ESTIMASI MODEL KEBUTUHAN TRANSPORTASI BERDASARKAN INFORMASI DATA ARUS LALU LINTAS PADA KONDISI PEMILIHAN RUTE KESEIMBANGAN DISERTASI Karya tulis sebagai salah satu syarat untuk memperoleh gelar Doktor dari Institut Teknologi Bandung Oleh RUSMADI SUYUTI NIM : 35001029 INSTITUT TEKNOLOGI BANDUNG 2006
ABSTRAK ESTIMASI MODEL KEBUTUHAN TRANSPORTASI BERDASARKAN INFORMASI DATA ARUS LALU LINTAS PADA KONDISI PEMILIHAN RUTE KESEIMBANGAN Oleh RUSMADI SUYUTI NIM : 35001029 Masalah-masalah yang timbul di dalam manajemen dan perencanaan transportasi, seperti masalah kemacetan, tundaan, antrian, polusi suara, polusi udara, pemborosan bahan bakar dan waktu serta penurunan tingkat kenyamanan, memerlukan Matriks Asal-Tujuan (MAT) sebagai input utama yang merepresentasikan pola perjalanan pada suatu wilayah perencanaan. Metode untuk mendapatkan MAT dapat dikelompokkan menjadi dua bagian utama, yaitu Metode Konvensional dan Metode berdasarkan data arus lalu lintas (biasanya disebut Metode Tidak Konvensional). Metode konvensional untuk mendapatkan MAT membutuhkan survei yang sangat besar (wawancara rumah tangga dan wawancara tepi jalan), biaya yang sangat mahal, waktu proses yang sangat lama, membutuhkan banyak tenaga kerja serta sangat mengganggu arus lalu lintas yang ada. Sementara itu, metode estimasi MAT berdasarkan data arus lalu lintas yang termasuk kelompok Metode Tidak Konvensional merupakan suatu metode estimasi yang cukup efektif dan ekonomis serta memiliki tingkat kehandalan yang tinggi karena data utama yang dibutuhkannya adalah berupa informasi data arus lalu lintas yang umumnya untuk memperolehnya membutuhkan biaya yang cukup murah, banyak tersedia dan mudah didapat. Untuk itulah dapat dipahami bahwa metode estimasi MAT dengan menggunakan data arus lalu lintas menjadi sangat menguntungkan untuk dipakai. MAT yang dihasilkan dari informasi arus lalu lintas selanjutnya dapat dibedakan menjadi 2 (dua) kondisi yaitu MAT yang ada pada kondisi saat ini dan MAT yang diprediksi untuk menggambarkan kondisi pergerakan di masa mendatang. Estimasi MAT pada kondisi saat ini diperlukan untuk menyelesaikan banyak tugas-tugas di bidang manajemen transportasi. Disamping itu MAT tersebut juga digunakan sebagai input dalam memprakirakan MAT di masa mendatang untuk keperluan perencanaan transportasi. Salah satu cara yang dapat dilakukan untuk memprakirakan MAT masa mendatang adalah dengan memodelkan perilaku lalu lintas atau kebutuhan transportasi di dalam wilayah studi. i
Pada penelitian-penelitian sebelumnya telah dikembangkan metode estimasi model kebutuhan transportasi dengan menggunakan data arus lalu lintas. Penelitian tersebut menggunakan dua jenis model kebutuhan transportasi, yaitu model gravity (GR) dan gravity-opportunity (GO). Metode estimasi yang dikembangkan untuk mengkalibrasi model tersebut dengan data arus lalu lintas adalah: kuadrat-terkecil-tidak-linier (KT), kuadrat-terkecil-tidak-linier-berbobot (KTB), kemiripan-maksimum (KM), Entropi-Maksimum (EM) dan Inferensi- Bayes (IB). Sedangkan jenis model pemilihan rute yang digunakan adalah pemilihan rute all-or-nothing. Pada penelitian tersebut juga dilaporkan hasil sensitifitas akibat pengaruh karakteristik data arus lalu lintas, yang meliputi: penentuan lokasi traffic count terbaik, penentuan jumlah data arus lalu lintas optimum dan pengaruh kesalahan data arus lalu lintas. Tujuan penelitian ini adalah melanjutkan pengembangan metode estimasi model kebutuhan transportasi berdasarkan informasi data arus lalu lintas, dalam meninjau faktor-faktor yang berpengaruh terhadap keakurasian MAT yang dihasilkan dari data arus lalu lintas. Pada penelitian ini ditinjau pengaruh model keseimbangan (equilibrium assignment) sebagai metode dalam menentukan pemilihan rute. Model pemilihan rute tersebut selanjutnya digunakan untuk meninjau pengaruh dari faktor-faktor lain dalam estimasi model kebutuhan transportasi. Model yang dikembangkan selanjutnya di uji dengan menggunakan data buatan sederhana dan data pada kondisi sesungguhnya. Untuk data sesungguhnya digunakan data sistem jaringan jalan dan sistem zona serta parameter lainnya untuk wilayah Kota Bandung dan sekitarnya. Hasil yang diperoleh menunjukkan bahwa MAT hasil estimasi menunjukkan tingkat kesesuaian yang tinggi terhadap MAT hasil pengamatan. Metode uji statistik yang digunakan adalah: Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Normalised Mean Absolute Error (NMAE) dan Koefisien Determinasi (R 2 dan SR 2 ). Hasil penelitian menyimpulkan bahwa model GO selalu menghasilkan arus lalu lintas hasil estimasi yang terbaik. Meskipun demikian hasil yang diperoleh dengan model GO hanya sedikit lebih baik jika dibandingkan dengan model GR. Jika dipertimbangkan beberapa kriteria tambahan, maka secara keseluruhan metode estimasi yang terbaik adalah kombinasi antara model GR dengan metode estimasi KTB. Disamping itu, dari hasil yang diperoleh, penggunaan metode pemilihan rute keseimbangan mempunyai pengaruh yang sangat signifikan jika dibandingkan dengan penggunaan metode all-or-nothing. Pada akhir disertasi disampaikan kesimpulan umum tentang hasil-hasil penelitian yang telah dilakukan. Beberapa kendala yang timbul dalam proses estimasi selama penelitian ini juga diidentifikasi dan beberapa rekomendasi tentang kemungkinan penelitian lanjutan juga diberikan. Kata kunci: model kebutuhan transportasi, arus lalu lintas, model estimasi, model gravity, model pemilihan rute ii
