BAB IV ANALISA DAN PEMBAHASAN

Transkripsi

1 BAB IV ANALISA DAN PEMBAHASAN Bab ini akan menjelaskan hasil dari proses simulasi yakni tahap penginputan nilai distribusi laplace yang terdiri dari tiga faktor yaitu longitudinal, vertikal dan lateral, tahap penginputan skenario simulasi yang dipengaruhi oleh tiga komponen yaitu routes / airways, no flights per hour, traffic distribution factor, tahap pengolahan hasil output yakni menghitung total jam terbang, menghitung jarak antar pesawat dan menghitung nilai Level of Safety (TLS) dari hasil simulasi. 4.1 Tahap Penginputan Distribusi Pada tahap ini, distribusi laplace yang digunakan sebanyak tiga faktor yaitu Longitudinal, Lateral dan Vertical. Gambar 4. Input Distribusi Laplace 47

2 48 Faktor longitudinal untuk menentukan besarnya simpangan pesawat yang terjadi ketika mengalami turbulensi di udara, nilai inputan ini yang akan menentukann seberapa besar pergeseran pesawat apabila terjadi turbulensi atau hambatan dalam penerbangan baik yang disebabkan oleh keadaan cuaca, angin dan sebagainya maupun pilot error. Pesawat yang mengalami pergeseran akan kembali ke jalurnya secara otomatis. Gambar 4. Visualisasi Longitudinal Faktor vertical untuk menentukan seberapa jauh penyimpangan ketinggian yang terjadi selama perjalanan yang dapat disebabkan karena turbulensi maupun pilot error, apabila terjadi penyimpangan sejauh 100 kaki atau lebih maka sesuai regulasi International Civil Aviation Organization (ICAO) kejadian tersebut harus dicatat sebagai Large Height Deviation (LHD). 48

3 49 Gambar 4. Visualisasii Vertikal Faktor lateral untuk menentukan seberapa optimal penerapan separation standard yang dilakukan pada jalur tersebut untuk melihat nilai optimal okupansi dari jalur tersebut dalam hal ini khususnya jalur A756. Nilai inputan ini akan mempengaruhi kecepatan pesawat selama penerbangan dari bandara keberangkatan hingga bandara tujuan. Gambar 4. Visualisasi Lateral 49

4 50 Penulis memilih penggunaanmetode transformasi Laplace sebagai suatu metode pendekatan untuk menyelesaikan estimasi sebaran secara literatur.penggunaan transformasi Laplace sering digunakan dalam penyelesaian distribusi khususnya distribusi untuk data yang di urut. Nilai yang digunakan dalam distribusi longitudinal, lateral, dan verticalseharusnya berasal dari data real yang diperoleh dari radar, perhitungan ini akan menghasilkan nilai mean danscale yang terjadi. Mengingat keterbatasan data dan kevalid-an data yang dicatat secara manual dari sistem radar maka penginputan nilai mean dan scale di atas dilakukan dengan melihat histori LHD yang terjadi selama tahun 2009 hingga 2010 dengan asumsi bahwa data real di lapangan akan digantikan dengan data TSD yang diperoleh dari simulasi dengan pemakaian nilai mean dan scale yang sama. Gambar 4.5 Kejadian LHD Kejadian LHD dalam ruang udara Indonesia A B C D E F G H I J K L M

5 51 Nilai parameter lateral di tetapkan dengan menggunakan asumsi bahwa rute A576 menggunakan Required Navigation Performance (RNP) 10 yang mengharuskan pesawat untuk mempunyai akurasi dalam 10 NM dari flight path seharusnya dalam 95% waktu terbang di rute RNP tersebut.secara mudah RNP adalah keharusan untuk sebuah pesawat untuk terbang akurat di jalurnya, sebagai gambaran RNP adalah lebar jalan yang bisa dilalui sebuah kendaraan. Untuk bisa menjaga keakuratan navigasi untuk terbang di tengah-tengah jalur RNP, maka pesawat harus mempunyai navigasi yang cukup canggih. Kesalahan navigasi karena human error sangat tinggi di sini antara lain salah memasukkan koordinat, memutuskan autopilot dengan perangkat Area Navigation (RNAV) padahal autopilot tidak terhubung dengan navigasi perangkat RNAV dan terakhir penerbang tidak menyadari bahwa perangkat RNAV atau sensornya tidak berfungsi dengan normal. Dengan begitu nilai parameter lateral menjadi krusial saat mempengaruhi jalur suatu pesawat dan diberikan nilai dua. Untuk parameter longitudinal digunakan data TSD dari FIR Ujung Pandang untuk menghitung kecepatan rata-rata pesawat, dengan pertimbangan data kecepatan ini lebih akuran dibandingkan data TSD dari FIR Jakarta yang masih menggunakan teknologi radar konvensional sedangkan FIR Ujung Pandang telah menggunakan teknologi radar ADS-B. Dengan kecepatan pesawat rata-rata kts (JAK) dan kts (UJU) perbedaan yang tidak signifikan menandakan kecepatan pesawat relatif stabil dan tidak terlalu mempengaruhi perubahan jalur pesawat sehingga diberikan nilai satu. 51

