbentuk juga mudah diterangkan
melalui nilai nisbah odds dan selang keyakinan.
Ketika membangunkan model menggunakan kaedah regresi logistik,
kadangkala berlaku keadaan pemboleh ubah yang ingin dimasukkan adalah terlalu
banyak. Bilangan pemboleh ubah yang banyak ini bukan sahaja membuatkan model
sukar dibangunkan, juga boleh menyebabkan model yang dibangunkan tidak tepat
kerana mungkin ada pemboleh ubah bebas yang berkorelasi tinggi antara satu sama
lain. Masalah ini dikenali sebagai masalah multikolineariti.
Sehubungan itu, bilangan pemboleh ubah ini selalunya akan dikurangkan.
Simoncic (2001) dan Al-Ghamdi (2001) menggunakan teknik penyingkiran bagi
mengurangkan bilangan pemboleh ubah bebas sebelum mereka membangunkan
model regresi logistik. Al-Ghamdi (2001) berpendapat penyingkiran awal pemboleh
ubah ini perlu dilakukan dengan berhati-hati bagi menjaga kepentingan maklumat di
dalam model. Beliau menggunakan ujian kadaran bagi mengenal pasti pemboleh
ubah yang memberikan kesan bererti. Melalui ujian ini pemboleh ubah yang tidak
bererti akan disingkirkan.
Di dalam analisis regresi linear klasik, kaedah regresi rabung dapat
menyelesaikan masalah multikolineariti selain daripada menggunakan kaedah
penyingkiran pemboleh ubah. Tetapi di dalam analisis regresi logistik pula,
14
pembangunan model tanpa penyingkiran pemboleh ubah yang dapat menangani
masalah multikolineariti masih baru dan banyak kajian mengenainya sedang
dibangunkan. Antaranya adalah gabungan penggunaan teknik analisis komponen
utama di dalam pembangunan model regresi logistik.
Aguilera dan rakan-rakan (2006) telah memperkenalkan kaedah regresi
logistik komponen utama. Kaedah ini didapati berkuasa menangani masalah
multikolineariti dengan mengasingkan pemboleh ubah dengan varians tinggi. Jika
varians antara pemboleh ubah itu tidak tinggi secara bererti, maka pemboleh ubah itu
boleh disatukan sebagai satu komponen yang baru. Walaupun kaedah ini dapat
menyelesaikan masalah multikolineariti di dalam regresi logistik, tetapi kaedah
komponen utama hanya boleh dijalankan sekiranya semua pemboleh ubah peramal di
dalam model adalah selanjar. Sekiranya pemboleh ubah peramal terdiri daripada jenis
kategori, maka kaedah yang boleh digunakan untuk mengatasi masalah
multikolineariti adalah kaedah penyingkiran pemboleh ubah.
Oleh yang demikian, di dalam usaha mendapatkan faktor risiko kemalangan
jalan raya di Kedah, kaedah regresi logistik dirasakan paling sesuai memandangkan
semua data yang diperolehi adalah jenis kategori dengan pemboleh ubah sambutannya
adalah binari. Bagi menangani masalah multikolineariti, kaedah penyingkiran
pemboleh ubah digunakan.
15
BAB 3
METODOLOGI
3.1 Sumber Data
Kajian ini menggunakan maklumat kemalangan jalan raya bagi tahun 2001
hingga 2004 yang diperolehi daripada Polis Diraja Malaysia (PDRM), Ibu Pejabat
Kawalan Trafik (IPK), Kedah dan Ibu Pejabat Polis bagi setiap daerah (IPD) di
seluruh Negeri Kedah. Perisian Sistem Laporan Kemalangan Kenderaan (CARS: Car
Accidents Reporting System) digunakan untuk mendapatkan data kemalangan jalan
raya bagi 11 daerah di Negeri Kedah. Daerah-daerah tersebut ialah Kota Setar,
Kubang Pasu, Padang Terap, Langkawi, Kuala Muda, Yan, Sik, Baling, Kulim,
Bandar Baharu dan Pendang (Pentadbiran Tanah, 2004 dan Road Traffic Volume
Malaysia, 2003).
Kesemua maklumat yang dikaji adalah berdasarkan laporan untuk orang yang
disalahkan bagi kes kemalangan maut dan cedera parah sahaja. Sebanyak 11
pemboleh ubah diambil kira dan ia melibatkan kes yang berlaku dalam tempoh empat
tahun (Januari 2001 hingga Disember 2004). Keseluruhan pemboleh ubah tersebut
termasuklah daerah, jenis kemalangan, jantina, umur, jenis pekerjaan, keadaan
permukaan jalan, cuaca, jenis tempat, jenis kawasan, sikap pemandu dan jenis
16
kenderaan terlibat. Pemboleh ubah jantina, umur dan pekerjaan diklasifikasi sebagai
faktor demografi. Faktor-faktor persekitaran merangkumi keadaan permukaan jalan,
cuaca, jenis tempat dan jenis kawasan. Jadual 3.1 memaparkan senarai terperinci
pemboleh ubah kajian.
Jadual 3.1: Senarai pemboleh ubah kajian Pemboleh
ubah Keterangan Kod / nilai Nama
1 Daerah 1 = Kota Setar 2 = Kubang Pasu 3 = Padang Terap 4 = Langkawi 5 = Kuala Muda 6 = Yan 7 = Sik 8 = Baling 9 = Kulim 10 = Bandar Baharu 11 = Pendang
Daerah
2 Jenis kemalangan
0 = Maut 1 = Cedera parah
Y
3 Jantina 1 = Lelaki 2 = Perempuan
Jantina
4 Umur 1 = ≤ 19 tahun 2 = 20-39 tahun 3 = 40-59 tahun 4 = ≥ 60 tahun
Umur
5 Jenis pekerjaan
1 = Polis 2 = Tentera 3 = Kerajaan 4 = Swasta 5 = Sendiri 6 = Pelajar 7 = Tidak bekerja 8 = Tak RPT/Kemas
Pekerjaan
6 Keadaan permukaan jalan
1 = Kering 2 = Banjir 3 = Basah 4 = Berminyak 5 = Berpasir
Muka jalan
7 Cuaca 1 = Hujan lebat 2 = Hujan renyai 3 = Tak hujan
Cuaca
17
Jadual 3.1: (sambungan) Pemboleh
ubah Keterangan Kod / nilai Nama
8 Jenis tempat 1 = Bandaraya 2 = Bandar 3 = Pekan 4 = Luar bandar 5 = Pinggir Bandar
Tempat
9 Jenis kawasan
1 = Perumahan 2 = Pejabat 3 = Kawasan beli-belah 4 = Pembinaan atau industri 5 = Jambatan atau jejantas 6 = Sekolah 7 = Lain-lain
Kawasan
10 Sikap 1 = Cuai ketika melintas jalan pejalan kaki Sikap pemandu 2 = Terbabas sebab laju 3 = Makan jalan aliran trafik bertentangan 4 = Cuba atau sedang memotong atau
tukar lorong
5 = Cuai ketika keluar atau masuk simpang 6 = Mengekori rapat lalu melanggar
belakang kereta
7 = Tidak perasan ada kenderaan di depan atau di sebelah
8 = Melawan aliran trafik 9 = Pusingan U, patah balik atau menyeberang 10 = Tidak mengikut lampu isyarat trafik 11 = Cuai ketika mengundur 12 = Mabuk atau dadah 13 = Berhenti mengejut tanpa sebab 14 = Letih, mengantuk, berangan atau leka 15 = Berlumba atau zig-zag 16 = Lain-lain
11 Jenis kenderaan
1 = Motokar/wagon 2 = Motosikal kurang 251cc 3 = Motosikal melebihi 250cc 4 = Lori treler/balak/tanker 5 = Lori (BDM melebihi 2.50 tan) 6 = Lori (BDM kurang 2.51 tan) 7 = Bas ekspres 8 = Bas persiaran 9 = Bas henti-henti 10 = Bas kilang 11 = Bas mini 12 = Bas sekolah 13 = Van 14 = Jip/pickup/land rover 15 = Teksi/kereta sewa 16 = Beca
Kende-raan
18
3.2 Analisis
Kajian ini melibatkan aplikasi kaedah statistik seperti analisis deskriptif,
perkadaran, analisis regresi logistik, analisis komponen utama dan jadual kontingensi
berlapis. Proses analisis data kajian ini dilakukan menggunakan perisian Excel dan
Statistical Package of Social Sciences (SPSS).
3.2.1 Analisis Deskriptif
Analisis ini dilakukan untuk mendapatkan gambaran secara kasar tentang data
yang dikaji dan menjelaskan keadaan data dengan mengandaikan bahawa data yang
ada adalah populasi kes kemalangan maut dan cedera parah bagi Negeri Kedah.
Teknik bergraf digunakan untuk mendapatkan tren kemalangan tersebut dalam
tempoh empat tahun bermula daripada tahun 2001 hingga 2004.
3.2.2 Perkadaran
Kaedah pengujian perkadaran berasaskan selang keyakinan perlu dilaksanakan
untuk mengurangkan dimensi pemboleh ubah agar lebih stabil untuk pengujian
lanjutan. Pengkelasan pemboleh ubah dilakukan sebanyak dua fasa menggunakan
selang keyakinan 95% untuk kadaran satu populasi melibatkan faktor demografi
(jantina, umur dan pekerjaan), faktor persekitaran (keadaan muka jalan, cuaca, jenis
tempat dan jenis kawasan), faktor sikap dan faktor kenderaan. Hanya data yang
wujud (bukan missing value) dan kategori yang signifikan pada aras keertian 5%
diambil kira untuk analisis seterusnya.
