BAB 2 LANDASAN TEORI

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Analytical Hierarchy Process (AHP) Analytical Hierarchy Process (AHP) adalah salah satu metode dari Multi Criteria Decision Making (MCDM) yang dikembangkan oleh Prof. Thomas Lorie Saaty dari Wharton Business School di awal tahun AHP merupakan suatu metode analisis yang digunakan untuk membuat suatu model permasalahan yang tidak mempunyai struktur, serta dapat digunakan untuk memecahkan masalah yang bersifat kuantitatif dan masalah yang memerlukan pendapat (judgement). Selain itu, AHP dapat juga digunakan untuk memecahkan masalah pada situasi yang kompleks. Masalah yang kompleks dapat diartikan bahwa kriteria dari suatu masalah yang banyak (multikriteria), struktur masalah yang belum jelas, ketidakpastiaan pendapat dari pengambil keputusan, pengambil keputusan lebih dari satu orang, serta ketidakakuratan data yang tersedia. Pada dasarnya AHP adalah suatu teori umum tentang pengukuran yang digunakan untuk menemukan skala rasio, baik dari perbandingan berpasangan yang diskrit maupun kontinu. Perbandingan-perbandingan ini dapat diambil dari ukuran aktual atau skala dasar yang mencerminkan kekuatan perasaan dan preferensi relatif. AHP juga merupakan sebuah kerangka untuk mengambil keputusan dengan efektif atas persoalan dengan cara memecahkan persoalan tersebut kedalam bagianbagiannya, menata bagian atau variabel ini dalam suatu susunan hierarki, memberi nilai numerik pada pertimbangan subjektif tentang pentingnya tiap variabel dan mensintesis berbagai pertimbangan ini untuk menetapkan variabel yang mana yang memiliki prioritas paling tinggi dan bertindak untuk mempengaruhi hasil pada situasi tersebut.

2 Landasan aksiomatik dari Analytical Hierarchy Process (AHP) terdiri dari : a. Reciprocal Comparison, yang mengandung arti bahwa matriks perbandingan berpasangan yang terbentuk harus bersifat berkebalikan. Misalnya, jika A adalah k kali lebih penting dari pada B maka B adalah 1/k kali lebih penting dari A. b. Homogenity, yaitu mengandung arti kesamaan dalam melakukan perbandingan. Misalnya, tidak dimungkinkan membandingkan jeruk dengan bola tenis dalam hal rasa, akan tetapi lebih relevan jika membandingkan dalam hal berat. c. Dependence, yang berarti setiap level mempunyai kaitan (complete hierarchy) walaupun mungkin saja terjadi hubungan yang tidak sempurna (incomplete hierarchy). d. Expectation, yang berarti menonjolkan penilaian yang bersifat ekspektasi dan preferensi dari pengambilan keputusan. Penilaian dapat merupakan data kuantitatif maupun data yang bersifat kualitatif. Dalam pengambilan keputusan dengan AHP terdapat beberapa langkah-langkah yang perlu diperhatikan, yaitu : a. Mendefinisikan masalah dan menentukan solusi yang diinginkan. b. Membuat struktur hirarki yang diawali dengan tujuan umum, dilanjutkan dengan kriteria-kriteria, sub criteria dan alternatif-alternatif pilihan yang ingin di rangking. c. Membentuk matriks perbandingan berpasangan yang menggambarkan kontribusi relatif atau pengaruh setiap elemen terhadap masing-masing tujuan atau kriteria yang setingkat diatasnya. Perbandingan dilakukan berdasarkan pilihan atau judgement dari pembuat keputusan dengan menilai tingkat kepentingan suatu elemen dibandingkan elemen lainnya. d. Menormalkan data, yaitu dengan membagi nilai dari setiap elemen di dalam matriks yang berpasangan dengan nilai total dari setiap kolom.

