Pemodelan Simultan Jumlah Korban Kecelakaan Berdasarkan Tingkat Keparahan dengan Regresi Bivariat Berbasis Copula

Abstract

Kecelakaan lalu lintas merupakan permasalahan keselamatan transportasi yang kompleks karena melibatkan tingkat keparahan korban yang saling berkorelasi. Penelitian ini bertujuan menganalisis korelasi jumlah korban kecelakaan lalu lintas di Inggris berdasarkan tingkat keparahan, membangun model regresi bivariat berbasis copula untuk memodelkan jumlah korban secara simultan, serta mengevaluasi performa model copula dalam memprediksi jumlah korban kecelakaan secara simultan. Data dimodelkan menggunakan regresi binom negatif dan Conway–Maxwell–Poisson sebagai marginal, kemudian digabungkan melalui copula normal, Frank, dan t. Hasil menunjukkan terdapat korelasi negatif sedang antara jumlah korban meninggal dan luka serius. Model terbaik diperoleh pada copula t dengan nilai log-likelihood terbesar serta AIC dan BIC terkecil dibandingkan copula lain. Selanjutnya, model bivariat copula memberikan kecocokan sebesar 51.90% dalam memprediksi data aktual. Hasil peluang bersama yang terbrentuk dari model copula menunjukkan korelasi negatif. Hal ini menunjukkan bahwa pemodelan simultan berbasis copula lebih efektif dalam menggambarkan hubungan antar tingkat keparahan korban kecelakaan.

Traffic accidents represent a complex transportation safety issue due to the interdependence of injury severity levels among victims. This study analyzes the correlation of traffic accident casualties in England by severity level, develops a bivariate copula-based regression model to jointly model casualty counts, and evaluates its predictive performance. Marginal distributions were modeled using Negative Binomial and Conway Maxwell–Poisson regressions, then combined using Normal, Frank, and t copulas. The results reveal a moderate negative correlation between fatalities and serious injuries, with the t copula providing the best fit based on the highest log likelihood and lowest AIC and BIC values. The model achieved an accuracy of 51.90% in predicting observed data, and the joint probability distribution indicates a negative dependence, suggesting that copulabased simultaneous modeling is more effective in capturing the relationship between different injury severity levels.