19
Rumus selang keyakinan 95% untuk kadaran satu populasi:
( )n
ppzpˆ1ˆˆ
2
−± α
Pada fasa pertama, kategori yang signifikan pada aras keertian 5% dikekalkan.
Manakala kategori yang tidak signifikan digabungkan di kalangan kategori yang tidak
signifikan. Kategori tersebut mempunyai bilangan cerapan yang kecil. Setelah
pengurangan bilangan kategori berlaku, kadaran pada fasa kedua yang melibatkan
kategori baru dihitung untuk kegunaan analisis lanjutan.
3.2.3 Analisis Regresi Logistik
Menurut Hosmer dan Lemeshow (2000), data yang melibatkan pemboleh ubah
bersandar dikotomus (binari) sesuai dianalisis menggunakan analisis regresi logistik.
Dua sebab utama pemilihan teknik pemodelan ini ialah pertama, daripada sudut
matematik ia sangat fleksibel dan fungsi yang mudah digunakan, dan kedua, ia dapat
memberi interpretasi bermakna secara klinikal.
Sehubungan itu, kajian ini menggunakan salah satu kaedah daripada regresi
logistik iaitu kaedah penghapusan ke belakang sebagai kaedah regresi langkah demi
langkah (nisbah kebolehjadian), backward stepwise (likelihood ratio). Kaedah ini
diguna berdasarkan pernyataan Menard (1995) yang menyatakan bahawa kedua-dua
pemboleh ubah telah berada dalam model tersebut memberikan risiko yang rendah
untuk gagal mendapatkan hubungan yang wujud. Ia mungkin mendedahkan
20
hubungan yang hilang akibat kemasukan ke hadapan apabila mereka berbeza.
Penyuaian terbaik dan paling parsimoni diperolehi menerusi kaedah ini.
Merujuk kepada Hosmer dan Lemeshow (2000) dan Al-Ghamdi (2002),
penggunaan taburan logistik melibatkan kuantiti ( ) ( )xYPx |1==π yang mewakili
kebarangkalian bersyarat bagi Y = 1 diberi x. Kuantiti ( ) ( )xYPx |01 ==−π
mewakili kebarangkalian bersyarat bagi Y = 0 diberi x. Bentuk spesifik model regresi
logistik ialah
( ) ( ) x
x
eexxYP
10
10
1| ββ
ββ
π +
+
+==
Seterusnya penjelmaan bagi fungsi logistik ( )xπ yang juga dikenali sebagai
penjelmaan logit dilakukan untuk mendapatkan ciri-ciri model regresi linear. Maka,
( ) ( )( ) 0 1ln
1x
g x xx
πβ β
π⎡ ⎤
= =⎢ ⎥−⎣ ⎦+
)
Penganggaran parameter bagi model ini berasaskan kebolehjadian maksimum
yang mana dijelaskan secara terperinci dalam Hosmer dan Lemeshow (2000).
Ungkapan fungsi log kebolehjadian yang diambil kira ialah
( ) ( )[ ] ( )[ ] ( ) ([ ]{ }∑=
−−+==n
iiiii xyxylL
11ln1lnln ππββ
21
Berasaskan ungkapan di atas, nisbah kebolehjadian diperolehi iaitu
⎥⎦
⎤⎢⎣
⎡−=
tepumodel bagiian kebolehjad logsemasa model bagiian kebolehjad logln2 Devians, D
Nilai devians berperanan dalam penilaian penyuaian terbaik. Perubahan dalam D
iaitu
( )( )bersandarubah tak pemboleh dengan model
bersandarubah tak pemboleh tanpamodelD
DG−
=
mempengaruhi keertian pemboleh ubah tak bersandar dalam model. Selain daripada
nisbah kebolehjadian, statistik Wald juga mempunyai peranan yang sama. Sebagai
contoh, untuk pengujian parameter pertama ( )1β , statistik Wald ialah
( )1
1
ˆ
ˆ
β
β∧=se
W
Namun begitu, kajian ini melibatkan analisis regresi logistik berganda bagi
hubungan antara pemboleh ubah bersandar dikotomus dengan sembilan pemboleh
ubah tak bersandar (faktor risiko) berkategori sama ada dua atau lebih. Tumpuan
utama kajian ini adalah terhadap perkaitan antara kes kemalangan jalan raya sama ada
maut (Y = 0) atau cedera parah (Y = 1) dengan faktor-faktor risiko kemalangan jalan
raya. Kes kemalangan jalan raya adalah pemboleh ubah bersandar yang berbentuk
data dikotomus. Faktor-faktor risiko seperti jantina, umur, pekerjaan, keadaan
permukaan jalan, cuaca, jenis tempat, jenis kawasan, sikap pemandu dan kenderaan
22
adalah pemboleh ubah tak bersandar ( )921 ,...,, xxx yang merangkumi data dua atau
lebih kategori.
Merujuk kepada Hosmer dan Lemeshow (2000), bentuk spesifik model regresi
logistik berganda atau kebarangkalian bersyarat hasil diwakili oleh
( ) ( )( )
( )x
x
xx g
g
eeYP+
===1
|1 π
Pemboleh ubah bersandar bagi kajian ini merujuk kepada Y = 1 yang mewakili kes
cedera parah dan Y = 0 yang mewakili kes maut. Pemboleh ubah tak bersandar bagi
kajian ini, diwakilkan kepada vektor x. 921 ,...,, xxx
Logit bagi model regresi logistik berganda diberi oleh
( ) 9922110 ... xxxg ββββ ++++=x
Oleh sebab pemboleh ubah tak bersandar berbentuk kategori, maka logit daripada
persamaan di atas menjadi
( ) ∑∑∑−
=
−
=
−
=
++++=1
199
1
122
1
1110
921
...k
lll
k
lll
k
lll DDDg ββββx
23
Proses penilaian model adalah berdasarkan nilai-nilai daripada statistik ujian
Wald, devians, ujian Hosmer-Lemeshow, plot ralat Pearson (piawai) dan plot nilai
tuasan, leverage. Proses ini menghasilkan model regresi logistik yang sesuai.
Seterusnya, anggaran nilai kebarangkalian bagi kes kemalangan dapat dikira.
Proses tersebut bermula daripada penganggaran nilai parameter ( )β
menggunakan anggaran kebolehjadian maksimum. Penentuan sama ada terdapat
sebarang atau semua parameter adalah tidak sifar pada aras keertian (α) 0.05 adalah
berdasarkan statistik ujian Wald,
( ) ( )βXVXββββ ˆˆˆˆvarˆ1
=⎥⎦⎤
⎢⎣⎡=
−∧
W
Perubahan yang besar dalam devians juga menunjukkan sesuatu pemboleh
ubah itu penting bagi model. Penyuaian yang baik ditunjukkan oleh ujian Hosmer-
Lemeshow yang mempunyai nilai kebarangkalian besar (p > α), plot ralat Pearson
(piawai) yang tidak menggambarkan tren dan plot nilai tuasan (leverage) yang
menunjukkan data pencilan yang tidak memberi kesan terhadap model.
Merujuk kepada persamaan di atas, tiga anggaran nilai kebarangkalian dikira
bagi setiap pemboleh ubah yang signifikan.
( )[ ] ( )[ ] ( )[ ]{ }xgxg eexYP +== 1|1
( )[ ] ( )[ ] ( )xPxYPxYP *|11 ==∩=
( )[ ] ( )[ ] ( )111| ==∩== YPYxPYxP
24
3.2.4 Analisis Komponen Utama
Analisis komponen utama (AKU) ialah teknik bermatematik yang
diperkenalkan oleh Karl Pearson dan dikembangkan pada tahun 1930-an oleh Harold
Hotelling dan penyelidik lain (Chatfield & Collins, 1980). Ia membolehkan
penyelidik mencapai beberapa objektif seperti:
a) mendapatkan gabungan linear yang mengandungi varians maksimum
supaya memudahkan pengkelasan pemboleh ubah.
b) mengurangkan dimensi pemboleh ubah dari p ke q dengan q < p.
c) menggunakan komponen untuk menggugurkan pemboleh ubah yang
kurang penting tanpa kehilangan banyak maklumat.
Hasil karya Chatfield dan Collins (1980) menyatakan bahawa analisis faktor
(AF) merupakan satu alternatif lain yang hampir sama dengan AKU. Namun begitu,
AF memerlukan andaian yang banyak sebelum ia boleh digunakan yang mana ini
selalunya tidak dapat dicapai dalam amali. AKU menerbitkan komponen yang unik.
Nilainya tidak berubah jika bilangan komponen dipelbagaikan. AF menghasilkan
faktor yang tidak unik kerana putaran yang berlainan akan memberi hasil yang
berbeza. Skor komponen AKU bagi satu item lebih mudah dikira dan boleh
digunakan dalam analisis selanjutnya. AF tidak mempunyai songsangan yang jelas,
oleh itu adalah sukar untuk mengira skor faktor daripada data cerapan. AF tidak
mampu menyediakan faktor-faktor yang mempengaruhi mengikut tempat atau
kawasan.
25
Justeru itu, penyelidik menumpukan perhatian terhadap analisis komponen
utama (AKU) bagi kajian ini untuk mendapatkan gabungan linear terbaik daripada
satu set data. Gabungan linear terbaik menghasilkan nilai varians yang tinggi supaya
semua maklumat X dapat diserap ke dalam gabungan linear.