3 e. Menghitung nilai eigen vector dan menguji konsistensinya, jika tidak konsisten maka pengambilan data perlu diulang. f. Mengulangi langkah c, d, dan e untuk seluruh tingkat hierarki. g. Menghitung nilai eigen vector dari setiap matriks perbandingan berpasangan. Nilai eigen vector merupakan bobot dari setiap elemen. Langkah ini untuk mensintesis pilihan dan penentuan prioritas elemen-elemen pada tingkat hirarki terendah sampai pencapaian tujuan. h. Menguji konsistensi hirarki. Jika tidak memenuhi dengan CR<0,100 maka penilaian harus diulang kembali Prinsip-Prinsip Dalam Analytical Hierarchy Process (AHP) Dalam menyelesaikan permasalahan dengan metode AHP ada beberapa prinsip dasar yang harus dipahami, yaitu : a. Decomposition merupakan prinsip utama dalam metode AHP yang menggunakan konsep yakni menguraikan atau memecahkan persoalan yang utuh menjadi unsur-unsurnya yang diwujudkan ke dalam bentuk hirarki setelah mendefinisikan permasalahn atau persoalan. Untuk mendapatkan hasil yang akurat, pemecahan dilakukan terhadap unsur-unsurnya sampai tidak mungkin dilakukan pemecahan lebih lanjut, sehingga didapatkan beberapa tingkatan dari persoalan yang hendak dipecahkan. Ada dua jenis hirarki, yaitu lengkap dan tidak lengkap. Dalam hirarki lengkap, semua elemen pada suatu tingkat memiliki hubungan terhadap semua elemen yang ada pada tingkat berikutnya. Sementara hirarki tidak lengkap kebalikan dari hirarki lengkap. Bentuk struktur decomposition yakni : Tingkat pertama : Tujuan keputusan (Goal) Tingkat kedua : Kriteria-kriteria Tingkat ketiga : Alternatif pilihan

4 Tujuan Kriteria 1 Kriteria 2 Kriteria 3 Kriteria i Alternatif 1 Alternatif 2 Alternatif 3 Alternatif j Gambar 2.1 Struktur Hirarki b. Comparative Judgement Comparative Judgement bertujuan untuk membuat penilain tentang kepentingan relatif antara dua elemen pada suatu tingkat tertentu dalam kaitannya dengan tingkatan diatasnya. Penilain ini merupakan inti dari AHP karena akan berpengaruh terhadap prioritas elemen-elemen. Hasil dari penilaian ini lebih mudah disajikan dalam bentuk matriks pairwise comparison. Matriks pairwise comparison adalah matriks perbandingan berpasangan yang memuat tingkat preferensi beberapa alternatif untuk tiap kriteria dan skala preferensi tersebut bernilai 1-9. Agar diperoleh skala yang tepat dalam membandingkan dua elemen, maka hal yang perlu dilakukan adalah memberikan pengertian menyeluruh tentang elemen-elemen yang dibandingkan dan relevansinya terhadap kriteria. Dalam melakukan penilaian kepentingan relatif terhadap dua elemen berlaku aksioma recripocal. Skala yang digunakan untuk menilai tingkat kepentingan suatu elemen terhadap elemen lainnya adalah skala Saaty, seperti pada tabel berikut ini :

5 Tabel 2.1 Skala Saaty (Mulyono, 2004) Tingkat Kepentingan Definisi 1 Sama pentingnya dibanding yang lain 3 Moderat pentingnya dibanding yang lain 5 Kuat pentingnya dibanding yang lain 7 Sangat kuat Pentingnya dibanding yang lain 9 Ekstrim pentingnya dibanding yang lain 2, 4, 6, 8 Nilai di antara dua penilaian yang berdekatan c. Synthesis of Priority Synthesis of Priority dilakukan dengan menggunakan eigen vector method untuk mendapatkan bobot relatif bagi unsur-unsur pengambilan keputusan. d. Logical Consistency Konsistensi memiliki dua makna. Pertama adalah bahwa obyek-obyek yang serupa dapat dikelompokkan sesuai dengan keseragaman dan relevansinya. Kedua adalah tingkat hubungan antara obyek-obyek yang didasarkan pada kriteria tertentu Hubungan Prioritas Sebagai Eigen Vector Mulyono (2004) menyatakan apabila elemen-elemen dari suatu tingkat dalam hirarki adalah C 1, C 2, C 3,, C n dan bobot pengaruh mereka adalah w 1, w 2, w 3,, w n yang menggambarkan hasil dari penilaian. Misalkan a ij = w i w j menunjukkan kekuatan C i jika dibandingkan dengan C j, maka matriks dari gabungan angka-angka a ij ini dinamakan matriks pairwise comparison (matriks perbandingan berpasangan) yang diberi simbol A. Sesuai dengan landasan aksiomatik yang berlaku pada AHP, maka matriks perbandingan berpasangan A merupakan matriks reciprocal, sehingga a ij = 1 a ij. Jika penilaian kita sempurna pada setiap perbandingan, maka a ij = a ij, a jk untuk semua i, j, k dan matriks A dinamakan konsisten.

