BAB 1 PENGENALAN 1.1 Senario Kemalangan Jalan Raya Di …

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


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


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


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


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


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


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


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


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


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.


g1(x) = Logit[CP | umur(1)] = 24245210 ... xβββββ +++++ = 2.066

g2(x) = Logit[CP | umur(2)] = 24245310 ... xβββββ +++++ = 1.987

46


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.


g1(x) = Logit[CP | kerja(1)] = 242495410 ...... xββββββ +++++++ = 4.71

g2(x) = Logit[CP | kerja(2)] = 242496410 ...... xββββββ +++++++ = 4.48


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.


g1(x) = Logit[CP | muka_jalan(1)] = 2424119810 ...... xββββββ ++++++ = 4.426

g2(x) = Logit[CP | muka_jalan(2)] = 24241110810 ...... xββββββ ++++++ = 3.914

49


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.


g1(x) = Logit[CP | cuaca(1)] = 242413111010 ...... xββββββ ++++++ = 4.54

g2(x) = Logit[CP | cuaca(2)] = 242413121010 ...... xββββββ ++++++ = 4.389


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.


g1(x) = Logit[CP | sikap(1)] = 2423131210 ... ββββββ ++++++ = 1.058

g2(x) = Logit[CP | sikap(2)] = 2423141210 ... ββββββ ++++++ = -0.202


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







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







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


g1(x) = Logit[CP | kenderaan(1)] = 232210 ... ββββ ++++ = 3.255

g2(x) = Logit[CP | kenderaan(2)] = 242210 ... ββββ ++++ = 3.678


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

BAB 1 PENGENALAN 1.1 Senario Kemalangan Jalan Raya Di …

Documents

Transcript of BAB 1 PENGENALAN 1.1 Senario Kemalangan Jalan Raya Di …