Melalui data yang diperolehi daripada p pemboleh ubah bagi n daerah iaitu
Faktor Risiko Kemalangan
X1 X2 … XpDaerah 1 X11 X12 … X1pDaerah 2 X21 X22 … X2p
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Daerah di Negeri Kedah
Daerah n Xn1 Xn2 … Xnp
maka bilangan komponen utama yang dapat dibentuk adalah berdasarkan kombinasi
X1, X2,…, Xp adalah
=1ξ w11X1 + w12X2 + … + w1pXp
=2ξ w21X1 + w22X2 + … + w2pXp
.
.
. =qξ wp1X1 + wp2X2 + … + wppXp
di mana qξξξ ,...,, 21 adalah q komponen utama dan wij adalah vektor eigen bagi
pemboleh ubah ke-j dan komponen ke-i.
26
Bilangan komponen utama yang dapat dibentuk adalah berdasarkan komponen yang
mempunyai nilai eigen yang melebihi satu. Dan dapat diperhatikan bahawa
var ( 1ξ ) ≥ var ( 2ξ ) … ≥ var (≥ pξ ).
Bagi melihat pemboleh ubah yang memberikan sumbangan tertinggi kepada setiap
komponen utama, dapatkan nilai pembeban. Semakin tinggi nilai pembeban, maka
semakin tinggi sumbangan pemboleh ubah tersebut dalam komponen utama tersebut.
Untuk mendapatkan nilai pembeban bagi setiap pemboleh ubah dalam komponen,
gunakan
ij
ijij s
wl λ
ˆ=
di mana lij adalah nilai pembeban bagi pemboleh ubah ke-j bagi komponen utama ke-
i, wij adalah vektor eigen bagi pemboleh ubah ke-j dan komponen ke-i, iλ adalah nilai
eigen bagi komponen utama ke- i dan adalah merupakan nilai sisihan piawai bagi
pemboleh ubah ke-j.
js
Titik pemisah yang digunakan untuk mengklasifikan sama ada pembeban tersebut
memberi sumbangan kepada komponen utama tersebut atau sebaliknya adalah
berdasarkan nilai pembeban yang melebihi 0.5 (Sharma,1996).
27
Sebelum melaksanakan analisis komponen utama bagi kadaran setiap kategori dalam
faktor sikap pemandu, ujian kenormalan dilakukan menggunakan ujian Shapiro-Wilks
memandangkan bilangan cerapan kurang daripada 100. Sekiranya nilai-p melebihi
aras keertian 5%, maka taburan data adalah normal. Terdapat 16 kategori sikap
pemandu untuk dianalisis. Penilaian hasil analisis komponen utama terhadap
pemboleh ubah tersebut adalah berdasarkan:
a) ujian Kaiser-Meyer-0lkin (KMO),
jika KMO melebihi 0.7 maka pensampelan keseluruhan dan matriks
korelasi sesuai untuk pemfaktoran.
b) ujian Bartlett,
jika nilai-p kurang daripada aras keertian 0.05 maka secara
keseluruhan, matriks korelasi adalah signifikan.
c) jumlah terkumpul yang tinggi bagi varians menunjukkan variasi yang
diterangkan oleh komponen yang terhasil adalah tinggi.
d) semakin tinggi nilai pembeban, maka semakin tinggi sumbangan
sesuatu pemboleh ubah dalam komponen utama.
28
3.2.5 Jadual Kontingensi Multidimensi
Kaedah ini dilaksanakan untuk mendapatkan kedudukan hasil persilangan
antara daerah, kes kemalangan dan sikap pemandu.
Jadual 3.2: Jadual hubungan antara daerah dengan kes kemalangan dan sikap pemandu
Daerah Kes kemalangan
Sikap pemandu 1 K 11
X1 A1,1 K A1,11
M M M M Cedera parah X16 A16,1 K A16,11X1 A17,1 K A17,11
M M M M Maut X16 A32,1 K A32,11
29
BAB 4
HASIL KAJIAN
4.1 Analisis Deskriptif
Sepanjang tempoh empat tahun iaitu 2001 hingga 2004, Negeri Kedah
mencatatkan 4655 bilangan kes kemalangan maut dan cedera parah yang melibatkan
orang yang disalahkan. Pengkelasan kes berdasarkan daerah menunjukkan Daerah
Kota Setar mencatatkan bilangan kes tertinggi iaitu 29.1% (1354 kes). Ini diikuti oleh
Daerah Kuala Muda, Kubang Pasu dan lain-lain. Daerah Pendang merupakan
kawasan yang paling rendah bilangan kes iaitu 2.1% (100 kes). Carta bar (Rajah 4.1)
berikut memaparkan situasi yang dinyatakan.
Rajah 4.2 pula menunjukkan perincian mengikut tahun di mana berlaku
penurunan bilangan kes kemalangan maut dan cedera parah yang kecil antara tahun
2002 hingga 2004 iaitu 9.13% (1431 kepada 1006 kes). Secara berasingan, bilangan
kes maut berjumlah 1861 dan kes cedera parah berjumlah 2794. Merujuk kepada
Rajah 4.3, didapati sepanjang tempoh empat tahun, bilangan kes cedera parah
mengatasi kes maut. Perbandingan berasingan bagi kedua-dua kes bagi tahun 2002
hingga 2004 pula menunjukkan penurunan iaitu kes maut 1.88% (499 kepada 464)
dan kes cedera parah 13.96% (932 kepada 542).
30
Kota Setar
Kubang Pasu
Padang Terap
Langkawi
Kuala Muda
YanSik Baling
KulimBandar Baharu
Pendang
Daerah
0
200
400
600
800
1,000
1,200
1,400
Bila
ngan
kes
mau
t dan
par
ah
Rajah 4.1: Carta bar bilangan kes kemalangan maut dan cedera parah mengikut daerah
2001 2002 2003 2004
Tahun
1,000
1,100
1,200
1,300
1,400
1,500
Bilan
gan k
es m
aut d
an pa
rah
Rajah 4.2: Plot bilangan kes kemalangan maut dan cedera parah mengikut tahun
31
2001 2002 2003 2004
Tahun
200
400
600
800
1,000
Bilan
gan k
es m
aut d
an pa
rah
jenis kemalanganmautcedera parah
Rajah 4.3: Plot bilangan kes kemalangan maut dan cedera parah (berasingan) mengikut tahun
4.2 Perkadaran
Hasil pengkelasan pemboleh ubah yang dilakukan sebanyak dua fasa
menggunakan selang keyakinan 95% untuk kadaran satu populasi melibatkan faktor
demografi (jantina, umur dan pekerjaan), persekitaran (keadaan muka jalan, cuaca,
jenis tempat dan jenis kawasan), sikap dan kenderaan. Pengurangan bilangan kategori
berlaku pada fasa pertama di mana kategori yang tidak signifikan pada aras keertian
5% digabungkan dengan kategori lain-lain. Kategori tersebut mempunyai bilangan
cerapan yang kecil. Hanya data yang wujud (bukan missing value) dan kategori yang
signifikan pada aras keertian 5% diambil kira untuk analisis seterusnya. Keputusan
tersebut ditunjukkan dalam Lampiran A dan Lampiran B.
32
Pada fasa kedua pula melibatkan pengkelasan faktor-faktor yang signifikan
daripada pada fasa pertama kepada kes kemalangan maut dan cedera parah. Pada fasa
ini juga ditentukan kesignifikanan menggunakan selang keyakinan 95% bagi kadaran
satu populasi. Kadar setiap kategori bagi kes cedera parah dan maut yang dikaji
ditunjukkan dalam Jadual 4.1 hingga 4.10.
Bagi faktor demografi didapati kes cedera parah paling tinggi berlaku di
kalangan lelaki (49.72%), golongan berumur 20-39 tahun (25.65%) dan golongan
yang bekerja sendiri (17.60%). Faktor persekitaran pula menunjukkan keadaan muka
jalan yang kering (49.56%), cuaca tak hujan (44.22%), lokasi luar bandar (37.10%)
dan kawasan selain perumahan dan pejabat (43.11%) menyumbang kepada kes cedera
parah tertinggi. Dari segi sikap pemandu pula didapati pemandu yang bersikap cuai
ketika keluar atau masuk simpang (X5) paling ramai terlibat dalam kemalangan
cedera parah iaitu 15.59%. Manakala berdasarkan faktor kenderaan, penunggang
motorsikal mencatatkan kes cedera parah tertinggi iaitu 31.28%.
Kes kemalangan maut juga melibatkan angka tertinggi bagi kategori yang
sama seperti kes cedera parah untuk faktor demografi, persekitaran dan kenderaan.
Tetapi, nilai peratusannya lebih rendah memandangkan bilangan pemandu yang
terlibat dengan kes maut adalah lebih rendah berbanding kes cedera parah (nisbah
2:3). Didapati rekod kes tertinggi bagi faktor demografi menunjukkan golongan
lelaki mencatatkan 36.30%, golongan berumur 20-39 tahun mencatatkan 16.5% dan
golongan yang bekerja sendiri (14.33%). Rekod bagi faktor persekitaran pula
menunjukkan keadaan muka jalan yang kering (33.04%), cuaca tak hujan (28.48%),
lokasi luar bandar (27.95%) dan kawasan selain perumahan dan pejabat (29.51%)
33
menyumbang kepada kes maut tertinggi. Faktor sikap menunjukkan pemandu yang
terbabas sebab laju (X2) paling ramai terlibat dalam kemalangan maut iaitu 8.4%.