ABSTRACT THE ESTIMATION OF TRANSPORT DEMAND MODEL FROM TRAFFIC COUNT DATA UNDER THE CONDITION OF EQUILIBRIUM ASSIGNMENT By RUSMADI SUYUTI NIM : 35001029 Many problems in transport planning and management tasks, such as: traffic congestion, delay, queue, air pollution and visual intrusion, require an origindestination (O-D) matrix as a fundamental input to represent the travel pattern. The methods of estimating O-D matrices can be divided into two main methods: conventional methods and methods based on traffic counts (usually called unconventional methods). The conventional methods of estimating O-D matrices usually requires large surveys such as home or roadside interviews which are expensive, labour intensive and time disruptive to trip makers. It has been suggested, therefore, that instead of relying on costly and lengthy surveys, more use should be made of low cost data i.e. traffic counts data which are often available, easy to collect and less disruptive to trip makers. O-D matrices can be distinguished between the O-D matrices which currently prevail on a system and those which are forecasted to materialize in the future. Estimates of currently prevailing O-D matrices are required for many transport management tasks and they are also used as an input in forecasting models for planning purposes. Previous researchers have developed the methods of estimating O-D matrices, using traffic counts data in such a way that they can be used also for forecasting trip patterns expected to prevail in the future. One possible way to represent the trip making behaviour within the study area is by employing a transport demand model, described as a function of one or more parameters, that estimates the number of trips during a certain period of time. In the previous researches, two model types of transport demand models were examined, namely: gravity (GR) and gravity-opportunity (GO) models. Five different estimation methods were developed to calibrate these models from traffic count data i.e: non-linear-least-squares (NLLS), weighted-non-linear-leastsquares (WNLLS), Maximum-likelihood (ML), maximum-entropy (ME) and iii
Bayes- Inference (BI). These five estimation methods can be used as basic methods to estimate the parameters of various forms of transport demand models. The type of trip assignment used in the researches is all-or-nothing assignment. A number of tests on the sensitivity of the models to the characteristics of traffic counts i.e: the best location of traffic counts, the optimum number of traffic counts and the impact of the traffic count errors are also reported in the researches. The main objective of this research is to continue the development of methods of estimating transport demand model using traffic counts data, in assessing the influence factors of the estimated O-D matrices accuracy from traffic counts data. In this research, in addition to all-or-nothing assignment, equilibrium assignment model is used as types of the trip assignment methods. The other influenced factors of transport demand model estimation from traffic counts were then tested under the equilibrium conditions. The model approach has been tested using simple artificial data and real data. Road network and zoning system in Kota Bandung is used as special case of the real data. In terms of matrices level, the calibrated models were found to provide good fit. The Goodness-of-fit statistics used to compare the estimated matrices with the observed matrices are Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Normalized Mean Absolute Error (NMAE) and Coefficient of Determination (R 2 and SR 2 ). It was found that the GO model always produced the best estimated flows. However, there are only marginally better than those obtained by the GR model. Taking into account the results of using other criteria, it can be concluded that the best overall model estimation methods are the combination of GR model with WNLLS estimation methods. The use of equilibrium assignment in the trip assignment stage also gave significant impact compared to the use of all-ornothing assignment. Some problems encountered during the research are identified and discussed and a set of recommendations and suggestions for future work is given. General conclusions regarding the applicability of the approach to other environments and its potential for transport demand forecasting and planning are given at the end of the dissertation. Keywords: demand modeling, traffic counts, model estimation, gravity model, trip assignment iv
ESTIMASI MODEL KEBUTUHAN TRANSPORTASI BERDASARKAN INFORMASI DATA ARUS LALU LINTAS PADA KONDISI PEMILIHAN RUTE KESEIMBANGAN Oleh RUSMADI SUYUTI NIM : 35001029 Institut Teknologi Bandung Menyetujui Tim Pembimbing Tanggal:... Pembimbing (Prof. Ir. Ofyar Z.Tamin, MSc(Eng), PhD) Ko Pembimbing I: Ko Pembimbing II: (Prof. Dr. Ir. Abdul Aziz Djajaputra, MSCE) (Dr.Ir. Bambang Sugeng S, DEA) v
PEDOMAN PENGGUNAAN DISERTASI Disertasi Doktor yang tidak dipublikasikan terdaftar dan tersedia di Perpustakaan Institut Teknologi Bandung, dan terbuka untuk umum dengan ketentuan bahwa hak cipta ada pada pengarang dengan mengikuti aturan HAKI yang berlaku di Institut Teknologi Bandung. Referensi kepustakaan diperkenankan dicatat, tetapi pengutipan atau peringkasan hanya dapat dilakukan seizin pengarang dan harus disertai dengan kebiasaan ilmiah untuk menyebutkan sumbernya. Memperbanyak atau menerbitkan sebagian atau seluruh disertasi haruslah seizin Dekan Sekolah Pascasarjana, Institut Teknologi Bandung. vi
Dipersembahkan kepada : Kepada Bapak dan Ibu yang dengan doa yang tiada putus untuk anakmu ini; Kepada istriku, Dik Atiek, dengan cinta & kasihmu yang tulus selalu mendampingiku; Kepada putriku Safira dan putraku Sandi, sengaja sekuat tenaga bapak selesaikan disertasi ini untuk bapak persembahkan agar menjadi manfaat bagi kalian di kemudian hari. vii