6 A = 1 a 12 a 1n 1 1 a 2n a 12 1 a 1n 1 a 2n 1 Gambar 2.2 Matriks Perbandingan Berpasangan Dengan demikian nilai perbandingan yang didapatkan dari pembuat keputusan berdasarkan penilaian pada gambar 2.2 yaitu a ij dapat dinyatakan kedalam bentuk sebagai berikut : a ij = w i w j ; i, j = 1, 2, 3,, n (2.1) Dari persamaan (2.1) diperoleh persamaan sebagai berikut : a ij w j w i = 1 ; i, j = 1, 2, 3,, n (2.2) Maka akan diperoleh : n a ij w j 1 j =1 = n ; i = 1, 2, 3,, n (2.3) w i n j =1 a ij. w j = nw i ; i = 1, 2, 3,, n (2.4) Persamaan (2.4) dalam bentuk matriks menjadi : Aw = nw (2.5) Dalam teori matriks, diketahui bahwa w merupakan eigen vector dari matriks A dengan eigen value n. Bila ditulis secara lengkap maka persamaan tersebut akan menjadi seperti berikut :

7 w 1 w 1 w 1 w 1 w 2 w 2 w n w 2 w 2 w 1 w 2 w n w n w n w n w 1 w 2 w n w 1 w 2 w n = n w 1 w 2 w n Mulyono (2004, hal: ) menyatakan jika a ij tidak didasarkan pada ukuran pasti seperti w 1, w 2, w 3,, w n tetapi pada penilaian subjektif, maka a ij akan menyimpang dari rasio w i w j yang sesungguhnya, dan akibatnya Aw = nw tidak terpenuhi lagi. Tetapi dalam teori matriks dapat memberikan kemudahan kepada kita melalui dua hal: Pertama, jika λ = λ 1, λ 2, λ 3,, λ n adalah angka-angka yang memenuhi persamaan Aw = λw, dimana λ merupakan eigen value dari matriks A, dan jika a ii = 1 untuk i, maka : n i=1 λ i = n (2.6) Jika Aw = λw di penuhi, maka semua nilai eigen value sama dengan nol kecuali eigen value yang bernilai sebesar n. Maka jelas dalam kasus konsistensi, n merupakan eigen value terbesar. Kedua, jika salah satu a ij dari matriks reciprocal A berubah sangat kecil, maka eigen value juga berubah sangat kecil. Kombinasi keduanya menjelaskan bahwa jika diagonal matriks A terdiri dari a ij = 1 dan jika A konsisten, maka perubahan kecil pada a ij menahan eigen value terbesar λ maks dekat ke n dan eigen value sisanya dekat ke nol. Jika A merupakan matriks perbandingan berpasangan, maka untuk memperoleh vektor prioritas harus dicari w yang memenuhi : Aw = λ maks w (2.7) Konsistensi Logis Perubahan kecil terhadap a ij menyebabkan perubahan λ maks. Perubahan terhadap λ maks mengakibatkan matriks perbandingan berpasangan menjadi tidak konsisten. Hal ini dikarenakan ketidakkonsistenan preferensi pengambil keputusan dalam