Berdasarkan faktor kenderaan, penunggang motorsikal mencatatkan kes maut
tertinggi iaitu 23.24%.
Jadual 4.1: Kadar kes cedera parah dan maut bagi pemboleh ubah jantina Selang keyakinan 95% Kes Pemboleh ubah n Kadar Had bawah Had atas
Cedera parah Jantina Lelaki Perempuan
4264 0.4972*
0.0964*
0.48 0.09
0.51 0.11
Maut Jantina Lelaki Perempuan
4264 0.3630*
0.0434*
0.35 0.04
0.38 0.05
*signifikan pada aras keertian 5% (selang keyakinan 95% tidak mengandungi sifar)
Jadual 4.2: Kadar kes cedera parah dan maut bagi pemboleh ubah umur
Selang keyakinan 95% Kes Pemboleh ubah n Kadar Had bawah Had atas Cedera parah Umur (tahun)
≤ 19 20-39 40-59 ≥ 60
4261 0.1488*
0.2565*
0.1462*
0.0451*
0.14 0.24 0.14 0.04
0.16 0.27 0.16 0.05
Maut Umur (tahun) ≤ 19 20-39 40-59 ≥ 60
4261 0.0840*
0.1650*
0.0889*
0.0655*
0.08 0.15 0.08 0.06
0.09 0.18 0.10 0.07
*signifikan pada aras keertian 5% (selang keyakinan 95% tidak mengandungi sifar)
34
Jadual 4.3: Kadar kes cedera parah dan maut bagi pemboleh ubah pekerjaan Selang keyakinan 95% Kes Pemboleh ubah n Kadar Had bawah Had atas
Cedera parah Pekerjaan Kerajaan Swasta Sendiri Pelajar Lain-lain
4313 0.0422*
0.1732*
0.1760*
0.1022*
0.1018*
0.04 0.16 0.16 0.09 0.09
0.05 0.18 0.19 0.11 0.11
Maut Pekerjaan Kerajaan Swasta Sendiri Pelajar Lain-lain
4313 0.0230*
0.1305*
0.1433*
0.0475*
0.0603*
0.02 0.12 0.13 0.04 0.05
0.03 0.14 0.15 0.05 0.07
*signifikan pada aras keertian 5% (selang keyakinan 95% tidak mengandungi sifar)
Jadual 4.4: Kadar kes cedera parah dan maut bagi pemboleh ubah keadaan
muka jalan Selang keyakinan 95% Kes Pemboleh ubah n Kadar Had bawah Had atas
Cedera parah Keadaan muka jalanKering Basah Lain-lain
4473 0.4956*
0.0550*
0.0429*
0.48 0.05 0.04
0.51 0.06 0.05
Maut Keadaan muka jalanKering Basah Lain-lain
4473 0.3304*
0.0554*
0.0206*
0.32 0.05 0.02
0.34 0.06 0.02
*signifikan pada aras keertian 5% (selang keyakinan 95% tidak mengandungi sifar)
Jadual 4.5: Kadar kes cedera parah dan maut bagi pemboleh ubah cuaca
Selang keyakinan 95% Kes Pemboleh ubah n Kadar Had bawah Had atas Cedera parah Cuaca
Tak hujan Hujan lebat Lain-lain
4441 0.4422*
0.0883*
0.0639*
0.43 0.08 0.06
0.46 0.10 0.07
Maut Cuaca Tak hujan Hujan lebat Lain-lain
4441 0.2848*
0.0851*
0.0356*
0.27 0.08 0.03
0.30 0.09 0.04
*signifikan pada aras keertian 5% (selang keyakinan 95% tidak mengandungi sifar)
35
Jadual 4.6: Kadar kes cedera parah dan maut bagi pemboleh ubah jenis tempat
Selang keyakinan 95% Kes Pemboleh ubah n Kadar Had bawah Had atas Cedera parah Jenis tempat
Luar Bandar Pekan Lain-lain
4318 0.3710*
0.1146*
0.1116*
0.36 0.11 0.10
0.39 0.12 0.12
Maut Jenis tempat Luar Bandar Pekan Lain-lain
4318 0.2795*
0.0750*
0.0482*
0.27 0.07 0.04
0.29 0.08 0.05
*signifikan pada aras keertian 5% (selang keyakinan 95% tidak mengandungi sifar)
Jadual 4.7: Kadar kes cedera parah dan maut bagi pemboleh ubah jenis kawasan
Selang keyakinan 95% Kes Pemboleh ubah n Kadar Had bawah Had atasCedera parah Jenis kawasan
Perumahan Pejabat Lain-lain
4405 0.0981*
0.0633*
0.4311*
0.09 0.06 0.42
0.11 0.07 0.45
Maut Jenis kawasan Perumahan Pejabat Lain-lain
4405 0.0697*
0.0427*
0.2951*
0.06 0.04 0.28
0.08 0.05 0.31
*signifikan pada aras keertian 5% (selang keyakinan 95% tidak mengandungi sifar)
36
Jadual 4.8: Kadar kes cedera parah bagi pemboleh ubah sikap pemandu Selang keyakinan 95%Pemboleh ubah n Kadar
cedera parah Had bawah Had atasSikap pemandu X1: cuai ketika melintas jalan untuk pejalan kaki X2: terbabas sebab laju X3: makan jalan aliran trafik bertentangan X4: cuba atau sedang memotong atau tukar lorong X5: cuai ketika keluar atau masuk simpang X6: mengekori rapat lalu melanggar belakang kereta X7: tidak perasan ada kenderaan di depan atau di sebelah X8: pusingan U, patah balik atau menyeberang X9: tidak mengikut lampu isyarat X10: letih, mengantuk, berangan atau leka X11: lain-lain
4522 0.0336*
0.0367*
0.0745*
0.0644*
0.1559*
0.0495*
0.0557*
0.0387*
0.0113*
0.0128*
0.0655*
0.03
0.03 0.07
0.06
0.15
0.04
0.05
0.03
0.01 0.01
0.06
0.04
0.04 0.08
0.07
0.17
0.06
0.06
0.04
0.01 0.02
0.07
*signifikan pada aras keertian 5% (selang keyakinan 95% tidak mengandungi sifar)
Jadual 4.9: Kadar kes maut bagi pemboleh ubah sikap pemandu
Selang keyakinan 95%Pemboleh ubah n Kadar maut Had bawah Had atas Sikap pemandu X1: cuai ketika melintas jalan untuk pejalan kaki X2: terbabas sebab laju X3: makan jalan aliran trafik bertentangan X4: cuba atau sedang memotong atau tukar lorong X5: cuai ketika keluar atau masuk simpang X6: mengekori rapat lalu melanggar belakang kereta X7: tidak perasan ada kenderaan di depan atau di sebelah X8: pusingan U, patah balik atau menyeberang X9: tidak mengikut lampu isyarat X10: letih, mengantuk, berangan atau leka X11: lain-lain
4522 0.0283*
0.0840*
0.0533*
0.0418*
0.0540*
0.0321*
0.0272*
0.0155*
0.0040
0.0080*
0.0533*
0.02
0.08 0.05
0.04
0.05
0.03
0.02
0.01
0.00 0.01
0.05
0.03
0.09 0.06
0.05
0.06
0.04
0.03
0.02
0.01 0.01
0.06
*signifikan pada aras keertian 5% (selang keyakinan 95% tidak mengandungi sifar)
37
Jadual 4.10: Kadar kes cedera parah dan maut bagi pemboleh ubah kenderaan Selang keyakinan 95%Kes Pemboleh ubah n Kadar Had bawah Had atas
Cedera parah Kenderaan Motorsikal Kereta / van Lain-lain
4402 0.3128*
0.1897*
0.0952*
0.30 0.18 0.09
0.33 0.20 0.10
Maut Kenderaan Motorsikal Kereta / van Lain-lain
4402 0.2324*
0.0818*
0.0881*
0.22 0.07 0.08
0.24 0.09 0.10
*signifikan pada aras keertian 5% (selang keyakinan 95% tidak mengandungi sifar)
Rajah 4.4 menunjukkan peratus bagi kategori tertinggi untuk setiap pemboleh
ubah dalam faktor demografi yang terbahagi kepada kes cedera parah dan maut.
Untuk kedua-dua kes, orang yang disalahkan paling ramai di kalangan lelaki, mereka
yang berusia antara 20 hingga 39 tahun dan mereka yang bekerja sendiri. Namun
begitu, bilangan kes maut adalah rendah berbanding kes cedera parah bagi faktor
demografi.
Rajah 4.5 pula menunjukkan peratus kategori tertinggi bagi setiap pemboleh
ubah dalam faktor persekitaran yang dicatatkan oleh kes cedera parah dan maut.
Kedua-dua kes mencatatkan bilangan tertinggi bagi keadaan muka jalan kering, cuaca
tak hujan, penempatan luar bandar dan kawasan selain daripada perumahan dan
pejabat. Walau bagaimanapun, kes maut masih mencatatkan bilangan yang lebih
rendah berbanding kes cedera parah.
Faktor sikap menunjukkan bahawa sikap cuai ketika keluar atau masuk
simpang (X5) menjadi punca utama kemalangan cedera parah berbanding sikap-sikap
lain. Manakala pemandu yang terbabas sebab laju (X2) pula menjadi punca utama
38
kemalangan maut berbanding sikap-sikap lain. Faktor kenderaan pula mencatatkan
bilangan kes cedera parah dan maut paling tinggi di kalangan penunggang motorsikal.