UCAPAN TERIMA KASIH/KATA PENGANTAR Terselesaikannya Disertasi ini berkat bimbingan beliau-beliau yang semoga penulis tidak salah menyebutkannya. Dengan rasa terima kasih yang sangat mendalam penulis menyampaikan kepada : Prof. Ir. Ofyar Z. Tamin, MSc(Eng), PhD, sebagai ketua Tim Pembimbing atas segala bimbingan, kritik, saran maupun nasehatnya selama penulis melakukan penelitian dan menyelesaikan disertasi ini. Disamping itu juga atas ijin penggunaan sub-rutin program MOTORS yang digunakan penulis dalam penelitian ini; Prof. DR. Ir. Abdul Aziz Djajaputra, MSCE dan DR.Ir. Bambang Sugeng S, DEA, sebagai anggota Tim Pembimbing dalam penulisan disertasi ini atas segala kesabarannya dalam membimbing, memberikan saran maupun memberikan nasehat selama penulis menyelesaikan disertasi. Terima kasih juga disampaikan kepada Badan Pengkajian dan Penerapan Teknologi (BPPT) atas bantuan beasiswa yang diterima penulis selama pendidikan program doktor ini. Disamping itu juga atas ijin penggunaan perangkat lunak EMME/2 yang digunakan oleh penulis dalam penelitian program doktor ini. Selanjutnya ucapan terima kasih juga ditujukan kepada semua pihak yang tidak memungkinkan penulis sebutkan satu demi satu namun memberikan banyak bantuan sehingga penulis mampu menyelesaikan disertasi ini. viii
DAFTAR ISI ABSTRAK... i ABSTRACT... iii HALAMAN PENGESAHAN... v PEDOMAN PENGGUNAAN DISERTASI... vi HALAMAN PERUNTUKAN... vii UCAPAN TERIMA KASIH / KATA PENGANTAR... viii DAFTAR ISI... ix DAFTAR LAMPIRAN... xiv DAFTAR GAMBAR DAN ILUSTRASI... xv DAFTAR TABEL... xvii DAFTAR SINGKATAN DAN LAMBANG... xxiii Bab I Pendahuluan... 1 I.1 Latar Belakang... 1 I.2 Masalah Penelitian... 5 I.3 Tujuan Penelitian... 11 I.4 Ruang Lingkup Disertasi... 12 I.5 Sistematika Penulisan Disertasi... 15 Bab II Tinjauan Pustaka... 18 II.1 Representasi Daerah Kajian... 18 II.2 Matriks Asal-Tujuan (MAT)... 21 II.3 Metode untuk Mendapatkan MAT... 21 II.3.1 Metode Konvensional... 22 II.3.2 Metode Tidak Konvensional... 27 II.4 Metode Estimasi MAT Berdasarkan Data Arus Lalu lintas... 28 II.5 Model Gravity (GR)... 30 II.5.1 Persamaan Model Gravity... 30 II.5.2 Fungsi Hambatan... 33 II.6 Model Gravity-Opportunity (GO)... 34 II.6.1 Latar Belakang... 34 II.6.2 Definisi... 35 ix
II.6.3 Spesifikasi Fungsi Kesempatan... 37 II.6.4 Struktur Faktor Proporsi... 38 II.6.5 Model GO... 41 II.7 Metode Estimasi... 42 II.7.1 Metode Estimasi Kuadrat-Terkecil (KT)... 42 II.7.2 Metode Estimasi Kemiripan-Maksimum (KM)... 43 II.7.3 Metode Estimasi Inferensi-Bayes (IB)... 46 II.7.4 Metode Estimasi Entropi-Maksimum (EM)... 48 II.8 Penyelesaian Metode Estimasi dengan Metode Newton-Raphson... 52 II.9 Indikator Uji Statistik... 53 II.9.1 Root Mean Square Error (RMSE) dan Deviasi Standar (σ).. 54 II.9.2 Mean Absolute Error (MAE)... 55 II.9.3 Koefisien Determinasi (R 2 dan SR 2 )... 56 II.9.4 Normalised Mean Absolute Error (NMAE)... 57 II.10 Program Komputer dan Prosedur Kalibrasi... 57 II.11 Program Perangkat Lunak EMME/2... 59 II.12 Model Pemilihan Rute... 62 II.12.1 Model All-Or-Nothing... 63 II.12.2 Model Keseimbangan... 63 II.13 Penelitian Yang Telah Dilakukan Berkaitan Dengan Estimasi MAT Berdasarkan Data Arus Lalu Lintas... 66 II.13.1 Estimasi Matriks Asal-Tujuan (MAT)... 66 II.13.2 Estimasi Parameter Model Kebutuhan Transportasi... 70 Bab III Pengembangan Model... 73 III.1 Program Kerja... 73 III.2 Pendahuluan dan Studi Awal... 77 III.3 Input Data... 78 III.4 Pengaruh Karakteristik Data Arus Lalu lintas... 80 III.4.1 Analisis Penentuan Lokasi Traffic Count Terbaik... 80 III.4.2 Analisis Penentuan Jumlah Data Arus Lalu lintas Optimum. 90 III.4.3 Analisis Dampak Kesalahan Pada Data Arus Lalu lintas Terhadap Terhadap Akusari MAT... 95 x
III.5 Pengaruh Model Sebaran Pergerakan... 96 III.5.1 Model Gravity (GR)... 96 III.5.2 Model Gravity-Opportunity (GO)... 113 III.6 Pengaruh Metode Estimasi... 116 III.6.1 Metode Estimasi Kuadrat-Terkecil (KT)... 116 III.6.2 Metode Estimasi Kemiripan-Maksimum (KM)... 117 III.6.3 Metode Estimasi Inferensi-Bayes (IB)... 118 III.6.4 Metode Estimasi Entropi-Maksimum (EM)... 119 III.7 Pengaruh Metode Pemilihan Rute... 120 III.8 Proporsi Pergerakan Antar Zona Dalam Ruas l (p l id )... 123 III.9 Uji Statistik Terhadap Data Arus Lalu Lintas dan MAT... 126 III.10 Pengembangan Program Bantu Untuk Paket Program EMME/2... 126 Bab IV Data Masukan Untuk Implementasi Model... 135 IV.1 Umum... 135 IV.2 Set Data Buatan... 136 IV.2.1 Data Sistem Zona dan Sistem Jaringan Buatan... 137 IV.2.2 Basis Data Program EMME/2 Untuk Data Buatan... 139 IV.3 Set Data Sesungguhnya Untuk Kota Bandung... 140 IV.3.1 Basis Data (Data Base) Program EMME/2... 141 IV.3.2 Sistem Zona... 142 IV.3.3 Sistem Jaringan Jalan... 146 IV.3.4 Karakteristik Ruas Jalan... 147 IV.3.5 Data Bangkitan dan Tarikan Pergerakan... 156 IV.3.6 Proporsi Pergerakan Antar Zona Dalam Ruas l (p l id )... 158 IV.3.7 Arus Lalu lintas Hasil Pengamatan... 159 IV.3.8 Matriks Asal-Tujuan (MAT) Awal... 160 IV.3.9 Biaya Perjalanan (C id )... 161 IV.3.10 Kurva Kecepatan-Arus Dan Biaya-Arus... 162 Bab V Analisis Uji Pemodelan Dengan Menggunakan Data Buatan... 164 V.1 Pendahuluan... 164 V.2 Input Data Buatan... 164 V.3 Pengaruh Karakteristik Data Arus Lalu lintas... 169 xi