8 memberikan penilaian. Penyimpangan λ maks dari n merupakan ukuran dari konsistensi. Untuk mengukur konsistensi digunakan consistency Index (CI) yang dirumuskan sebagai berikut : CI = λ maks n n 1 (2.8) Untuk mengukur seluruh konsistensi penilaian dalam AHP digunakan Consistency Ratio (CR) yang dirumuskan sebagai berikut : CR = CI RI (2.9) Nilai RI dapat dilihat pada tabel berikut ini : Tabel 2.2 Ratio Index (RI) n RI Teori Himpunan Fuzzy Teori himpunan fuzzy diperkenalkan oleh Lotfi A. Zadeh pada tahun Teori himpunan fuzzy merupakan kerangka matematis yang digunakan untuk merepresentasikan ketidakpastiaan, ketidakjelasan, ketidaktepatan, kekurangan informasi, dan kebenaran parsial (Tettamanzi, 2001 dalam Kusumadewi et al, 2006, hal : 1). Max Black mendefinisikan ketidakjelasan sebagai suatu proposisi dimana status kemungkinan dari proposisi tersebut tidak didefinisikan dengan jelas. Sebagai contoh, untuk menyatakan seseorang termasuk dalam kategori muda, pernyataan muda dapat memberikan interpretasi yang berbeda dari setiap individu, dan kita tidak dapat memberikan umur tertentu untuk mengatakan seseorang masih muda atau tidak muda. Ketidakjelasan juga dapat digunakan untuk mendeskripsikan sesuatu yang berhubungan dengan ketidakpastian yang diberikan dalam bentuk linguistik atau

9 intuisi. Sebagai contoh, untuk menyatakan kualitas data dikatakan baik, atau derajat kepentingan seorang pengambil keputusan dikatakan sangat penting (Kusumadewi et al, 2006, hal: 2) Himpunan Klasik (Crisp) Pada teori himpunan klasik (Crisp) keberadaan suatu elemen x pada suatu himpunan A hanya akan memiliki 2 kemungkinan keanggotaan, yaitu : a. Menjadi anggota A, dengan derajat keanggotaan μ A x sama dengan 1. b. Tidak menjadi anggota A, dengan derajat keanggotaan μ A x sama dengan 0. Contoh : Misalkan variabel umur dibagi menjadi 3 kategori (Kusumadewi, 2003 dalam Kusumadewi et al, 2006), yaitu : MUDA PAROBAYA TUA umur < 35 tahun 35 umur 55 tahun umur > 55 tahun Nilai keanggotaan secara grafis, himpunan MUDA, PAROBAYA, dan TUA dapat dilihat pada gambar. 1 MUDA PAROBAYA TUA 1 1 μ x μ x μ x Umur (thn) Umur (thn) Umur (thn) Gambar 2.3 Himpunan Klasik MUDA, PAROBAYA, dan TUA

10 Keterangan : 1. Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA μ MUDA 34 = Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA μ MUDA 35 = Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA μ PAROBAYA 35 = Apabila seseorang berusia 34 tahun, maka ia dikatakan TIDAK PAROBAYA μ PAROBAYA 34 = 0. Dari keterangan yang ada pada gambar 2.3 dapat disimpulkan bahwa penggunaan himpunan klasik untuk menyatakan umur sangat kurang bijaksana, hal ini disebabkan oleh apabila ada perubahan kecil saja pada suatu nilai mengakibatkan perbadaan kategori yang cukup signifikan Himpunan Kabur Untuk mengatasi permasalahan himpunan yang ada dalam menyatakan umur dengan himpunan klasik, Zadeh mangaitkan himpunan semacam itu dengan suatu fungsi yang menyatakan derajat kesesuaian unsur-unsur dalam semestanya dengan konsep yang merupakan syarat keanggotaan himpunan tersebut. Fungsi itu disebut fungsi keanggotaan dan nilai fungsi itu disebut derajat keanggotaan suatu unsur dalam himpunan itu, yang selanjutnya disebut himpunan kabur (Susilo, 2006, hal: 50). Menurut Zimmermann (1991) dalam Kusumadewi et al (2006, hal: 5) secara matematis himpunan kabur A dalam himpunan semesta X adalah suatu himpunan pasangan berurutan : A = x, μ A x x X Dimana μ A adalah derajat keanggotaan dari x, yang merupakan suatu pemetaan dari himpunan semesta X ke selang tertutup [0,1].

11 Contoh (Kusumadewi et al, 2006, hal:6-7) : μ x 1 0,5 0,25 0 MUDA PAROBAYA TUA Umur (thn) Gambar 2.4 Himpunan Fuzzy untuk Variabel Umur Fungsi keanggotaan untuk setiap himpunan pada variabel umur dapat diberikan sebagai berikut: 1; x x μ MUDA x = ; 25 x ; x 45 μ PAROBAYA x = 0; x 35 atau x 55 x ; 35 x x 10 ; 45 x 55 μ TUA x = 0; x 45 x ; 45 x 65 1; x 65 Seseorang yang berumur 40 tahun termasuk dalam himpunan MUDA dengan μ MUDA 40 = 0,25, namun dia juga termasuk dalam himpunan PAROBAYA dengan μ PAROBAYA 40 = 0,5. Seseorang yang berumur 50 tahun termasuk kedalam himpunan TUA dengan μ TUA 50 = 0,25, dan ia juga termasuk kedalam himpunan PAROBAYA dengan μ PAROBAYA 50 = 0,5