6 52 Dari pengamatan histori LHD pada gambar 4.1 diketahui bahwa terdapat dua faktor utama yang terjadi di ruang udara Indonesia yaitu angka untuk kategori E tertinggi yaitu sebesar enam kejadian tercatat selama durasi 17 menit.yang kedua yakni terjadi selama durasi 28 menit yang disebabkan oleh kegagalan peralatan yang tergolong dalam kategori M. Dengan analisa di atas maka penulis menentukan nilai vertikal paling tinggi yaitu tiga. Nilai mean memiliki nilai nol dengan asumsi pesawat adalah kontinu dengan fungsi bernilai real yang didefinisikan pada interval yang berubah-ubah maka nilai nol menganggap bahwa pesawat selalu konstan.oleh karena itu dalam simulasi ini digunakan angka distribusi sebagai berikut : Tabel 4. Nilai Distribusi yang dipakai dalam simulasi Distribusi Mean Scale Lateral 0 2 Longitudinal 0 1 Vertikal Tahap Penginputan Skenario Simulasi Sebelum simulasi dijalankan, tahap ini memegang peranan penting untuk membantu menciptakan kondisi penerbangan yang akan diuji atau di simulasikan yang ditentukan oleh tiga faktor yaitu routes / airways dimana penentuan jumlah rute dan pesawat yang dikehendaki untuk diuji, no flights per hour untuk menentukan seberapa banyak pesawat yang akan melewati jalur tersebut selama simulasi berlangsung yang ditujukan untuk menguji tingkat kepadatan / stress test di jalur tersebut dan traffic distribution factor yang menentukan seberapa lama 52

7 53 simulasi akan berlangsung dalam hal ini apakah pengujian simulasi untuk mempresentasikan waktu penerbangan dalam jangka waktu yang dibutuhkan. Gambar 4.6 Skenario Simulasi Keterangan setiap input diatas dapat dijelaskan sebagai berikut : 1. Lama simulasi Inputan ini menunjukkan berapa lama simulasi akan berlangsung. Yaitu simulasi dilakukan selama satu bulan dengan data yang diambil dengan jarak waktu selama lima menit, lima belas menit dan tiga puluh menit. 2. Spawn setiap Inputan ini akan menentukan jadwal keberangkatan pesawat untuk menentukan tingkat kepadatan dalam jalur penerbangan yang akan disimulasikan 3. Interval Data Inputan ini digunakan untuk menentukan seberapa sering data simulasi yang di catat selama proses simulasi berlajalan. 4. Air Flight Leve (AFL) Inputan ini menentukan titik Flight Level yang digunakan dalam regulasi penerbangan sesuai dengan RNP type yang dipakai. Dalam hal ini RNP type 10 dengan standard ketinggian dari singapura sebesar 400 NM dan dari bali sebesar 390 NM. 53

8 54 Setelah skenario simulasi telah diatur, maka aplikasi Simulasi Tabrakan Pesawat (STP) selanjutkan akan otomatis menjalankan proses simulasi mengikuti inputan dari skenario yang telah ditentukan dengan target menghasilkan data penerbangan atau Traffic Sample Data (TSD) ke dalam database. Dimana data ini memiliki kemiripan dengan data radar pada kondisi yang sesungguhnya sehingga memungkinkan dilakukannya penilaian angka insiden kecelakaan per jam terbang seperti yang diakukan oleh Australian Airspace Monitoring Agency (AAMA) untuk melihat nilai TLS di ruang udara Indonesia, dalam hal ini khususnya pengukuran pada jalur A576. Gambar 4.7 Simulasi sedang berjalan 54