V.3.1 Analisis Penentuan Lokasi Traffic Count Terbaik... 169 V.3.2 Analisis Penentuan Jumlah Data Arus Lalu lintas Optimum. 177 V.3.3 Analisis Pengaruh Kesalahan Data Arus Lalu lintas... 181 V.4 Pengaruh Model Sebaran Pergerakan Gravity (GR)... 183 V.4.1 Pengaruh Jenis Model Gravity (Batasan-Bangkitan, Batasan- Tarikan, Batasan-Bangkitan-Tarikan... 185 V.4.2 Pengaruh Fungsi Hambatan (Eksponensial, Pangkat, Tanner) 186 V.5 Pengaruh Model Sebaran Pergerakan Gravity-Opportunity (GO)... 188 V.6 Pengaruh Metode Estimasi... 191 V.7 Pengaruh Metode Pemilihan Rute... 195 V.8 Hasil Analisis Dengan Data Buatan... 201 V.8.1 Pengaruh Karakteristik Arus Lalu lintas... 201 V.8.2 Pengaruh Model Sebaran Pergerakan Gravity (GR)... 202 V.8.3 Pengaruh Model Sebaran Pergerakan Gravity-Opportunity (GO)... 203 V.8.4 Pengaruh Metode Estimasi Parameter Model Kebutuhan Transportasi... 204 V.8.5 Pengaruh Metode Pemilihan Rute... 205 Bab VI Analisis Uji Pemodelan Menggunakan Data Kota Bandung... 207 VI.1 Pendahuluan... 207 VI.2 Input Data Sesungguhnya... 208 VI.3 Pengaruh Karakteristik Data Arus Lalu lintas... 209 VI.3.1 Analisis Penentuan Lokasi Traffic Count Terbaik... 209 VI.3.2 Analisis Penentuan Jumlah Data Arus Lalu lintas Optimum. 217 VI.3.3 Analisis Pengaruh Kesalahan Data Arus Lalu lintas... 223 VI.4 Pengaruh Model Sebaran Pergerakan Gravity (GR)... 225 VI.4.1 Pengaruh Jenis Model Gravity (Batasan-Bangkitan, Batasan -Tarikan, Batasan-Bangkitan-Tarikan)... 226 VI.4.2 Pengaruh Fungsi Hambatan (Eksponensial, Pangkat, Tanner) 228 VI.5 Pengaruh Model Sebaran Pergerakan Gravity-Opportunity (GO)... 230 VI.6 Pengaruh Metode Estimasi... 233 VI.7 Pengaruh Model Pemilihan Rute... 237 xii
VI.8 Hasil Analisis Dengan Data Kota Bandung... 243 VI.8.1 Pengaruh Karakteristik Arus Lalu lintas... 243 VI.8.2 Pengaruh Model Sebaran Pergerakan Gravity (GR)... 244 VI.8.3 Pengaruh Model Sebaran Pergerakan Gravity-Opportunity (GO)... 245 VI.8.4 Pengaruh Metode Estimasi Parameter Model Kebutuhan Transportasi... 246 VI.8.5 Pengaruh Metode Pemilihan Rute... 247 Bab VII Kesimpulan dan Saran... 248 VII.1 Kesimpulan... 248 VII.1.1 Pengaruh Data Arus Lalu lintas... 248 VII.1.2 Pengaruh Model Sebaran Pergerakan Gravity (GR)... 249 VII.1.3 Pengaruh Model Sebaran Pergerakan Gravity-Opportunity (GO)... 250 VII.1.4 Pengaruh Metode Estimasi Parameter Model Kebutuhan Transportasi... 251 VII.1.5 Pengaruh Metode Pemilihan Rute... 252 VII.1.6 Kesimpulan Umum... 253 VII.2 Saran untuk Penelitian Lanjutan... 254 DAFTAR PUSTAKA... 257 LAMPIRAN... 264 DAFTAR RIWAYAT HIDUP... 313 xiii
DAFTAR LAMPIRAN Lampiran A Model Sebaran Pergerakan GR dan GO Dari Data Lalu lintas... 264 Lampiran B Metode Estimasi Parameter Model Kebutuhan Transportasi... 279 Lampiran C Metode Eliminasi Matriks Gauss-Jordan... 283 Lampiran D Kodefikasi Pembagian Zona... 286 Lampiran E Basis Data Jaringan... 288 Lampiran F Perhitungan Data Karakteristik Ruas Jalan... 308 Lampiran G Data Bangkitan Perjalanan... 312 xiv
DAFTAR GAMBAR Gambar I.1 Jaringan sederhana dengan arus lalu lintasnya... 8 Gambar I.2 Model Transportasi Berdasarkan Data Arus Lalu lintas... 12 Gambar I.3 Penelitian Estimasi Model Kebutuhan Transportasi... 13 Gambar I.4 Perbedaan Proses Estimasi Dengan Pemilihan Rute All-Or- Notthing Dan Keseimbangan... 14 Gambar II.1 Sebuah Daerah Kajian Sederhana Dengan Definisnya... 20 Gambar II.2 Metode untuk mendapatkan MAT... 22 Gambar II.3 Diagram Struktural Faktor Proporsi dan Kasus Khususnya... 41 Gambar II.4 Hubungan Antar Modul Di Dalam Program EMME/2... 60 Gambar II.5 Proses Pemilihan Rute Di Dalam Program EMME/2... 61 Gambar III.1 Metodologi Penelitian Secara Umum... 74 Gambar III.2 Metodologi Penentuan Lokasi Data Arus Lalu lintas Terbaik 81 Gambar III.3 Diagram Alir Analisis Penentuan Lokasi Traffic Count Terbaik Seleksi Tahap I... 84 Gambar III.4 Diagram Alir Analisis Penentuan Lokasi Traffic Count Terbaik Seleksi Tahap II... 87 Gambar III.5 Diagram Alir Analisis Penentuan Lokasi Traffic Count Terbaik Seleksi Tahap III... 91 Gambar III.6 Diagram Alir Analisis Penentuan Jumlah Data Arus Lalu Lintas Optimum... 94 Gambar III.7 Diagram Alir Analisis Dampak Kesalahan Data Arus Lalu Lintas... 97 Gambar III.8 Proses Kalibrasi Dengan Menggunakan Model Gravity (GR). 99 Gambar III.9 Proses Kalibrasi Dengan Menggunakan Model Gravity- Opportunity (GO)... 115 l Gambar III.10 Metode Penentuan Matriks p id... 125 Gambar III.11 Kaitan Antara Makro Dengan Modul-modul Di Dalam Program EMME/2... 127 Gambar III.12 Bagan Alir Makro Estimasi Model Kebutuhan Transportasi... 128 Gambar IV.1 Sistem Jaringan dan Zona Data Buatan... 138 xv
Gambar IV.2 Sistem Zona Wilayah Penelitian... 145 Gambar IV.3 Model Sistem Jaringan Jalan... 148 Gambar IV.4 Bangkitan Perjalanan Tiap Zona Di Dalam Wilayah Studi... 159 Gambar IV.5 Garis Keinginan MAT Awal... 161 Gambar V.1 Grafik Hubungan Jumlah Data Lalu lintas Keakurasian MAT (R 2 ) Untuk Data Buatan... 181 Gambar V.2 Hasil Uji Statistik Skenario Kesalahan Data Arus Lalu lintas Dengan Skenario Kesalahan 0%... 183 Gambar V.3 Hubungan Nilai ε dan µ Dengan Fungsi Tujuan (S)... 189 Gambar V.4 Hubungan MAT Hasil Pengamatan dan Hasil Estimasi Metode GO Metode Pemilihan Rute Keseimbangan... 200 Gambar V.5 Hubungan MAT Hasil Pengamatan dan Hasil Estimasi Metode GO Metode Pemilihan Rute All-Or-Nothing... 201 Gambar VI.1 Grafik Hubungan Jumlah Data Lalu lintas Keakurasian MAT Untuk Parameter R 2 Untuk Data Sesungguhnya... 223 Gambar VI.2 Hasil Uji Statistik Skenario Kesalahan Data Arus Lalu lintas Dengan Skenario Kesalahan 0%... 225 Gambar VI.3 Hubungan MAT Hasil Pengamatan dan Hasil Estimasi Metode GO Metode Pemilihan Rute Keseimbangan... 242 Gambar VI.4 Hubungan MAT Hasil Pengamatan dan Hasil Estimasi Metode GO Metode Pemilihan Rute All-Or-Nothing... 242 Gambar VI.5 Hasil Pemilihan Rute Dengan Metode Equilibrium Assignment 243 xvi