12 2.3 Fuzzy AHP Penggunaan AHP dalam permasalahan Multi Criteria Decision Making (MCDM) sering dikritisi suhubungan dengan kurang mampunya pendekatan AHP ini untuk mengatasi faktor ketidakpresisian yang dialami oleh pengambil keputusan ketika harus memberikan nilai yang pasti dalam matriks perbandingan berpasangan. Oleh kerena itu, untuk mengatasi kelemahan AHP yang ada maka dikembangkan suatu metode yang disebut fuzzy AHP. Metode fuzzy AHP merupakan penggabungan antara metode AHP dengan pendekatan fuzzy. Pada metode fuzzy AHP digunakan Triangular Fuzzy Number (TFN). TFN digunakan untuk menggambarkan variabel-variabel linguistik secara pasti. TFN disimbolkan dengan M = l, m, u, dimana l m u dan l adalah nilai terendah, m adalah nilai tengah, dan u adalah teratas. Tabel berikut memperlihatkan TFN yang digunakan untuk keperluan dalam matriks perbandingan berpasangan (pairwise comparison). Tabel 2.3 Fungsi keanggotaan bilangan fuzzy (fuzzy membership function) Definisi Absolute (mutlak lebih penting) Very strong (sangat penting) Fairly strong (lebih penting) Weak (sedikit lebih penting) Equal (sama penting) TFN (7, 9, 9) (5, 7, 9) (3, 5, 7) (1, 3, 5) (1, 1,3)

13 Jika kita misalkan terdapat 2 TFN yaitu M 1 = l 1, m 1, u 1 dan M 2 = l 2, m 2, u 2, maka operasi aritmatika Triangular Fuzzy Number (TFN) adalah: M 1 + M 2 = (l 1 + l 2, m 1 + m 2, u 1 + u 2 ) (2.10) M 1 M 2 = l 1 l 2, m 1 m 2, u 1 u 2 (2.11) M 1 1 = 1 u 1, 1 m 1, 1 l 1 (2.12) Langkah-Langkah Fuzzy AHP Langkah-langkah dalam fuzzy AHP (Chang, 1996): a. Definisikan nilai fuzzy synthetic extent untuk i-objek seperti persamaan berikut: S i = m j M g i n m j M g i 1 (2.13) j =i i=1 j =1 Untuk mendapatkan m j M g i j =1, maka dilakukan operasi penjumlahan fuzzy dari nilai m pada matriks perbandingan berpasangan seperti yang dapat dilihat pada persamaan berikut: m j =1 j M g i m m m = l j, m j, u j j =1 j =1 j =1 (2.14) Untuk memperoleh persamaan (2.15) n m i=1 j =1 j M g i (2.15) j Maka dilakukan operasi penjumlahan terhadap M g i seperti yang dapat dilihat pada persamaan berikut:

14 n m i=1 j =1 j M g i n n n = l i, m i, u i i=1 i=1 i=1 (2.16) Kemudian untuk memperoleh invers dari persamaan (2.16) dapat dilakukan dengan cara menggunakan operasi aritmatika TFN pada persamaan (2.12) n m i=1 j =1 j M g i 1 = 1 n i=1 u i, 1 n i=1 m i, 1 n i=1 l i (2.17) b. Andaikan terdapat 2 bilangan fuzzy yaitu M 1 = (l 1, m 1, u 1 ) dan M 2 = l 2, m 2, u 2, maka tingkat keyakinan dari M 1 = l 1, m 1, u 1 M 2 = (l 2, m 2, u 2 ) didefinisikan sebagai berikut : V M 1 M 2 = sup min μ M1 x, μ M2 y (2.18) y x Apabila M 1 dan M 2 bilangan fuzzy konveks maka diperoleh ketentuan sebagai berikut: V M 1 M 2 = 1 iff m 1 m 2 V M 2 M 1 = gt M 1 M 2 = μ M1 d Tingkat keyakinan dari bilangan fuzzy dapat diperoleh dengan persamaan (2.19) V M 2 M 1 = 1, jika m 2 m 1 0, jika l 1 u 2 (l 1 u 2 ) m 2 u 2 m 1 l 1, yang lainya (2.19)