05
101520253035404550
pera
tus
lelaki 20-39 sendiri
jantina umur kerja
faktor demografi
cedera parah(%)maut(%)
Rajah 4.4: Carta bar peratusan kes kemalangan tertinggi bagi faktor demografi
05
101520253035404550
pera
tus
kering takhujan
luarbandar
lain-lain
mukajalan
cuaca tempatkawasan
faktor persekitaran
cedera parah(%)maut(%)
Rajah 4.5: Carta bar peratusan kes kemalangan tertinggi bagi faktor persekitaran
39
4.3 Analisis Regresi Logistik
Menerusi kaedah langkah demi langkah ke belakang (nisbah kebolehjadian)
iaitu Backward Stepwise (likelihood ratio) bagi regresi logistik, proses penilaian
berikut dilaksanakan bagi menentukan kesesuaian model:
a) Penentuan kemasukan pemboleh ubah pada aras keertian (α) bernilai
0.01, pengeluaran pemboleh ubah pada α=0.05.
b) Merujuk kepada Jadual 4.11, statistik Wald (α=0.05) menunjukkan:
tujuh pemboleh ubah signifikan (tidak semua kategori signifikan).
Pemboleh ubah-pemboleh ubah yang mempunyai hubungan dengan
jenis kemalangan (cedera parah dan maut) ialah jantina, umur,
pekerjaan, keadaan muka jalan, cuaca, sikap pemandu dan kenderaan.
c) Devians (-2 log kebolehjadian) = 4645.249 setelah anggaran tamat
pada langkah ketiga kerana anggaran parameter berubah kurang
daripada 0.001. Perubahan dalam devians pula didapati paling tinggi
bagi pemboleh ubah sikap iaitu 271.977. Ini diikuti oleh umur,
kenderaan, pekerjaan, muka jalan, cuaca dan jantina. Oleh itu, sikap
pemandu adalah faktor risiko utama bagi kemalangan jalan raya.
d) Ujian Hosmer-Lemeshow (p=0.624) menunjukkan model sesuai.
40
e) Penilaian bergrafik (Rajah 4.6 dan Rajah 4.7):
Plot ralat Pearson (piawai) menggambarkan tiada tren.
Plot nilai tuasan (leverage) menunjukkan muncul sedikit data pencilan
yang tidak berpengaruh.
Jadual 4.11: Pemboleh ubah dalam persamaan [pada langkah terakhir (tiga)] Pemboleh
ubah β Ralat piawai
Statistik Wald
Darjah kebebasan, dk Nilai-p Exp ( )β
Pintasan .073 .254 .083 1 .773 1.076Jantina(1) -.335 .109 9.406 1 .002* .715Umur 64.798 3 .000*
Umur(1) 1.026 .149 47.138 1 .000* 2.791Umur(2) .947 .127 55.865 1 .000* 2.578Umur(3) .904 .131 47.911 1 .000* 2.470Pekerjaan 22.416 4 .000*
Pekerjaan(1) -.211 .178 1.399 1 .237 .810Pekerjaan(2) -.441 .117 14.244 1 .000* .643Pekerjaan(3) -.375 .113 10.972 1 .001* .687Pekerjaan(4) .023 .148 .025 1 .874 1.024Muka jalan 14.569 2 .001*
Muka jalan(1) .003 .189 .000 1 .989 1.003Muka jalan(2) -.509 .187 7.410 1 .006* .601Cuaca 13.437 2 .001*
Cuaca(1) -.472 .173 7.412 1 .006* .624Cuaca(2) -.623 .171 13.326 1 .000* .537Sikap 246.439 10 .000*
Sikap(1) .147 .186 .629 1 .428 1.159Sikap(2) -1.113 .147 57.627 1 .000* .329Sikap(3) .060 .138 .192 1 .662 1.062Sikap(4) .219 .147 2.210 1 .137 1.244Sikap(5) .854 .131 42.433 1 .000* 2.349Sikap(6) .220 .156 1.983 1 .159 1.246Sikap(7) .532 .160 11.104 1 .001* 1.701Sikap(8) .763 .183 17.447 1 .000* 2.145Sikap(9) .996 .339 8.656 1 .003* 2.708Sikap(10) .328 .267 1.515 1 .218 1.388Kenderaan 35.057 2 .000*
Kenderaan(1) .239 .106 5.059 1 .025* 1.270Kenderaan(2) .662 .120 30.262 1 .000* 1.938*signifikan pada aras keertian 5%
41
0 1000 2000 3000 4000 5000
indeks bil kes
-3.00000
-2.00000
-1.00000
0.00000
1.00000
2.00000
3.00000
N o
r m a
l i z e
d
r e s
i d u
a l
Rajah 4.6: Plot ralat Pearson
0 1000 2000 3000 4000 5000
indeks bil kes
0.00000
0.01000
0.02000
0.03000
L e v
e r a
g e
v a
l u e
Rajah 4.7: Plot nilai tuasan
42
Seterusnya, model berikut diperolehi:
model (jelmaan logit):
( ) ( )
( ) 2424110 ...1
ln xxx
xxg βββπ
π+++=⎥
⎦
⎤⎢⎣
⎡−
=
2)kenderaan( 1)kenderaan( sikap(10)
sikap(9) sikap(8) sikap(7) sikap(6)
sikap(5) sikap(4) sikap(3) sikap(2)
sikap(1) cuaca(2) cuaca(1) jalan(2) muka
jalan(1) muka 4)pekerjaan( 3)pekerjaan(
2)pekerjaan( 1)pekerjaan( umur(3)
umur(2) umur(1) jantina(1)
242322
21201918
17161514
13121110
987
654
3210
βββ
ββββ
ββββ
ββββ
βββ
βββ
ββββ
+++
++++
++++
++++
+++
+++
+++=g(x)
43
g(x) = 0.073 - 0.335jantina(1) + 1.026umur(1) + 0.947umur(2)
+ 0.904umur(3) - 0.211pekerjaan(1) - 0.441pekerjaan(2)
- 0.375pekerjaan(3) + 0.023pekerjaan(4) + 0.003muka jalan(1)
- 0.509muka jalan(2) - 0.472cuaca(1) - 0.623cuaca(2) + 0.147sikap(1)
- 1.113sikap(2) + 0.06sikap(3) + 0.219sikap(4) + 0.854sikap(5)
+ 0.22sikap(6) + 0.532sikap(7) + 0.763sikap(8) + 0.996sikap(9)
+ 0.328sikap(10) + 0.239kenderaan(1) + 0.662kenderaan(2)
Oleh itu,
model bagi kebarangkalian cedera parah berbanding maut:
( ) ( )
( )
( )( )( )2424110
2424110
...exp1...exp
1|
xxxx
eexxYP xg
xg
ββββββ
π++++
+++=
+==
yang mana Y=1=cedera parah (CP) dan Y=0=maut (M).
44
4.3.1 Faktor Demografi
Berdasarkan model regresi logistik, dianggarkan pemboleh ubah jantina
menunjukkan bahawa golongan lelaki dan perempuan lebih cenderung mengalami
kemalangan cedera parah berbanding maut iaitu kebarangkaliannya melebihi 0.98
(rujuk Jadual 4.12a). Rajah 4.12b menunjukkan kebarangkalian tertinggi dicatat oleh
golongan lelaki yang mengalami cedera parah iaitu 0.8432. Manakala kebarangkalian
terendah dicatat oleh golongan perempuan yang maut iaitu 0.0020. Daripada Jadual
4.12c, didapati di kalangan kes cedera parah, kebarangkalian golongan lelaki ialah
0.8588 dan ini melebihi golongan perempuan. Bagi kes maut, kebarangkalian 0.8955
lelaki terlibat berbanding perempuan.
Contoh kiraan model logit:
g1(x) = Logit(CP | lelaki) = 2424210 ... xββββ ++++ = 3.917
g2(x) = Logit(CP | perempuan) = 242420 ... xβββ +++ = 3.582
Contoh kiraan kebarangkalian:
P(CP | lelaki) = e[g1(x)] / {1+ e[g1(x)]} = 0.9805
P(CP ∩ lelaki) = P(CP | lelaki) * P(lelaki) = 0.9805 * 0.86 = 0.8432
P(lelaki | CP) = P(lelaki ∩ CP) / P(CP) = 0.8432 / 0.978 = 0.8588
Jadual 4.12a: P(Y | jantina) Kebarangkalian Pemboleh ubah Kategori P(CP | kategori) P(M | kategori)
Lelaki 0.9805 0.0195 Jantina Perempuan 0.9860 0.0140
45
Jadual 4.12b: P(Y ∩ jantina) Kebarangkalian Pemboleh ubah Kategori P(CP ∩ kategori) P(M ∩ kategori)
Lelaki 0.8432 0.0168 Jantina Perempuan 0.1380 0.0020 Jadual 4.12c: P(jantina | Y)
Kebarangkalian Pemboleh ubah Kategori P(kategori | CP) P(kategori | M) Lelaki 0.8588 0.8955 Jantina Perempuan 0.1411 0.1045
Pemboleh ubah umur pula menunjukkan semua kategori umur mencatatkan
anggaran kebarangkalian kes cedera parah melebihi kes maut (rujuk Jadual 4.13a).