9 55 Pada gambar di atas terlihat dua titik bandara yakni yang berwarna hijau adalah Bandar Udara International Ngurah Rai Bali dan titik bewarna merah adalah Bandar Udara International Changi Singapura.Point bintang yang bewarna biru merupakan pesawat yang sedang terbang yang ditunjukkan dengan posisi lat, lon pada masing-masing pesawat.data yang dihasilkan dari simulasi ini ditunjukkan pada gambar 4.7. Selama perjalanan dari Singapura menuju Bali terdapat Sembilan waypoint yang akan dilewati oleh pesawat yaitu aktod, sanos, liana, apari, apaga, akula, sabil, sumbu dan siput. Pencatatan data dari hasil simulasi dikelompokkan menjadi dua bagian yakni data murni simulasi dan data TSD yang menyesuaikan data yang diperoleh dari menara Air Traffic Control (ATC) di bandar udara internasional Soekarno-Hatta dimana posisi pesawat hanya dicatat pada saat titik terdekat dengan waypoint yang ditunjukkan pada Tabel 4.2. Gambar 4.8Pengumpulan data saat simulasi berlangsung Gambar di atas memperlihatkan data realtime yang diperoleh selama simulasi berlangsung yang menunjukkan : 55

10 56 Kode Pesawat Kode ini menunjukkan arah posisi pesawat yang mempresentasikan tujuan dan asal pesawat tersebut, untuk GA_East menunjukkan pesawat tersebut menuju ke Bali dari Singapura sebaliknya GA_West menunjukkan pesawat tersebut menuju ke Singapura dari Bali. Koordinat X Memperlihatkan posisi latitude pesawat selamasimulasi berlangsung. Koordinat Y Memperlihatkan posisi longitude pesawat saat simulasi berlangsung. Kecepatan Memperlihatkan kecepatan pesawat dengan satuan ukuran km/jam.. Ketinggian Memperlihatkan ketinggian pesawat dengan satuan feet / kaki. Setiap data yang dihasilkan oleh aplikasi STP akan langsung dimasukkan ke dalam database dalam format TSD (ICAO APANPIRG Conclusion 16/4) untuk memenuhi kebutuhan pemantauan wilayah keamanan udara. Untuk hasil data kemudian dikelompokkan menjadi dua kategori yakni data simulasi dan data TSD, data simulasi merupakan data yang langsung dimasukkan ke database dari hasil simulasi sedangkan data TSD merupakan data simulasi yang telah disaring berdasarkan posisi yang terdekat dengan waypoint, lebih jelasnya dapat dilihat pada tabel

11 Tabel 4. Data murni simulasi id callsign aircraft_type dof fixes lat lon eto afl speed 1 GA_East_0 FA99X 9/11/ /11/ :00: GA_East_0 FA99X 9/11/ /11/ :00: GA_East_0 FA99X 9/11/ /11/ :00: GA_East_0 FA99X 9/11/ /11/ :00: GA_East_0 FA99X 9/11/ /11/ :00: GA_East_0 FA99X 9/11/ /11/ :00: GA_East_0 FA99X 9/11/ /11/ :00: GA_East_0 FA99X 9/11/ /11/ :00: GA_East_0 FA99X 9/11/ /11/ :00:

12 Tabel 4. Data TSD id callsign aircraft_type dof fixes lat lon eto afl speed 1 GA_East_0 FA99X 9/11/2011 AKTOD /11/ :00: GA_East_0 FA99X 9/11/2011 SANOS /11/ :00: GA_East_0 FA99X 9/11/2011 LIANA /11/ :00: GA_East_0 FA99X 9/11/2011 APARI /11/ :00: GA_East_0 FA99X 9/11/2011 APAGA /11/ :00: GA_East_0 FA99X 9/11/2011 AKULA /11/ :00: GA_East_0 FA99X 9/11/2011 SABIL /11/ :00: GA_East_0 FA99X 9/11/2011 SUMBU /11/ :00: GA_East_0 FA99X 9/11/2011 SIPUT /11/ :00:

13 59 Gambar 4. 9 Grafik nilai AFL (Air Flight Level) dataa lima menit Gambar Grafik nilai AFL (Air Flight Level) data 15 menit 59

14 60 Gambar Grafik nilai AFL (Air Flight Level) data 30 menit Ketiga grafik di atas menunjukkann intensitas perubahan ketinggian pesawat terbang dalam simulasi berdasarkan rentan waktu spawn yang diuji yaitu selama lima menit, 15 menit dan 30 menit. Turbulensi / pilot errorr di kategorikan berdasarkan titik radar sepanjang jalur A576 yaitu AKTOD, AKULA, APAGA, APARI, LIANA, SABIL, SANOS, SIPUT dan SUMBU, dimana berdasarkan letak geografisnya terdapat tiga titik yang memiliki penyimpangan ketinggian terbesar yaitu AKULA yang di tunjukkan dengan warna kuning, APARI yang ditunjukkan dengan warna hijau dan APAGA yang ditunjukkan dengan warna biru, semakin besar frekuensi kejadiannya maka semakin besar pula kemungkinan terjadinya tabrakan. 60

15 61 Gambar Grafik nilai kecepatan data 5 menit 61

16 62 Gambar Grafik nilai kecepatan data 15 menit Gambar Grafik nilai kecepatan data 30 menit 62

17 63 Ketiga grafik di atas menunjukkan intensitas perubahan kecepatan pesawat terbang dalam simulasi berdasarkan rentan waktu spawn yang diuji yaitu selama lima menit, 15 menit dan 30 menit. Dimana kemungkinan besar terjadinya turbulensi / error pada kecepatan dengan rentan km/h, di sini semua titik radar mengalami rawan perubahan yang meningkatkan kemungkinan terjadinya tabrakan apabila kecepatan pesawat tidak dimonitor dan melebihi batas yang telah di tentukan pada jalur A

18 Tahap Pengolahan Hasil Output Dalam tahap ini, data yang telah dihasilkan dari simulasi STP ini kemudian akan di sortir kembali untuk mem-filter data-data yang dinilai tidak valid untuk memperkecil kesalahan perhitungan jika ada. Selanjutnya dilakukan perhitungan total jam terbang pesawat selama simulasi berlangsung, yaitu dengan menghitung waktu tempuh pesawat dari titik awal keberangkatan hingga titik akhir kedatangan selama simulasi berlangsung.dengan skala perbandingan waktu antara simulasi dan sebenarnya, yakni satu menit dalam simulasi mempresentasikan satu jam dalam waktu sebenarnya. Tabel 4. Hasil perhitungan total jam terbang Data Simulasi Total Jam Terbang (dalam jam) Pertama (5 menit) Kedua (15 menit) 9898 Ketiga (30 menit) Setelah diketahui nilai total jam terbang pesawat maka selanjutnya dilakukan perhitungan jarak antar pesawat berdasarkan waktu EstimatedTimeOver (ETO) yang dapat dilakukan melalui menu perhitungan dalam aplikasi STP, satuan ukur secara standart yang dipilih adalah Nautical Milesseperti yang ditunjukkan pada gambar

19 65 Gambar 4. 15Menu Perhitungan Alur perhitungan jarak pesawat ditunjukkan pada gambar 4.9 di bawah, dimana aplikasi akan melakukan perhitungan berdasarkan waktu eto dengan mengelompokkan pesawat dalam tiap-tiap waktu. Setelah dikelompokkan maka selanjutnya dilakukan perhitungan jarak pesawat dengan formula haversin dan dilakukan looping sebanyak jumlah pesawat yang terdapat dalam kelompok tersebut yang telah dijelaskan pada subbab Gambar 4. 16Alur perhitungan jarak pesawat 65

20 66 Gambar 4.17Hasil perhitungan jarak antar pesawat Langkah terakhir adalah menghitung nilai TLS dari hasil simulasi, dengan menggunakan formula TLS dengan data TSD dengan menggunakan formula Collition Risk Model (CRM) yang telah dijelaskan pada subbab 2.8.Tidak semua komponen-komponen dalam CRM dapat dihitung dengan data simulasi dikarenakan terbatasnya data yang dihasilkan dan masih banyak komponen yang diambil dari asumsi AAMA sebab belum sepenuhnya komponen-komponen rumus CRM dapat ditelusuri asal datanya. Oleh karena itu penulis membagi komponen-komponen tersebut menjadi dua bagian yakni komponen yang dihitung melalui data TSD dan komponen yang diambil dari data laporan AAMA.Komponen-komponen CRM yang dapat dihitung dari data TSD adalah : 66