DAFTAR TABEL Tabel II.1 Spesifikasi Fungsi Kesempatan... 38 Tabel II.2 Spesifikasi Faktor Proporsi... 40 Tabel II.3 Perangkat Lunak Perencanaan Transportasi Yang Tersedia Di Pasaran... 58 Tabel II.4 Klasifikasi Model Pemilihan Rute... 62 Tabel III.1 Pembobotan Kriteria Pada Analisa Penentuan Peringkat Lokasi Traffic Count... 89 Tabel III.2 Skenario Analisis Penentuan Peringkat... 90 Tabel IV.1 Kondisi Karakteristik Ruas Jalan (Data Buatan)... 139 Tabel IV.2 Basis Data EMME/2 Untuk Data Buatan... 140 Tabel IV.3 Pembagian Zona... 143 Tabel IV.4 Kecepatan Arus Bebas Dasar (FV 0 )... 149 Tabel IV.5 Faktor Penyesuaian Kecepatan Arus Bebas Untuk Lebar Jalur Lalu lintas Efektif (FV w )... 149 Tabel IV.6 Kelas Hambatan Samping Untuk Jalan dalam Kota... 150 Tabel IV.7 Faktor Penyesuaian Kecepatan Arus Bebas Untuk Hambatan Samping (FFV SF ) dan Lebar Bahu... 150 Tabel IV.8 Faktor Penyesuaian Kecepatan Arus Bebas Untuk Hambatan Samping (FFV SF ) dan Jarak Kereb-Penghalang... 151 Tabel IV.9 Faktor Penyesuaian Kecepatan Arus Bebas Untuk Ukuran Kota (FFV CS )... 151 Tabel IV.10 Contoh Perhitungan Kecepatan Arus Bebas... 152 Tabel IV.11 Kapasitas Dasar (C 0 )... 153 Tabel IV.12 Faktor Penyesuaian Kapasitas untuk Lebar Jalur Lalu lintas (FC W )... 153 Tabel IV.13 Faktor Penyesuaian Kapasitas untuk Pemisah Arah (FC SP )... 154 Tabel IV.14 Faktor Penyesuaian Kecepatan Arus Bebas untuk Hambatan Samping (FFV SF ) dan Lebar Bahu... 154 Tabel IV.15 Faktor Penyesuaian Kecepatan Arus Bebas untuk Hambatan Samping (FFV SF ) dan Jarak Kereb-Penghalang... 155 xvii
Tabel IV.16 Faktor Penyesuaian Kecepatan Arus Bebas untuk Ukuran Kota (FFV CS )... 155 Tabel IV.17 Contoh Perhitungan Kapasitas... 155 Tabel IV.18 Contoh Perhitungan Tingkat Perjalanan... 157 Tabel IV.19 Contoh Proyeksi Bangkitan Pergerakan Harian Tahun 1999... 158 Tabel IV.20 Contoh Bangkitan Perjalanan Jam Sibuk 1999... 158 Tabel IV.21 Faktor emp untuk Masing-masing Jenis Kendaraan... 160 Tabel V.1 Matriks Biaya Perjalanan Antar Zona (C id ) Pada Data Buatan 165 Tabel V.2 Bangkitan dan Tarikan Perjalanan Pada Masing-masing Zona 166 Tabel V.3 Matriks Asal Tujuan (MAT) Data Buatan... 166 Tabel V.4 Volume Lalu lintas Awal Pada Jam Sibuk (smp/jam)... 167 Tabel V.5 Volume Lalu lintas Hasil Pengamatan Pada Jam Sibuk (smp/jam)... 168 Tabel V.6 Peringkat Ruas/Lokasi Traffic Count Berdasarkan Seleksi Tahap I Untuk Data Buatan dengan Model Keseimbangan... 171 Tabel V.7 Peringkat Ruas/Lokasi Traffic Count Berdasarkan Seleksi Tahap I Untuk Data Buatan dengan Model All-Or-Nothing... 171 Tabel V.8 Perbadingan Peringkat Ruas/Lokasi Traffic Count Berdasarkan Seleksi Tahap I Untuk Data Buatan dengan Model Keseimbangan dan Model All-Or-Nothing... 172 Tabel V.9 Hasil Seleksi Tahap II (Parameter Hubungan Antar Ruas) Untuk Data Buatan... 173 Tabel V.10 Penentuan Bobot Kuantitatif Kriteria (Quantification of Criteria) Untuk Data Buatan... 175 Tabel V.11 Analisis Penentuan Peringkat Lokasi Traffic Count (seleksi Tahap III) Untuk Data Buatan... 176 Tabel V.12 Peringkat Lokasi Terbaik Terpilih Hasil Tahap III Untuk Data Buatan Buatan... 177 Tabel V.13 Hasil Uji Statistik MAT Model Terhadap MAT Pembanding Metode I... 178 Tabel V.14 Penentuan Lokasi Terbaik Secara Acak (Random) Untuk Data Buatan... 179 xviii
Tabel V.15 Hasil Uji Statistik MAT Model Terhadap MAT Pembanding Model II... 180 Tabel V.16 Hasil Uji Statistik MAT Skenario Kesalahan Terhadap Kesalahan 0%... 182 Tabel V.17 Hasil Estimasi Parameter Model Transportasi Menurut Jenis Model GR... 185 Tabel V.18 Indikator Uji Statistik Untuk Masing-masing Jenis Model GR Dengan Menggunakan Data Buatan Tingkat Arus... 186 Tabel V.19 Indikator Uji Statistik Untuk Masing-masing Jenis Model GR Dengan Menggunakan Data Buatan Tingkat MAT... 186 Tabel V.20 Hasil Estimasi Parameter Model Transportasi Menurut Jenis Fungsi Hambatan... 187 Tabel V.21 Indikator Uji Statistik Untuk Masing-masing Fungsi Hambatan Dengan Menggunakan Data Buatan Untuk Tingkat Arus... 187 Tabel V.22 Indikator Uji Statistik Untuk Masing-masing Fungsi Hambatan Dengan Menggunakan Data Buatan Untuk Tingkat MAT... 187 Tabel V.23 Hasil Estimasi Parameter Model Transportasi Menurut Jenis Model GO... 190 Tabel V.24 Indikator Uji Statistik Untuk Masing-masing Fungsi Kesempatan Dengan Model GO Untuk Tingkat Arus... 191 Tabel V.25 Indikator Uji Statistik Untuk Masing-masing Fungsi Kesempatan Dengan Model GO Untuk Tingkat MAT... 191 Tabel V.26 Hasil Estimasi Parameter Model Transportasi Menurut Jenis Metode Estimasi Pada Kondisi Pemilihan Rute Keseimbangan... 192 Tabel V.27 Indikator Uji Statistik Untuk Masing-masing Fungsi Metode Estimasi Dengan Menggunakan Data Buatan Model GR Untuk Tingkat Arus... 193 xix
Tabel V.28 Indikator Uji Statistik Untuk Masing-masing Fungsi Metode Estimasi Dengan Menggunakan Data Buatan Model GO Untuk Tingkat Arus... 194 Tabel V.29 Indikator Uji Statistik Untuk Masing-masing Fungsi Metode Estimasi Dengan Menggunakan Data Buatan Model GR Untuk Tingkat MAT... 194 Tabel V.30 Indikator Uji Statistik Untuk Masing-masing Fungsi Metode Estimasi Dengan Menggunakan Data Buatan Model GO Untuk Tingkat MAT... 194 Tabel V.31 l Matriks p id untuk l=1 dengan metode pemilihan rute keseimbangan... 196 Tabel V.32 l Matriks p id untuk l=1 dengan metode pemilihan rute all-ornothing... 196 Tabel V.33 Hasil Estimasi Parameter Model Transportasi Menurut Jenis Pemilihan Rute... 197 Tabel V.34 Indikator Uji Statistik Untuk Model GR Dengan Metode Estimasi Kuadrat - Terkecil Untuk Tingkat Arus... 198 Tabel V.35 Indikator Uji Statistik Untuk Model GO Dengan Metode Estimasi Kuadrat - Terkecil Untuk Tingkat Arus... 198 Tabel V.36 Indikator Uji Statistik Untuk Model GR Dengan Metode Estimasi Kuadrat - Terkecil Untuk Tingkat MAT... 198 Tabel V.37 Indikator Uji Statistik Untuk Model GO Dengan Metode Estimasi Kuadrat - Terkecil Untuk Tingkat MAT... 198 Tabel VI.1 Hasil Seleksi Tahap I Dengan Model Keseimbangan... 211 Tabel VI.2 Hasil Seleksi Tahap I Dengan Model All-Or-Nothing... 212 Tabel VI.3 Perbandingan Hasil Seleksi Tahap I Dengan Model Keseimbangan dan Model All-Or-Nothing... 213 Tabel VI.4 Nilai R 2 untuk Setiap Model Seleksi... 214 Tabel VI.5 Hasil Seleksi Tahap II (30 Lokasi Traffic Count Dengan Peringkat Tertinggi)... 216 xx
