Estimasi Parameter Pada Model Intensitas Poisson Point Process Pada Jaringan Linier (Studi Kasus: Analisis Risiko Kecelakaan Lalu Lintas Di Kabupaten Nganjuk)

Point pattern merupakan sekumpulan data yang memuat informasi lokasi spasial dari objek atau kejadian yang diamati. Metode analisis untuk data point pattern saat ini terus berkembang terutama pada ruang berdimensi dua. Akan tetapi, pada kenyataannya suatu objek atau kejadian dapat terjadi pada jaringan linier. Jaringan linier dapat didefinisikan sebagai gabungan dari kumpulan berhingga ruas garis yang terdapat pada suatu bidang. Kecelakaan lalu lintas merupakan salah satu contoh kasus pada jaringan linier karena kejadiannya terbatas di ruas jalan. Pada penelitian ini data kecelakaan di Kabupaten Nganjuk dimodelkan menggunakan metode spatial point process pada jaringan linier. Analisis data kecelakaan lalu lintas biasanya dilakukan menggunakan pendekatan crash frequency dengan beberapa kelemahan yang dimilikinya antara lain yaitu risiko kecelakaan yang konstan pada setiap sub wilayah pengamatan, bias yang diakibatkan oleh agregasi, dan hilangnya informasi spasial untuk membuktikan ada tidaknya clustering. Oleh karena itu, penelitian ini dilakukan sebagai suatu bentuk penyesuaian metodologi dari point process pada ruang berdimensi dua yang berguna untuk menghindari kelemahan-kelemahan yang terdapat pada pendekatan crash frequency. Model yang digunakan ialah Poisson point process karena antar kejadian kecelakaan diasumsikan saling independen. Estimasi parameter dilakukan dengan menerapkan skema Berman-Turner pada fungsi log-likelihood yang selanjutnya dimaksimumkan menggunakan metode Iteratively Reweighted Least Square (IRLS). Hasil analisis menunjukkan bahwa kedua kovariat yaitu waktu kejadian dan jarak titik kecelakaan ke lokasi lampu lalu lintas terdekat berpengaruh signifikan terhadap intensitas kecelakaan lalu lintas di Kabupaten Nganjuk. Selain itu, berdasarkan nilai AIC dan RMSE yang diperoleh dari studi simulasi, model Poisson point process pada jaringan linier memiliki performa yang lebih baik dalam memodelkan data point pattern pada jaringan linier dibandingkan model Poisson point process pada ruang berdimensi dua. =============================================================================================== Point pattern is a collection of data that contains information on the spatial location of the observed object or event. The analytical method for point pattern data is constantly evolving especially in two-dimensional space. However, in reality an object or event can occur on a linear network. Linear network can be defined as the union of a finite collection of line segments embedded in the plane. Traffic accident is an example of a case on a linear network because the occurrence is limited to roads. In this study, accident data analysis in Nganjuk Regency is modeled using the spatial point process method on a linear network. Accident data analysis is usually carried out using the crash frequency approach with several weaknesses, including the constant accident risk in each sub-area of observation, bias due to aggregation, and the loss of spatial information needed to assess evidence for clustering. Therefore, this study is conducted as a form of methodological adjustment of the point process in two-dimensional space that is useful for avoiding the weaknesses of the crash frequency approach. The model used is Poisson point process because the accidents are assumed to be mutually independent. Parameter estimation is carried out by applying the Berman-Turner scheme to the log-likelihood function, which is then maximized using the Iteratively Weighted Least Square (IRLS) method. The results of the analysis show that the two covariates, namely the time of accident and the distance of accident location to the nearest traffic light have significant effect on the intensity of traffic accidents in Nganjuk Regency. In addition, based on the AIC and RMSE values obtained from the simulation study, the Poisson point process model on a linear network has better performance in modeling point pattern data on a linear network than the Poisson point process model in two-dimensional space