21 67 Tabel 4. Komponen CRM dari data simulasi Komponen Data 1 (5 menit) Data 2 (15 menit) Data 3 (30 menit) knots knots knots Komponen-komponen CRM yang diambil dari data AAMA adalah : Tabel 4. Komponen CRM dari data AAMA Komponen Nilai ż 1.5 Data pada tabel 4.6 di atas diambil dari laporan AAMA untuk periode Oktober 2009 hingga September 2010, dengan pertimbangan nilai dari komponen tersebut yang digunakan untuk menghitung nilai TLS sebelumnya berdasarkan data TSD untuk FIR Jakarta dan FIR Ujung Pandang dan masih terbatasnya data yang dapat dikumpulkan untuk mengetahui perhitungan nilai tersebut. 67

22 68 Setelah komponen-komponen untuk perhitungan formula CRM di atas lengkap, maka dihitung nilai TLS untuk FIR Jakarta yang dihasilkan dari data TSD oleh simulasi yang telah dijalankan sebelumnya. Nilai TLS ini akan digabungkan dengan nilai TLS dari FIR Ujung Pandang. Nilai Total Technical Risk (*) merupakan gabungan nilai TLS dari dua FIR di Indonesia yakni FIR Jakarta dan FIR Ujung Pandang, untuk FIR Jakarta nilai TLS didapat dari hasil simulasi sedangkan FIR Ujung Pandang didapat dari data ADSB yakni sebesar Hasil Perhitungan Estimasi Resiko Tabrakan Untuk mengetahui estimasi resiko tabrakan yang terjadi, dilakukan perhitungan seperti yang telah dijelaskan pada poin dua dalam subbab dengan menggunakan data TSD.Dalam analisis ini, penulis memeriksa lebih dari penerbangan pada jalur A576 yang dibagi menjadi tiga data yang dikategorikan berdasarkan waktu pemunculan pesawat. Tabel 4. Hasil perhitungan estimasi resiko tabrakan Jumlah Penerbangan Spawn setiap (menit) Restimasi resiko Data pertama Data kedua Data ketiga Hasilnya seperti yang ditunjukkan pada tabel 4.7 menunjukkan bahwa resiko tabrakan akan semakin besar jika kepadatan bertambah, data perhitungan di atas menggunakan data TSD dengan pemisahan standart sebesar 1000 kaki sesuai dengan penerapan RVSM. 68

23 69 Tentu estimasi ini dapat berubah jika terjadi penyesuaian skenario dan standart pemisahan di kemudian hari, resiko ini menunjukkan bahwa pada data pertama dengan kepadatan penerbangan terdapat risiko tabrakan sebesar 138.7% yang disebabkan jarak antar pesawat melebihi dimensi pesawat sehingga kemungkinan akan terjadi tabrakan. 4.5 Hasil perhitungan rumus CRM Setelah data komponen-komponen formula CRM selesai dikumpulkan, penulis akan menghitung nilai TLS dari masing-masing data simulasi yang dijalankan selama sehari penuh untuk mendapatkan data selama satu bulan penuh dalam waktu simulasi. Penulis akan melihat nilai Technical Risk sebagai pengukur tingkat risiko tabrakan dalam wilayah FIR Jakarta dan FIR Ujung Pandang dan Total Risk sebagai pengukur tingkat risiko tabrakan bagi lajur A576 yang merupakat target dalam penelitian ini. Tabel 4. Hasil perhitungan nilai TLS data pertama Indonesian RVSM Airspace estimated annual flying hours = ,5hours Source of Risk Risk Estimation TLS Remarks Technical Risk 2.44 x x10 Below Technical TLS Operational Risk 3.03 x Total Risk 3.27 x x 10 Meets Overall TLS Tabel 4. Hasil perhitungan nilai TLS data kedua Indonesian RVSM Airspace estimated annual flying hours = 9.898hours Source of Risk Risk Estimation TLS Remarks Technical Risk 2.10 x x 10 Below Technical TLS Operational Risk 3.03 x Total Risk 3.24 x x 10 Meets Overall TLS 69