Tabel VI.6 Contoh Analisis Penentuan Quantification of Criteria (QC) Seleksi Tahap III (30 Lokasi Traffic Count Dengan Peringkat Tertinggi Pada Tahap II)... 218 Tabel VI.7 Contoh Analisis Penentuan Lokasi Traffic Count Terbaik Seleksi Tahap III (30 Lokasi Traffic Count Dengan Peringkat Tertinggi Pada Tahap II)... 219 Tabel VI.8 Hasil Analisis Seleksi Tahap III (30 Lokasi Traffic Count Dengan Peringkat Tertinggi)... 220 Tabel VI.9 Hasil Uji Statistik MAT Model Terhadap MAT Pembanding Metode I... 221 Tabel VI.10 Hasil Uji Statistik MAT Model Terhadap MAT Pembanding Metode II... 222 Tabel VI.11 Hasil Uji Statistik MAT Skenario Kesalahan Terhadap Skenario Kesalahan 0%... 224 Tabel VI.12 Hasil Estimasi Parameter Model Transportasi Menurut Jenis Model GR... 227 Tabel VI.13 Indikator Uji Statistik Untuk Masing-masing Model GR Dengan Menggunakan Metode Estimasi Kuadrat-Terkecil Untuk Tingkat Arus... 228 Tabel VI.14 Indikator Uji Statistik Untuk Masing-masing Model GR Dengan Menggunakan Metode Estimasi Kuadrat-Terkecil Untuk Tingkat MAT... 228 Tabel VI.15 Hasil Estimasi Parameter Model Transportasi Menurut Jenis Fungsi Hambatan... 229 Tabel VI.16 Indikator Uji Statistik Untuk Masing-masing Fungsi Hambatan Untuk Tingkat Arus... 230 Tabel VI.17 Indikator Uji Statistik Untuk Masing-masing Fungsi Hambatan Untuk Tingkat MAT... 230 Tabel VI.18 Hasil Estimasi Parameter Model Transportasi Menurut Jenis Model GO... 231 Tabel VI.19 Indikator Uji Statistik Dengan Menggunakan Model GO Untuk Tingat Arus... 232 xxi
Tabel VI.20 Tabel VI.21 Tabel VI.22 Tabel VI.23 Tabel VI.24 Tabel VI.25 Tabel VI.26 Tabel VI.27 Tabel VI.28 Tabel VI.29 Tabel VI.30 Tabel VI.31 Indikator Uji Statistik Dengan Menggunakan Model GO Untuk Tingat MAT... 232 Hasil Estimasi Parameter Model Transportasi Menurut Jenis Metode Estimasi Pada Kondisi Model GR Batasan- Bangkitan-Tarikan dan Pemilihan Rute Keseimbangan... 234 Indikator Uji Statistik Untuk Masing-masing Metode Estimasi Dengan Menggunakan Model GR Batasan-Bangkitan- Tarikan Untuk Tingkat Arus... 235 Indikator Uji Statistik Untuk Masing-masing Metode Estimasi Dengan Menggunakan Model GR Batasan-Bangkitan- Tarikan Untuk Tingkat MAT... 235 Hasil Estimasi Parameter Model Transportasi Menurut Jenis Model Kebutuhan Transportasi Pada Kondisi Metode Estimasi KTB dan Pemilihan Rute Keseimbangan... 236 Indikator Uji Statistik Menurut Jenis Model Kebutuhan Transportasi Pada Kondisi Metode Estimasi KTB dan Pemilihan Rute Keseimbangan Untuk Tingkat Arus... 236 Indikator Uji Statistik Menurut Jenis Model Kebutuhan Transportasi Pada Kondisi Metode Estimasi KTB dan Pemilihan Rute Keseimbangan Untuk Tingkat MAT... 237 Hasil Estimasi Parameter Model Transportasi Menurut Jenis Pemilihan Rute... 238 Indikator Uji Statistik Untuk Masing-masing Metode Estimasi Dengan Menggunakan Model GR Untuk Tingkat Arus... 239 Indikator Uji Statistik Untuk Masing-masing Metode Estimasi Dengan Menggunakan Model GO Untuk Tingkat Arus... 239 Indikator Uji Statistik Untuk Masing-masing Metode Estimasi Dengan Menggunakan Model GR Untuk Tingkat MAT... 239 Indikator Uji Statistik Untuk Masing-masing Metode Estimasi Dengan Menggunakan Model GO Untuk Tingkat MAT... 239 xxii
DAFTAR SINGKATAN DAN LAMBANG SINGKATAN Nama Pemakaian pertama kali pada halaman ACGR Model gravity jenis dengan-batasan-tarikan 29 BAPPEDA Badan Perencanaan dan Pembangunan Daerah 6 BO Model opportunity jenis gabungan 36 DCGR Model gravity jenis dengan-dua-batasan 29 DLLAJ Dinas Lalu Lintas Angkutan Jalan 6 DO Model opportunity jenis langsung 35 DS Degree of Saturation 80 EO Model opportunity jenis eksponensial 35 GR Model gravity 11 GO Model gravity-opportunity 11 GOF Goodness-Of-Fit 85 IO Model opportunity jenis invers 35 KM Metode estimasi kemiripan-maksimum 11 KM1 Metode estimasi kemiripan-maksimum jenis I 11 KM2 Metode estimasi kemiripan-maksimum jenis II 11 KT Metode estimasi kuadrat-terkecil 11 KTB Metode estimasi kuadrat-terkecil-berbobot 38 KTL Metode estimasi kuadrat-terkecil-linier 38 KTTL Metode estimasi kuadrat-terkecil-tidak-linier 38 KTTLB Metode estimasi kuadrat-terkecil-tidak-linier-berbobot 38 KTU Kuadrat-terkecil-umum 59 KTUTL Kuadrat-terkecil-umum-tidak-linier 63 LO Model opportunity jenis logaritma 35 MAE Mean Absolute Error 49 MAT Matriks-Asal-Tujuan (MAT) 2 MTK Metode Tidak Konvensional 2 MKJI Manual Kapasitas Jalan Indonesia 80 xxiii
NMAE Normalised Mean Absolute Error 49 OP Model opportunity 35 PACGR Model gravity jenis dengan-batasan-bangkitan-tarikan 29 PCGR Model gravity jenis dengan-batasan-bangkitan 29 PJP Pembangunan Jangka Panjang 2 RMSE Root Mean Square Error 49 SMP Satuan Mobil Penumpang 156 SCGR Model gravity jenis satu-batasan 29 UCGR Model gravity jenis tanpa-batasan 29 LAMBANG A B Tarikan pergerakan ke zona B 28 A, B Faktor penyeimbang untuk setiap tujuan perjalanan atau k i k d komoditas jenis k bagi setiap zona asal i dan zona tujuan d 28 b k, α k, β k Parameter model yang tidak diketahui yang harus dikalibrasi untuk setiap tujuan perjalanan atau komoditas k 33 C id Biaya perjalanan dari zona asal i ke zona tujuan d 28 k D d Total pergerakan untuk setiap tujuan perjalanan atau komoditas k yang tertarik ke zona tujuan d 28 i i 1 δ jd, δ jd Transformasi antara [T id ] dan [Z id ] 31 ε, µ Parameter transformasi Box-Cox 33 k f id Faktor proporsi (hasil pengamatan) dari zona asal i ke zona tujuan d, untuk setiap tujuan perjalanan atau komoditas k 28 f k C ) Fungsi hambatan 28 ( id k F ij Faktor proporsi (berurut) dari zona asal i ke zona tujuan ke-j, untuk setiap tujuan perjalanan atau komoditas k 34 k O i Total pergerakan untuk setiap tujuan perjalanan atau komoditas k yang dibangkitkan oleh zona asal i 27 P A Bangkitan pergerakan dari zona A 28 xxiv