Daripada Jadual 4.13b, didapati kebarangkalian tertinggi dicatat oleh golongan
berumur 20 hingga 39 tahun yang mengalami cedera parah iaitu 0.3702. Manakala
kebarangkalian terendah dicatat oleh golongan berumur tidak melebihi 19 tahun yang
maut iaitu 0.0262. Jadual 4.13c pula menunjukkan kes cedera parah yang mana
didapati kebarangkalian golongan berumur 20 hingga 39 tahun adalah paling tinggi
iaitu 0.4282 berbanding kategori umur lain. Kes maut juga menunjukkan
kebarangkalian golongan berumur 20 hingga 39 tahun paling tinggi iaitu 0.3752
berbanding kategori umur lain.
Contoh kiraan model logit:
g1(x) = Logit[CP | umur(1)] = 24245210 ... xβββββ +++++ = 2.066
g2(x) = Logit[CP | umur(2)] = 24245310 ... xβββββ +++++ = 1.987
46
Contoh kiraan kebarangkalian:
P[CP | umur(1)] = e[g1(x)] / {1+ e[g1(x)]} = 0.8867
P[CP ∩ umur(1)] = P[CP | umur(1)] * P[umur(1)] = 0.8876 * 0.233 = 0.2068
P[umur(1) | CP] = P[umur(1) ∩ CP] / P(CP) = 0.2068 / 0.8646 = 0.2392
Jadual 4.13a: P(Y | umur) Kebarangkalian Pemboleh ubah Kategori P(CP | kategori) P(M | kategori)
19≤ 0.8867 0.1124 20 -39 0.8794 0.1206 40 – 59 0.8748 0.1252 Umur
60≥ 0.7389 0.2611 Jadual 4.13b: P(Y ∩ umur)
Kebarangkalian Pemboleh ubah Kategori P(CP ∩ kategori) P(M ∩ kategori) 19≤ 0.2068 0.0262
20 -39 0.3702 0.0508 40 – 59 0.2056 0.0294 Umur
60≥ 0.0820 0.0290
Jadual 4.13c: P(umur | Y)
Kebarangkalian Pemboleh ubah Kategori P(kategori | CP) P(kategori | M) 19≤ 0.2392 0.1935
20 -39 0.4282 0.3752 40 – 59 0.2378 0.2172 Umur
60≥ 0.0948 0.2141
Bagi pemboleh ubah pekerjaan dalam Jadual 4.14a, didapati semua kategori
pekerjaan mencatatkan kebarangkalian kes cedera parah melebihi kes maut. Jadual
4.14b menunjukkan kes cedera parah dan pekerja sendiri mencatatkan nilai
kebarangkalian tertinggi iaitu 0.3157. Manakala kebarangkalian terendah dicatat oleh
kes maut dan pekerja kerajaan iaitu 0.0006. Daripada Jadual 4.14c pula didapati
kebarangkalian tertinggi dicatatkan oleh pekerja sendiri berbanding kategori
47
pekerjaan lain iaitu 0.3188, diberi kes cedera parah. Kes maut menunjukkan
kebarangkalian pekerja swasta mencatatkan kebarangkalian tertinggi berbanding
kategori pekerjaan lain iaitu 0.3542.
Contoh kiraan model logit:
g1(x) = Logit[CP | kerja(1)] = 242495410 ...... xββββββ +++++++ = 4.71
g2(x) = Logit[CP | kerja(2)] = 242496410 ...... xββββββ +++++++ = 4.48
Contoh kiraan kebarangkalian:
P[CP | kerja(1)] = e[g1(x)] / {1+ e[g1(x)]} = 0.9911
P[CP ∩ kerja(1)] = P[CP | kerja(1)] * P[kerja(1)] = 0.9911 * 0.065 = 0.0644
P[kerja(1) | CP] = P[kerja(1) ∩ CP] / P(CP) = 0.0644 / 0.9904 = 0.0650
Jadual 4.14a: P(Y | pekerjaan) Kebarangkalian Pemboleh ubah Kategori P(CP | kategori) P(M | kategori)
Kerajaan 0.9911 0.0089 Swasta 0.9888 0.0112 Sendiri 0.9895 0.0105 Pelajar 0.9929 0.0071
Pekerjaan
Lain-lain 0.9928 0.0072
Jadual 4.14b: P(Y ∩ pekerjaan)
Kebarangkalian Pemboleh ubah Kategori P(CP ∩ kategori) P(M ∩ kategori) Kerajaan 0.0644 0.0006 Swasta 0.3006 0.0034 Sendiri 0.3157 0.0033 Pelajar 0.1489 0.0011
Pekerjaan
Lain-lain 0.1608 0.0012
48
Jadual 4.14c: P(pekerjaan | Y) Kebarangkalian Pemboleh ubah Kategori P(kategori | CP) P(kategori | M)
Kerajaan 0.0650 0.0625 Swasta 0.3035 0.3542 Sendiri 0.3188 0.3438 Pelajar 0.1503 0.1146
Pekerjaan
Lain-lain 0.1624 0.1250
4.3.2 Faktor Persekitaran
Menerusi model regresi logistik, dianggarkan kebarangkalian kes cedera parah
bagi semua kategori pemboleh ubah keadaan muka jalan adalah melebihi kes maut
(rujuk Jadual 4.15a). Merujuk kepada Jadual 4.15b, didapati kes cedera parah dan
keadaan muka jalan kering mencatatkan nilai kebarangkalian tertinggi iaitu 0.8163.
Manakala kebarangkalian terendah dicatat oleh kes maut dan keadaan muka jalan
selain daripada kering dan basah iaitu 0.0007. Bagi kedua-dua kes cedera parah dan
kes maut dalam Jadual 4.15c, didapati kebarangkalian tertinggi dicatatkan oleh
keadaan muka jalan kering dengan masing-masing kes bernilai 0.8276 dan 0.7698
berbanding kategori muka jalan yang lain.
Contoh kiraan model logit:
g1(x) = Logit[CP | muka_jalan(1)] = 2424119810 ...... xββββββ ++++++ = 4.426
g2(x) = Logit[CP | muka_jalan(2)] = 24241110810 ...... xββββββ ++++++ = 3.914
49
Contoh kiraan kebarangkalian:
P[CP | muka_jalan(1)] = e[g1(x)] / {1+ e[g1(x)]} = 0.9882
P[CP ∩ muka_jalan(1)] = P[CP | muka_jalan(1)] * P[muka_jalan(1)]
= 0.9882 * 0.826 = 0.8163
P[muka_jalan(1) | CP] = P[muka_jalan(1) ∩ CP] / P(CP) = 0.8163 / 0.9864 = 0.8276
Jadual 4.15a: P(Y | keadaan muka jalan)
Kebarangkalian Pemboleh ubah Kategori P(CP | kategori) P(M | kategori) Kering 0.9882 0.0118 Basah 0.9804 0.0196 Keadaan muka jalan Lain-lain 0.9881 0.0119
Jadual 4.15b: P(Y ∩ keadaan muka jalan)
Kebarangkalian Pemboleh ubah Kategori P(CP ∩ kategori) P(M ∩ kategori) Kering 0.8163 0.0097 Basah 0.1078 0.0022 Keadaan muka jalan Lain-lain 0.0623 0.0007
Jadual 4.15c: P(keadaan muka jalan | Y)
Kebarangkalian Pemboleh ubah Kategori P(kategori | CP) P(kategori | M) Kering 0.8276 0.7698 Basah 0.1093 0.1746 Keadaan muka jalan Lain-lain 0.0632 0.0556
Anggaran kebarangkalian kes cedera parah bagi semua kategori peboleh ubah
cuaca dalam Jadual 4.16a melebihi kes maut. Kes cedera parah dan cuaca tidak hujan
dalam Jadual 4.16b mencatatkan nilai kebarangkalian tertinggi iaitu 0.7193.
Manakala kebarangkalian terendah dicatat oleh kes maut dan cuaca selain daripada
tidak hujan dan hujan iaitu 0.0007. Jadual 4.16c pula menunjukkan kedua-dua kes
cedera parah dan kes maut mencatatkan kebarangkalian tertinggi bagi kategori cuaca
50
tidak hujan dengan masing-masing kes bernilai 0.7269 dan 0.7333 berbanding
kategori cuaca yang lain.
Contoh kiraan model logit:
g1(x) = Logit[CP | cuaca(1)] = 242413111010 ...... xββββββ ++++++ = 4.54
g2(x) = Logit[CP | cuaca(2)] = 242413121010 ...... xββββββ ++++++ = 4.389
Contoh kiraan kebarangkalian:
P[CP | cuaca(1)] = e[g1(x)] / {1+ e[g1(x)]} = 0.9894
P[CP ∩ cuaca(1)] = P[CP | cuaca(1)] * P[cuaca(1)] = 0.9894 * 0.727 = 0.7193
P[cuaca(1) | CP] = P[cuaca(1) ∩ CP] / P(CP) = 0.7193 / 0.9895 = 0.7269
Jadual 4.16a: P(Y | cuaca) Kebarangkalian Pemboleh ubah Kategori P(CP | kategori) P(M | kategori)
Tak hujan 0.9894 0.0106 Hujan 0.9877 0.0123 Cuaca Lain-lain 0.9934 0.0066
Jadual 4.16b: P(Y ∩ cuaca)
Kebarangkalian Pemboleh ubah Kategori P(CP ∩ kategori) P(M ∩ kategori) Tak hujan 0.7193 0.0077 Hujan 0.1709 0.0021 Cuaca Lain-lain 0.0993 0.0007
Jadual 4.16c: P(cuaca | Y)
Kebarangkalian Pemboleh ubah Kategori P(kategori | CP) P(kategori | M) Tak hujan 0.7269 0.7333 Hujan 0.1727 0.2000 Cuaca Lain-lain 0.1004 0.0667
51
4.3.3 Faktor Sikap Pemandu
Merujuk kepada model regresi logistik yang diperolehi, didapati anggaran
kebarangkalian kes cedera parah bagi semua kategori pemboleh ubah sikap dalam
Jadual 4.17a melebihi kes maut kecuali kategori sikap terbabas sebab laju (0.4497).