24 70 Tabel 4. Hasil perhitungan nilai TLS data ketiga Indonesian RVSM Airspace estimated annual flying hours = 5.029,5hours Source of Risk Risk Estimation TLS Remarks Technical Risk 1.84 x x 10 Below Technical TLS Operational Risk 3.03 x Total Risk 3.21 x x 10 Meets Overall TLS Dari tabel hasil perhitungan formula CRM di atas, dapat disimpulkan bahwa aplikasi STP berjalan dengan baik dalam mensimulasikan kondisi lalu lintas pada lajur A576 dengan nilai TLS yang wajar berbanding dengan total jam terbang yang terjadi dan nilai distribusi yang di input.nilai untuk data pertama sebesar 2.44 tidak terlalu jauh dengan perhitungan tim BPPT yaitu sebesar Dari hasil perhitungan ini aplikasi STP melalui diskusi dengan ahli dari tim BPPT, aplikasi ini dinilai mampu untuk merefleksikan kondisi penerbangan yang sebenarnya dengan ketepatan mendekati kenyataan dengan asumsi-asumsi secara empiris sehingga distribusi probabilitas secara teoritis cocok dengan observasi dan digunakan sebagai input untuk model simulasi yang telah diuji dengan pembuatan grafik pada gambar 4.6 Validasi output simulasi Untuk menentukan seberapa representative output simulasi, penulis memvalidasi model simulasi dengan partisipasi analis, pengambil keputusan dan manajer system. Dengan uji validasi model apakah pengambil keputusan dapat mempercayai model yang digunakan sebagai bagian dari proses pengambilan keputusan, karena tidak ada teknik tunggal untuk melakukan validasi model maka 70

25 71 berdasarkan sistem yang sedang dimodelkan dan lingkungan pemodelan penulis menerapkan metode perbandingan output simulasi dengan system nyata yang ditunjukkan pada gambar 4.18 Gambar 4. 8Validasi data hasil simulasi Perbandingan antara model dan system nyata merupakan perbandingan statistic dan perbedaan dalam performa harus diuji untuk signifikansi statistiknya. Perbandingan ini tidak bisa dilakukan dengan sederhana itu, karena peforma yang diukur menggunakan simulasi didasarkan pada periode waktu yang sangat lama, dalam thesis ini simulasi dilakukan selama satu bulan waktu simulasi atau 720 jam waktu sebenarnya. Kinerja yang diukur dalam system nyata sebaliknya didasarkan pada periode waktu yang singkat, dalam kasus ini penilaian yang dilakukan oleh tim BPPT hanya mengambil data TSD dari bulan Desember saja yang dianggap dapat mewakili kondisi lalu lintas yang terpadat. Kendala kedua, semua kondisi awal system yang mempunyai pengaruh pada peforma system secara umum tidak diketahui pada sistem nyata. 71

26 72 Permasalahan lainnya dalam membuat perbandingan statistical antara sistem nyata dengan model simulasi adalah bahwa peforma yang diukur dalam sistem nyata mungkin merefleksikan banyak elemen atau pengaruh dalam sistem yang dikeluarkan dari sistem. Contohnya ukuran penyimpangan pesawat baik untuk ketinggian maupun kecepatan dimasukkan pengaruh nilai distribusi laplace, tipe pesawat dan jadwal pesawat. Pengaruh ini lebih disukai dikeluarkan dari model simulasi karena pengaruhnya akan konstan untuk sembarang alternative model simulasi yang diharapkan untuk dievaluasi. Untuk membandingan data output sistem, maka diambil hasil pemrosesan data TSD dari menara ATC di bandara Soekarno-Hatta yang ditunjukkan pada tabel4.11 dengan data TSD dari model simulasi yang ditunjukkan pada tabel 4.3 lalu melihat hasil perhitungan Technical Riskpada tabel 4.8. Table 4.11 Tabel hasil perhitungan Hasil perhitungan Sistem nyata Sistem model simulasi Tim BPPT Technical Risk Sistem nyata pada tabel di atas menunjukkan hasil perhitungan Technical Risk dari laporan AAMA dengan data TSD yang diambil dari Bandara Soekarno- Hatta pada bulan Desember Perhitungan ini dilakukan secara independen dengan menggunakan modul CRM, data yang dipakai pada system ini dapat dilihat pada table Pada Sistem model simulasi menunjukkan hasil perhitungan dari aplikasi simulasi STP dengan data TSD yang sama dengan yang 72