l p id Proporsi pergerakan dari zona asal i ke zona tujuan d yang menggunakan ruas jalan l 8 R 2 Koefisien determinasi 50 T id Total pergerakan yang bergerak dari zona asal i ke zona tujuan d di dalam daerah kajian 8 T id, Tˆ id MAT hasil estimasi dan MAT hasil pengamatan 8 k U ip Fungsi kesempatan antara zona i ke zona tujuan ke-p dari zona i untuk setiap tujuan perjalanan atau komoditas k 33 V l, Vˆ l Arus lalu lintas hasil estimasi dan hasil pengamatan pada ruas l 8 X ij,x ij-1 Kumulatif kesempatan dari zona asal i ke zona tujuan ke-j atau ke zona tujuan ke-(j-1) dari zona i 34 Zij MAT berurut dari zona asal i ke zona tujuan ke-j yang semakin menjauh dari zona i 32 [ ] Peubah di dalam kurung dianggap mewakili seluruh set data; contohnya [T id ] mewakili seluruh MAT 40 ^ Digunakan sebagai peubah yang mengidentifikasi hasil pengamatan; contohnyavˆ l 8 L l= 1 K k= 1 Digunakan untuk mengalikan semua peubah yang mempunyai tikalas l, dimulai dari l=1 sampai dengan l=l 40 Digunakan untuk menambahkan semua peubah yang mempunyai tikalas k, dimulai dari k=1 sampai k=k 28 xxv
Bab VII Kesimpulan dan Saran VII.1 Kesimpulan Sebagai kelanjutan dari penelitian-penelitian sebelumnya (Tamin, 1988 dan Tamin et al, 2000), pada penelitian ini telah ditinjau tiap-tiap faktor yang berpengaruh di dalam akurasi estimasi model kebutuhan transportasi dengan data arus lalu lintas. Faktor-faktor pengaruh yang ditinjau adalah sebagai berikut: Pengaruh data arus lalu lintas. Pengaruh data lalu lintas yang ditinjau adalah meliputi: pengaruh lokasi dan jumlah data arus lalu lintas yang digunakan serta pengaruh tingkat kesalahan pada data arus lalu lintas. Pengaruh model kebutuhan akan transportasi. Model kebutuhan akan transportasi yang ditinjau adalah model Gravity (GR) dan Gravity-Opportunity (GO) Pengaruh metode estimasi untuk mengkalibrasi parameter model kebutuhan transportasi. Metode estimasi yang ditinjau adalah meliputi: Kuadrat-Terkecil (KT), Kuadrat-Terkecil-Berbobot (KTB), Kemiripan-Maksimum (KM), Inferensi-Bayes (IB) dan Entropi-Maksimum (EM) Pengaruh metode pemilihan rute. Metode pemilihan rute yang ditinjau adalah metode all-or-nothing dan metode pemilihan rute keseimbangan (equilibrium asignment). Beberapa hal dapat disimpulkan dari penelitian disertasi ini yang terkait dengan masing-masing faktor yang berpengaruh terhadap akurasi MAT yang dihasilkan dari data arus lalu lintas VII.1.1 Pengaruh Data Arus Lalu Lintas Jika ditinjau dari pengaruh data arus lalu lintas yang digunakan, maka beberapa hal yang dapat disimpulkan adalah sebagai berikut: 248
Proses penentuan lokasi traffic count terbaik dilakukan dalam 3 (tiga) tahap seleksi. Seleksi tahap I dilakukan berdasarkan parameter proporsi pergerakan lalu lintas pada tiap ruas jalan ( l p id ). Untuk kondisi kota Bandung diperlukan proses analisis terhadap 125 zona dan 2279 ruas jalan, sehingga total l p id yang dianalisis sebesar 35.609.375 buah. Proses seleksi tahap II dilakukan berdasarkan hubungan antar ruas sedemikian rupa sehingga ruas-ruas yang terpilih akan memenuhi persyaratan teknis serta ekonomis. Proses seleksi tahap III merupakan proses penentuan peringkat ruas/lokasi traffic count dengan memperhatikan berbagai kriteria yang terkait dengan kondisi ruas jalan atau lokasi traffic count yang ada. Berdasarkan hasil analisis untuk kondisi Kota Bandung dan sekitarnya, dari 2.279 ruas jalan yang ada, pada seleksi tahap I terpilih sebanyak 1.916 buah lokasi dengan model keseimbangan (84%). Selanjutnya, pada seleksi tahap II berhasil terpilih sebanyak 1.383 ruas jalan (61% dari total ruas jalan). Hasil seleksi tahap II tersebut selanjutnya dievaluasi kembali peringkat lokasi terbaiknya pada seleksi tahap III (lihat Tabel VI.8). Hasil seleksi urutan/rangking lokasi terbaik traffic count tersebut selanjutnya digunakan untuk menentukan jumlah optimum data arus lalu lintas. Dari 1.383 ruas jalan yang digunakan, sebanyak 500 ruas jalan dianggap sebagai jumlah optimum yang diperlukan untuk menghasilkan MAT berakurasi tinggi. Jumlah tersebut merupakan 36% dari jumlah ruas hasil seleksi lokasi terbaik serta 22% dari total ruas jalan yang ada di Kota Bandung dan sekitarnya (lihat Tabel VI.9). Hasil analisis untuk data Kota Bandung menunjukkan bahwa tingkat kesalahan dalam pengumpulan data arus lalu lintas sebesar ±20% merupakan kesalahan yang dapat ditolerir untuk menghasilkan MAT dengan tingkat akurasi yang cukup tinggi (lihat Tabel VI.11). VII.1.2 Pengaruh Model Sebaran Pergerakan Gravity (GR) Berdasarkan hasil analisis dengan data Kota Bandung dapat diambil beberapa kesimpulan yang terkait dengan pengaruh model sebaran pergerakan GR sebagai 249
berikut: Hasil perbandingan antara tiap jenis model GR menunjukkan bahwa model batasan-bangkitan-tarikan memberikan tingkat kinerja yang terbaik. Hal tersebut ditunjukkan berdasarkan nilai minimum dari fungsi tujuan dari metode estimasi KT. Setelah model batasan-bangkitan-tarikan, urutan selanjutnya adalah model batasan-bangkitan. Model ini kinerjanya lebih baik dibandingkan model batasan-tarikan. Hasil yang diperoleh juga menunjukkan bahwa penggunaan batasan-bangkitan-tarikan mempunyai pengaruh yang signifikan jika dibandingkan dengan batasan-bangkitan dan batasan-tarikan (lihat Tabel VI.14). Hasil perbandingan antara tiap jenis fungsi hambatan model GR menunjukkan bahwa fungsi hambatan Tanner memberikan tingkat kinerja yang terbaik. Hal tersebut ditunjukkan berdasarkan nilai minimum dari fungsi tujuan dari metode estimasi KT. Setelah fungsi Tanner, urutan terbaik selanjutnya adalah fungsi pangkat. Fungsi ini kinerjanya lebih baik dibandingkan dengan fungsi eksponensial-negatif. Kondisi tersebut dimungkinkan karena fungsi Tanner mempunyai parameter yang lebih banyak (α dan β) dibandingkan fungsi eksponensial-negatif dan fungsi pangkat (α) (lihat Tabel VI.17). Berdasarkan hasil-hasil tersebut, maka model GR dengan fungsi Tanner yang dikombinasikan dengan model batasan-bangkitan-tarikan memberikan tingkat kinerja yang terbaik. VII.1.3 Pengaruh Model Sebaran Pergerakan Gravity-Opportunity (GO) Berdasarkan hasil analisis dengan data Kota Bandung dapat diambil beberapa kesimpulan yang terkait dengan pengaruh model sebaran pergerakan GO sebagai berikut: Dalam proses dengan model GO, maka parameter yang harus dihitung nilainya adalah: α, β, ε, µ, Ω dan Φ. Parameter (Ω, Φ) dipilih terlebih 250