15 Perbandingan 2 bilangan fuzzy dapat digambarkan sebagai berikut: M 2 M 1 V(M 2 M 1 ) l 2 m 2 l 1 d u 2 m 1 u 1 Gambar 2.5 Perpotongan antara M 1 dan M 2 (Chang, 1996) d merupakan ordinat titik perpotongan tertinggi antara μ M1 dan μ M2, dan untuk membandingkan M 1 = (l 1, m 1, u 1 ) dan M 2 = l 2, m 2, u 2 kita memerlukan nilai-nilai dari V M 1 M 2 dan V M 2 M 1. c. Tingkat kemungkinan untuk sebuah bilangan fuzzy konveks lebih baik dibandingkan dari k bilangan fuzzy konveks M i i = 1, 2, 3,, k dapat didefinisikan sebagai berikut: V M M 1, M 2,, M k = V M M 1 dan M M 2 dan dan(m M k ) = min V M M i, i = 1, 2,, k (2.20) Diasumsikan bahwa: d A i = min V(S i S k ) untuk k = 1, 2,, n ; k i (2.21) Maka vektor bobot didefinisikan sebagai berikut: W = d A 1, d A 2,, d A n T (2.22) d. Menormalisasi vektor bobot pada persamaan (2.22) menjadi: W = d A 1, d A 2,, d A n T (2.23) Dimana W bukan merupakan bilangan fuzzy.

16 2.4 Definisi Jalan dan Klasifikasi Jalan Menurut Undang-Undang Nomor 38 Tahun 2004 tentang Jalan, yang dimaksud dengan jalan ialah prasarana transportasi darat yang meliputi segala bagian jalan, termasuk bagian pelengkap dan perlengkapannya yang diperuntukkan bagi lalu lintas, yang berada pada permukaan tanah, di atas permukaan tanah, di bawah permukaan tanah dan/atau air, serta di atas permukaan air, kecuali jalan kereta api, jalan lori, dan jalan kabel. Jalan umum adalah jalan yang diperuntukkan bagi lalu lintas umum. Jalan khusus adalah jalan yang dibangun oleh instansi, badan usaha, perorangan, atau kelompok masyarakat untuk kepentingan sendiri. Penentuan klasifikasi jalan terkait dengan besarnya volume lalu lintas yang menggunakan jalan tersebut, besarnya kapasitas jalan, keekonomian dari jalan tersebut serta pembiayaan pembangunan dan perawatan jalan. Klasifikasi jalan umum : a. Klasifikasi jalan umum menurut sistem 1. Sistem jaringan jalan primer Sistem jaringan jalan dengan peranan pelayanan distribusi barang dan jasa untuk pengembangan semua wilayah di tingkat nasional, dengan menghubungkan semua simpul jasa distribusi yang berwujud pusat kegiatan. 2. Sistem jaringan jalan sekunder Sistem jaringan jalan dengan peranan pelayanan distribusi barang dan jasa untuk masyarakat di dalam kawasan perkotaan. b. Klasifikasi jalan umum menurut fungsi 1. Jalan arteri Jalan umum yang berfungsi melayani angkutan utama dengan ciri perjalanan jarak jauh, kecepatan rata-rata tinggi, dan jumlah jalan masuk dibatasi secara berdaya guna.