27 73 dipakai oleh AAMA, dimana pada simulasi STP data yang dihasilkan dibuat dari input yang diambil dari data TSD sehingga dapat mempresentasikan kondisi lalu lintas penerbangan untuk bulan Desember Dari kepadatan pada bulan itu ditentukan pemakaian data simulasi dengan waktu spawn setiap lima menit yaitu data hasil simulasi pada table 4.8. Untuk Tim BPPT menunjukkan hasil perhitungan yang dilakukan oleh BPPT dengan referensi data TSD dari simulasi. Ketiga perhitungan di atas dilakukan dengan dasar data yang sama yaitu berlandaskan pada traffic bulan Desember Dari hasil perhitungan ini hasil simulasi dinilai valid dengan melihat perbandingan hasil pengukuran tidak lebih besar dari 0.5, dengan asumsi plot distribusi yang digunakan sama dan diambil berdasarkan data yang diperoleh dari bandara Soekarno Hatta yang digunakan oleh ketiga perhitungan di atas. Langkah validasi ke dua yaitu berdasarkan Robert G. Sargent dalam papernya menyatakan bahwa untuk memvalidasi dan memverifikasi suatu simulasi dibutuhkan beberapa tehnik atau bahkan kombinasi dari tehnik tersebut yang dapat ditunjukkan dengan tabel

28 74 Table 4.12Evaluation Table for Conceptual Model Validity Category/Item Technique(s) Justification for Technique Used Reference to Result / Conclusion Confidence Used Supporting Report in Result Teori Animation - Tehnik animation digunakan untuk Gambar 4.7 Animasi menunjukkan Good Asumsi melihat model CRM berjalan saat prilaku representasi lalu Representasi simulasi dilakukan. lintas pesawat terbang. Model Face Validity - Tehnik Face Validity digunakan Sub Bab 4.6 Tim BPPT melihat sistem Good untuk memverifikasi kepada orang simulasi berjalan dengan yang ahli di bidangnya untuk baik melihat apakah system sudah berjalan reasonable. Event Validity - Tehnik Event Validity digunakan Table 4.11 Perbandingan tidak lebih Good untuk melihat apakah kejadian dari 0.5 dalam perhitungan dalam simulasi mendekati kejadian Techical Risk menunjukkan sebenarnya apabila dibandingan hasil simulasi yang baik 74

29 75 dalam aplikasi ini data yang untuk mempresentasikan dibandingkan adalah resiko kondisi penerbangan yang tabrakan. sesungguhnya. Parameter - Tehnik Parameter Variability Gambar 4.1 Parameter distribusi Good Variability digunakan untuk melihat pengaruh Laplace dan Skenario atas input yang diberikan kepada penjadwalan penerbangan model simulasi dan melihat efeknya sangat mempengaruhi terhadap hasil simulasi tersebut. environtment simulasi yang akan dilakukan. Good Historical Data - Tehnik HistoricalData Validation Table Nilai parameter distribusi Validation digunakan sebab data historis Laplace berdasarkan data digunakan sebagai dasar penentuan LHD dinilai mampu parameter simulasi dalam hal ini membantu menciptakan distribusi Laplace. kondisi penerbangan mendekati kenyataan. 75

30 76 Table 4.12 Data sistem nyata CALLSIGN COUNTER AIRCRAFT_TYPE DOF FIXES_NUM FIXES LAT LON ETO AFL 3AMGA F900 12/5/ ELANG AMGA F900 12/5/ BPN AMGA F900 12/5/ AMGA F900 12/5/ DORIA AMGA F900 12/5/ ZCUC AMGA F900 12/5/ PAL AMGA F900 12/5/ DILAM AMGA F900 12/5/ TAPIR AMGA F900 12/5/ TELES AMGA F900 12/5/ GUGUS AMGA F900 12/5/ AMGA F900 12/5/ AMGA F900 12/5/ ZCUE AMGA F900 12/5/ GOBAL AMGA F900 12/5/ AMGA F900 12/5/ GOBIK AMGA F900 12/5/ PNK AMGA F900 12/5/ OMEGA AMGA F900 12/5/ ROTAN