Daripada Jadual 4.17b, kes cedera parah dan sikap cuai ketika keluar atau masuk
simpang mencatatkan nilai kebarangkalian tertinggi iaitu 0.1793. Manakala
kebarangkalian terendah dicatat oleh kes maut dan sikap tidak mengikut lampu isyarat
iaitu 0.0019. Merujuk kepada Jadual 4.17c, didapati kebarangkalian tertinggi bagi kes
cedera parah dicatatkan oleh sikap cuai ketika keluar atau masuk simpang iaitu
0.2418. Kes maut pula menunjukkan sikap terbabas sebab laju mencatatkan nilai
kebarangkalian tertinggi iaitu 0.2566.
Contoh kiraan model logit:
g1(x) = Logit[CP | sikap(1)] = 2423131210 ... ββββββ ++++++ = 1.058
g2(x) = Logit[CP | sikap(2)] = 2423141210 ... ββββββ ++++++ = -0.202
Contoh kiraan kebarangkalian:
P[CP | sikap(1)] = e[g1(x)] / {1+ e[g1(x)]} = 0.7423
P[CP ∩ sikap(1)] = P[CP | sikap(1)] * P[sikap(1)] = 0.7423 * 0.062 = 0.0460
P[sikap(1) | CP] = P[sikap(1) ∩ CP] / P(CP) = 0.0460 / 0.7415 = 0.0620
52
Jadual 4.17a: P(Y | sikap pemandu) Kebarangkalian Pemboleh
ubah Kategori P(CP | kategori) P(M | kategori) X1: cuai ketika melintas jalan untuk pejalan kaki 0.7423 0.2577
X2: terbabas sebab laju 0.4497 0.5503 X3: makan jalan aliran trafik bertentangan 0.7253 0.2747
X4: cuba atau sedang memotong atau tukar lorong 0.7558 0.2442
X5: cuai ketika keluar atau masuk simpang 0.8538 0.1462
X6: mengekori rapat lalu melanggar belakang kereta 0.7560 0.2440
X7: tidak perasan ada kenderaan di depan atau di sebelah 0.8089 0.1911
X8: pusingan U, patah balik atau menyeberang 0.8421 0.1579
X9: tidak mengikut lampu isyarat 0.8707 0.1293 X10: letih, mengantuk, berangan atau leka 0.7754 0.2246
Sikap Pemandu
X11: lain-lain 0.7132 0.2868 Jadual 4.17b: P(Y ∩ sikap pemandu)
Kebarangkalian Pemboleh ubah Kategori P(CP ∩ kategori) P(M ∩ kategori)
X1: cuai ketika melintas jalan untuk pejalan kaki 0.0460 0.0160
X2: terbabas sebab laju 0.0544 0.0666 X3: makan jalan aliran trafik bertentangan 0.0928 0.0352
X4: cuba atau sedang memotong atau tukar lorong 0.0810 0.0259
X5: cuai ketika keluar atau masuk simpang 0.1793 0.0307
X6: mengekori rapat lalu melanggar belakang kereta 0.0620 0.02
X7: tidak perasan ada kenderaan di depan atau di sebelah 0.0671 0.0159
X8: pusingan U, patah balik atau menyeberang 0.0455 0.0085
X9: tidak mengikut lampu isyarat 0.0131 0.0019 X10: letih, mengantuk, berangan atau leka 0.0163 0.0047
Sikap Pemandu
X11: lain-lain 0.0849 0.0341
53
Jadual 4.17c: P(sikap pemandu | Y) Kebarangkalian Pemboleh
ubah Kategori P(kategori | CP) P(kategori | M) X1: cuai ketika melintas jalan untuk pejalan kaki 0.0620 0.0617
X2: terbabas sebab laju 0.0734 0.2566 X3: makan jalan aliran trafik bertentangan 0.1252 0.1356
X4: cuba atau sedang memotong atau tukar lorong 0.1080 0.0998
X5: cuai ketika keluar atau masuk simpang 0.2418 0.1183
X6: mengekori rapat lalu melanggar belakang kereta 0.0836 0.0771
X7: tidak perasan ada kenderaan di depan atau di sebelah 0.0905 0.0613
X8: pusingan U, patah balik atau menyeberang 0.0614 0.0328
X9: tidak mengikut lampu isyarat 0.0177 0.0073
X10: letih, mengantuk, berangan atau leka 0.0220 0.0181
Sikap Pemandu
X11: lain-lain 0.1145 0.1314
4.3.4 Faktor Kenderaan
Daripada model regresi logistik yang diperolehi, didapati anggaran
kebarangkalian kes cedera parah bagi semua kategori pemboleh ubah kenderaan
dalam Jadual 4.18a melebihi kes maut. Kes cedera parah dan penunggang motorsikal
dalam Jadual 4.18b mencatatkan nilai kebarangkalian tertinggi iaitu 0.5248.
Manakala kebarangkalian terendah dicatat oleh kes maut dan pemandu kereta/van
iaitu 0.0067. Bagi kedua-dua kes cedera parah dan kes maut dalam Jadual 4.18c,
didapati kebarangkalian tertinggi dicatatkan oleh penunggang motorsikal dengan
masing-masing kes bernilai 0.5446 dan 0.5706 berbanding kategori kenderaan yang
lain.
54
Contoh kiraan model logit:
g1(x) = Logit[CP | kenderaan(1)] = 232210 ... ββββ ++++ = 3.255
g2(x) = Logit[CP | kenderaan(2)] = 242210 ... ββββ ++++ = 3.678
Contoh kiraan kebarangkalian:
P[CP | kenderaan(1)] = e[g1(x)] / {1+ e[g1(x)]} = 0.9629
P[CP ∩ kenderaan(1)] = P[CP | kenderaan(1)] * P[kenderaan(1)]
= 0.9629 * 0.545 = 0.5248
P[kenderaan (1) | CP] = P[kenderaan (1) ∩ CP] / P(CP) = 0.5248 / 0.9636 = 0.5446
Jadual 4.18a: P(Y | kenderaan) Kebarangkalian Pemboleh ubah Kategori P(CP | kategori) P(M | kategori)
Motorsikal 0.9629 0.0371 Kereta/van 0.9753 0.0247 Kenderaan Lain-lain 0.9533 0.0467
Jadual 4.18b: P(Y ∩ kenderaan)
Kebarangkalian Pemboleh ubah Kategori P(CP ∩ kategori) P(M ∩ kategori) Motorsikal 0.5248 0.0202 Kereta/van 0.2643 0.0067 Kenderaan Lain-lain 0.1745 0.0085
Jadual 4.18c: P(kenderaan | Y)
Kebarangkalian Pemboleh ubah Kategori P(kategori | CP) P(kategori | M) Motorsikal 0.5446 0.5706 Kereta/van 0.2743 0.1893 Kenderaan Lain-lain 0.1811 0.2401
55
4.4 Analisis Komponen Utama
Sebagai langkah awal sebelum melaksanakan analisis komponen utama, ujian
Shapiro-Wilks dilakukan bagi menguji kenormalan data agar pengasingan dimensi
sikap dapat dibuat. Didapati ujian Shapiro-Wilks melebihi 0.5 berlaku pada kadar
kemalangan bagi setiap daerah mengikut jenis sikap iaitu X1, X3, X5, X7, X16. Ini
menunjukkan pemboleh ubah tersebut normal. Manakala X4 dan X9 didapati tertabur
normal setelah penjelmaan logaritma asli dilakukan.
Hasil analisis komponen utama terhadap pemboleh ubah tersebut menunjukkan:
a) Ujian Kaiser-Meyer-0lkin = 0.611,
maka pensampelan keseluruhan dan matriks korelasi sederhana sesuai
untuk pemfaktoran.
b) Ujian Bartlett = 0.009,
maka secara keseluruhan, matriks korelasi adalah signifikan pada aras
keertian 0.05.
c) Sebanyak 77.05% variasi diterangkan oleh dua komponen utama.
Berdasarkan Jadual 4.19, didapati dimensi pemboleh ubah dapat dikurangkan kepada
dua komponen baru iaitu sikap tidak cekap dan melanggar peraturan, dan sikap
mementingkan diri.
56
Jadual 4.19: Hasil analisis komponen utama
Sikap (baru) Sikap (asal) Vektor eigen
Peratus varians
X1: cuai ketika melintas jalan untuk pejalan kaki
-.834
X3: makan jalan aliran trafik bertentangan
-.873
X7: tak perasan ada kenderaan di depan atau sebelah
.594
Tidak cekap dan melanggar peraturan
Ln(X9): pusingan U, patah balik atau menyeberang
.933
49.702
X5: cuai untuk keluar atau masuk simpang
.854
X16: lain-lain -.815
Mementingkan diri
Ln(X4): cuba atau sedang memotong atau tukar lorong
.919
27.347
4.5 Jadual Kontingensi Multidimensi
Hasil analisis berdasarkan jadual kontingensi antara daerah, jenis kemalangan
dan sikap pemandu menunjukkan bahawa bagi keseluruhan daerah:
a) Pemandu yang terbabas sebab laju (X2) paling cenderung mengalami
kes maut (20.9%).
b) Pemandu yang cuai ketika keluar atau masuk simpang (X5) pula paling
cenderung mengalami cedera parah (26%).
c) Daerah Kuala Muda mempunyai bilangan kes maut akibat pemandu
terbabas sebab laju paling tinggi (28.4%).