17 2. Jalan kolektor Jalan umum yang berfungsi melayani angkutan pengumpul atau pembagi dengan ciri perjalanan jarak sedang, kecepatan rata-rata sedang, dan jumlah jalan masuk dibatasi. 3. Jalan lokal Jalan umum yang berfungsi melayani angkutan setempat dengan ciri perjalanan jarak dekat, kecepatan rata-rata rendah, dan jumlah jalan masuk tidak dibatasi. 4. Jalan lingkungan Jalan umum yang berfungsi melayani angkutan lingkungan dengan ciri perjalanan jarak dekat, dan kecepatan rata-rata rendah. c. Klasifikasi jalan umum menurut status 1. Jalan nasional Jalan arteri dan jalan kolektor dalam sistem jaringan jalan primer yang menghubungkan antar ibukota provinsi, dan jalan strategis nasional, serta jalan tol. 2. Jalan provinsi Jalan kolektor dalam sistem jaringan jalan primer yang menghubungkan ibukota provinsi dengan ibukota kabupaten/kota, atau antar ibukota kabupaten/kota, dan jalan strategis provinsi. 3. Jalan kabupaten Jalan lokal dalam sistem jaringan jalan primer yang tidak termasuk dalam jalan nasional dan jalan provinsi, yang menghubungkan ibukota kabupaten dengan ibukota kecamatan, antar ibukota kecamatan, ibukota kabupaten dengan pusat kegiatan lokal, antar pusat kegiatan lokal, serta jalan umum dalam sistem jaringan jalan sekunder dalam wilayah kabupaten, dan jalan strategis kabupaten. 4. Jalan kota Jalan umum dalam sistem jaringan jalan sekunder yang menghubungkan antar pusat pelayanan dalam kota, menghubungkan pusat pelayanan

18 dengan persil, menghubungkan antar persil, serta menghubungkan antar pusat permukiman yang berada di dalam kota. 5. Jalan desa Jalan umum yang menghubungkan kawasan dan/ atau antar permukiman di dalam desa, serta jalan lingkungan. d. Klasifikasi jalan umum menurut kelas Pengaturan kelas jalan berdasarkan spesifikasi penyediaan prasarana jalan dikelompokkan atas bebas hambatan, jalan raya, jalan sedang, dan jalan kecil. 2.5 Konsep Pembangunan Dalam penentuan prioritas program pembanguan jalan pada penelitian ini terdapat beberapa kriteria yang diangkat: a. Dana Pembiayaan kegiatan-kegiatan program pembangunan jalan yang berupa pemeliharaan, peningkatan dan pembangunan prasarana jalan berasal dari APBN dan Pinjaman Luar Negri. Akan tetapi keterbatasan dalam hal pendanaan ini mengakibatkan tidak semua program pembangunan jalan dapat dijalankan secara serentak. Oleh karena itu, penetapan prioritas terhadap sebuah program pembangunan jalan sangat diperlukan. b. Manfaat program pembangunan jalan Manfaat dari sebuah program pembangunan jalan adalah dapat memberikan pelayanan bagi masyarakat luas, pembangunan ekonomi, kemudahan mobilitas manusia, barang, dan jasa yang berujung pada meningkatnya daya saing suatu daerah.

19 c. Masa pengerjaan dari program pembangunan jalan Masa pengerjaan dari program pembangunan adalah lamanya waktu yang diperlukan dalam tahapan pelaksanaan sebuah program pembangunan jalan. Masa pengerjaan ini memiliki pengaruh yang langsung terhadap dana dari program pembangunan jalan. Semakin lama masa pengerjaan maka dana yang diperlukan semakin banyak pula. d. Target dari program pembangunan jalan Target dari program pembangunan jalan merupakan panjannya jarak (Km) dari program pembangunan jalan. Semakin panjang target dari program pembangunan jalan maka semakin lama masa pengerjaan dari program pembangunan jalan tersebut dan dana yang diperlukan juga semakin banyak. Keberadaan jalan sebagai jalur penghubung antar daerah akan membuka isolasi daerah dan akan mampu mendorong laju pertumbuhan perekonomian pada masyarakat. Kendala yang dihadapi sektor transportasi, khususnya prasarana jalan meliputi: 1. Sebagian besar tempo perencanaan jalan telah habis, sehingga tidak dapat melayani lalu lintas dengan optimal. 2. Penanganan pembangunan, peningkatan, dan pemeliharaan jalan yang kurang memadai dibanding dengan penurunan kondisi kemantapan jalan. 3. Perkembangan dan kenaikan jumlah kendaraan yang pesat, tetapi perkembangan kapasitas jalan maupun panjang jalan yang relatif tetap menyebabkan sering terjadinya kemacetan. 4. Terbatasnya kemampuan pendanaan pembangunan jalan dan sulitnya pembebasan lahan warga, kurangnya aksesbilitas di wilayah tertinggal. 5. Kerusakan jalan akibat kondisi alam/tanah ekspansif dan bencana alam yang mengakibatkan kerusakan jalan sepanjang tahun.