57
d) Daerah Kota Setar mempunyai bilangan kes cedera parah akibat
pemandu bersikap cuai ketika keluar atau masuk simpang paling tinggi
(33%).
0
50
100
150
200
250
Kota Seta
r
Kuban
g Pas
u
Padan
g Tera
p
Lang
kawi
Kuala
Muda
Yan SikBali
ngKuli
m
Banda
r Bah
aru
Padan
g Tera
p
Daerah
Bil.
kes (x2 | Maut)
(x5 | Cedera Parah)
Rajah 4.8: Bilangan kes kemalagan mengikut daerah
58
BAB 5
PERBINCANGAN DAN KESIMPULAN
5.1 Perbincangan
Berdasarkan kajian yang telah dilakukan daripada data tahun 2001 hingga
2004, sebanyak 4655 bilangan kes kemalangan maut dan cedera parah dilaporkan di
Negeri Kedah. Daripada keseluruhan kes ini, Daerah Kota Setar merupakan daerah
yang mencatatkan bilangan kemalangan yang tertinggi. Kadar kemalangan ini
didapati meningkat agak mendadak dari tahun 2001 ke 2002. Namun keadaan ini
tidak berterusan kerana jumlah ini kembali menurun pada tahun 2003 dan 2004.
Kes kemalangan yang diambil kira di dalam kajian ini adalah kes cedera parah
dan maut. Bagi kedua-dua kes kemalangan, faktor demografi, persekitaran dan
kederaan mencatatkan kategori yang sama yang mempunyai kadar tertinggi. Faktor
demografi, kadar tertinggi dicatat oleh pemandu lelaki, pemandu yang berusia di
antara 20 hingga 39 tahun dan pemandu yang bekerja sendiri. Perkaitan umur dalam
penyebab kemalangan telah dikaji oleh Clarke dan rakan-rakan (2005). Mereka
membuat kajian terhadap perbezaan pemandu muda yang kurang berpengalaman
berbanding pemandu yang lebih berpengalaman. Kajian mereka mendapati bahawa
59
pemandu muda ini cenderung mengikut kehendak sendiri serta kurang kemahiran
memandu. Dari itu banyak kejadian kemalangan yang melibatkan pemandu baru.
Faktor persekitaran, kadar tertinggi dicatat berlaku di jalan kering, keadaan
cuaca yang tidak hujan dan kawasan luar bandar. Oleh yang demikian, pemandu
perlu lebih berhati-hati memandu bukan sahaja ketika hujan tetapi juga ketika
keadaan tidak hujan. Bagi kawasan luar bandar, walaupun kelihatan tidak sibuk,
namun kemalangan masih boleh berlaku.
Kenderaan yang paling banyak terlibat di dalam kedua-dua kes kemalangan ini
pula adalah motorsikal. Motorsikal merupakan kenderaan yang boleh dikatakan
mempunyai risiko agak tinggi terlibat di dalam kemalangan jalan raya. Mengikut
laporan Kementerian Kesihatan Malaysia di dalam artikel bertajuk ”Kemalangan
Jalan Raya” (2005), jumlah kes kemalangan yang melibatkan motorsikal sentiasa
meningkat setiap tahun. Ini disebabkan oleh beberapa kekurangan yang dimiliki oleh
kenderaan itu sendiri. Antaranya adalah dari segi keseimbangan yang kurang kerana
motorsikal hanya memiliki dua tayar. Oleh yang demikian, ia tidak stabil dan mudah
jatuh dalam kebanyakan perlanggaran. Dari segi perlindungan kepada pemandu dan
pembonceng pula sangat minimum. Perlindungan hanya bergantung kepada topi
keledar dan juga pakaian lain sekiranya dipakai.
Isu penunggang motorsikal paling ramai terlibat dalam kemalangan jalan raya
memerlukan satu kajian khusus mengenainya. Lynam dan rakan-rakan (2001) dengan
terperinci telah mengkaji kemalangan maut yang melibatkan penunggang motorsikal
di mana selain daripada sifat kenderaan itu sendiri yang kurang selamat, sikap
60
penunggang motorsikal dan kederaan lain juga amat memainkan peranan.
Penunggang motorsikal yang terlibat di dalam kemalangan biasanya membawa
kenderaan mereka melebihi had yang ditetapkan, memotong kenderaan lain tanpa
berhati-hati dan ini mengakibatkan mereka hilang kawalan terhadap pemanduan.
Faktor sikap di dalam kajian ini terbahagi kepada 11 sikap pemandu yang
sering mengakibatkan kemalangan. Daripada kajian yang dijalankan, untuk kes
kemalangan cedera parah, sikap pemandu yang cuai ketika keluar masuk simpang
mencatakan risiko yang paling tinggi. Manakala bagi kes maut pula, sikap pemandu
yang memandu laju seterusnya terbabas menyumbang kepada kebarangkalian
kemalangan tertinggi. Sikap pemanduan terlalu laju boleh meyebabkan kenderaan
hilang kawalan dan mengakibatkan kemalangan maut.
Faktor sikap pemandu yang terbahagi kepada 11 bahagian ini telah dikecilkan
dimensinya agar dapat mengurangkan pertindihan sikap pemandu yang sama. Oleh
yang demikian, analisis komponen utama yang dijalankan telah berjaya membuat
kesimpulan bahawa sikap pemandu yang mengakibatkan kemalangan secara
umumnya terbahagi kepada dua iaitu pemanduan yang tidak cekap serta melanggar
peraturan dan pemanduan yang lebih mementingkan diri sendiri.
61
5.2 Kesimpulan
5.2.1 Faktor risiko yang disebabkan oleh pemandu adalah jantina, umur dan
pekerjaan. Disamping itu, sikap pemandu juga menyumbang kepada
berlakunya kemalangan seperti tidak cekap dan melanggar undang-undang,
mementingkan diri sendiri serta tidak ada penumpuan.
5.2.2 Faktor yang paling mempengaruhi bilangan kemalangan cedera parah dan
maut adalah sikap pemandu.
5.2.3 Daerah yang paling tinggi berlaku kemalangan cedera parah dan maut adalah
Kota Setar dan yang paling rendah adalah Pendang.
5.2.4 Kemalangan maut paling tinggi adalah disebabkan oleh pemandu terbabas
kerana terlalu laju dan daerah yang mencatat bilangan tertinggi adalah Kuala
Muda.
5.2.5 Kemalangan cedera parah pula paling banyak disebabkan oleh pemandu yang
cuai ketika keluar atau masuk simpang.
62
7.1 Permasalahan Kajian
Permasalahan utama kajian ini adalah proses memperolehi data. Oleh kerana
penggunaan sistem pangkalan data berkomputer baru sahaja diperkenalkan kepada
pihak PDRM, maka ada data yang perlu diperolehi secara manual melalui fail-fail
simpanan. Penggunaan sistem pangkalan data berkomputer ini tidak membenarkan
proses penyalinan data dilakukan. Justeru itu, penyalinan data satu persatu terpaksa
dilakukan dan ini amat memerlukan masa yang agak panjang. Proses penyalinan data
menjadi lebih sukar apabila peringkat carian di dalam sistem ini agak rumit
memandangkan data yang dikehendaki juga dalam jumlah yang banyak.
Selain itu, sistem ini juga tidak dapat dicapai hanya di satu daerah. Oleh yang
demikian, penyelidik perlu pergi ke setiap IPD untuk mendapatkan data. Bekalan
kemudahan komputer yang mempunyai perisian sistem pangkalan data ini juga agak
terhad yang mana kadangkala hanya ada satu komputer sahaja yang mempunyai
perisian ini di sesetengah daerah. Ini menyebabkan proses penyalinan data agak
terganggu kerana terpaksa berkongsi komputer dengan pihak polis yang merekod
laporan daripada orang ramai. Data yang direkodkan juga banyak yang tidak lengkap
(terdapat missing value) dan keadaan ini dapat mempengaruhi keputusan analisis.
63
7.2 Cadangan
Kajian ini boleh diperbaiki untuk mendapatkan hasil yang lebih baik.
Antaranya adalah dengan menambahkan lagi bilangan pemboleh ubah yang
dipertimbangkan. Ini boleh dilakukan dengan menjalankan soal selidik di samping
menggunakan data sekunder.
Penstoran data kemalangan perlu dibuat dengan lebih teliti agar missing value
dapat dikurangkan. Selain itu, perisian sistem pangkalan data yang digunakan oleh
pihak PDRM sekarang boleh dipertingkatkan agar lebih mesra pengguna dan carian
maklumat lebih mudah dan ringkas.
Faktor-faktor utama yang telah dikenal pasti menjadi penyebab berlakunya
kemalangan jalan raya perlu diambil berat dan tindakan sewajarnya perlu diambil.
Kajian ini boleh diteruskan dengan melihat lebih terperinci terhadap faktor yang
terlibat untuk mengkaji tindakan dan usaha yang boleh dilakukan bagi mengurangkan
atau menghindari daripada berlakunya kemalangan.
64