dahulu di luar proses kalibrasi, yang merupakan kombinasi antara nilai 0 dan 1. Sehingga terdapat 4 (empat) buah kombinasi parameter Ω dan Φ. Parameter transformasi (ε dan µ) dihitung terlebih dahulu sebelum menentukan parameter α dan β. Parameter ε dan µ berada pada rentang antara 0,0 sampai 1,0 dengan tingkat perbedaan sebesar 0,1. Sehingga akan diperoleh 11 x 11 kombinasi (121 kombinasi) parameter ε dan µ untuk masing-masing metode estimasi. Hasil perhitungan diperoleh kombinasi parameter ε dan µ, untuk suatu nilai α dan β tertentu, yang memberikan fungsi tujuan yang paling optimum. Kombinasi tersebut, yaitu ε=0,9 dan µ=0,1 selanjutnya digunakan sebagai dasar dalam melakukan estimasi parameter α dan β. Hasil perbandingan antara tiap jenis fungsi hambatan menunjukkan bahwa fungsi kesempatan Ω=0 dan Φ=0 memberikan tingkat kinerja yang terbaik. Hal tersebut ditunjukkan berdasarkan nilai minimum dari fungsi tujuan dari metode estimasi Kuadrat-Terkecil-Berbobot. Setelah fungsi kesempatan Ω=0 dan Φ=0, urutan terbaik selanjutnya adalah fungsi kesempatan Ω=1, Φ=1. Fungsi ini kinerjanya lebih baik dibandingkan dengan fungsi kesempatan Ω=1, Φ=0 dan Ω=0, Φ=1. Meskipun demikian perbedaan nilai fungsi tujuan untuk tiap kombinasi nilai Ω dan Φ tidaklah terlalu besar, sehingga setiap kombinasi dapat digunakan untuk proses estimasi (lihat Tabel VI.20). VII.1.4 Pengaruh Metode Estimasi Parameter Model Kebutuhan Transportasi Jika ditinjau dari jenis metode estimasi yang digunakan, maka kesimpulan yang dapat diambil adalah sebagai berikut: Masing-masing metode estimasi (KT, KTB, KM, IB dan EM) menghasilkan parameter β yang nilainya hampir sama antara satu metode dengan metode yang lainnya. Hal tersebut menunjukkan bahwa nilai parameter mempunyai kecenderungan perubahan ke arah yang sama, untuk masing-masing metode estimasi (lihat Tabel VI.23). 251
Pada penggunaan metode estimasi KTB, dapat dilihat bahwa penggunaan model GO menghasilkan tingkat keakurasian yang lebih baik jika dibandingkan dengan penggunaan model GR (lihat Tabel VI.26). Untuk melihat perbandingan tingkat keakurasian antara satu metode estimasi dengan metode estimasi lainnya, untuk metode sebaran pergerakan yang sama, hal tersebut tidak dapat diukur dengan nilai fungsi tujuannya karena masing-masing metode estimasi mempunyai fungsi tujuan yang berbeda. Cara mengukur perbandingan nilai tersebut adalah dengan melihat hasil uji statistik untuk masing-masing metode estimasi baik untuk model GR maupun model GO. Dari hasil uji statistik dapat disimpulkan bahwa untuk model GR, jika digunakan indikator R 2, metode estimasi yang terbaik adalah metode KTB. Sedangkan jika digunakan metode GO, metode estimasi yang mempunyai keakurasian yang paling tinggi adalah metode estimasi KTB. Meskipun demikian perbedaan tingkat akurasi MAT yang dihasilkan antara satu metode estimasi dengan metode estimasi lainnya sangat kecil. VII.1.5 Pengaruh Metode Pemilihan Rute Jika ditinjau dari jenis metode pemilihan rute yang digunakan, maka kesimpulan yang dapat diambil adalah sebagai berikut: Jika dibandingkan dari nilai fungsi tujuan, maka penggunaan metode pemilihan rute keseimbangan jauh lebih baik dari pada penggunaan metode pemilihan rute all-or-nothing. Hal tersebut berlaku untuk model GR maupun GO (lihat Tabel VI.24). Jika dilakukan perbandingan berdasarkan hasil uji statistik, pemilihan rute keseimbangan menghasilkan kinerja yang lebih baik dalam melakukan estimasi parameter model kebutuhan transportasi. Hal tersebut bisa dilihat dari indikator nilai koefisien determinasi (R 2 ). Dari sisi MAT, pada pemilihan rute keseimbangan nilai R 2 yang dihasilkan adalah 0,76 (untuk model GR) dan 0,79 (untuk model GO), sedangkan jika digunakan 252
pemilihan rute all-or-nothing, R 2 yang dihasilkan adalah 0,52 (untuk model GR) dan 0,56 (untuk model GO) (lihat Tabel VI.30 - Tabel VI.31). Berdasarkan faktor-faktor pengaruh yang telah disebutkan sebelumnya, kombinasi yang terbaik dalam melakukan estimasi parameter model kebutuhan transportasi adalah dengan menggunakan model: GO, metode estimasi KTB dan pemilihan rute keseimbangan (equilibrium assignment). Jika digunakan model GR, kombinasi terbaik adalah: model batasanbangkitan-tarikan, fungsi hambatan Tanner, metode estimasi KTB serta pada kondisi pemilihan rute keseimbangan (equilibrium assignment). VII.1.6 Kesimpulan Umum Berdasarkan simulasi berbagai faktor-faktor pengaruh (model kebutuhan transportasi, metode estimasi parameter dan metode pemilihan rute) seperti telah diuraikan di atas, maka model yang menghasilkan tingkat keakurasian paling tinggi adalah metode GO yang dikombinasikan dengan metode estimasi KTB dan metode pemilihan rute keseimbangan (equilibrium assignment). Penggunaan model GO tersebut menghasilkan tingkat keakurasian yang hanya sedikit lebih baik jika dibandingkan menggunakan model GR. Jika digunakan model GR, maka kombinasi terbaik dihasilkan dengan metode estimasi KTB yang dikombinasikan dengan model batasan-bangkitan-tarikan (DCGR) dengan fungsi hambatan perjalanan Tanner. Jika dibandingkan antara tingkat keakurasian yang dihasilkan serta mempertimbangkan kriteria-kriteria lainnya seperti: kompleksitas perhitungan serta lamanya waktu proses menggunakan komputer, maka diusulkan untuk menggunakan model GR sebagai dasar untuk estimasi model kebutuhan transportasi. Dalam hal ini model GR yang diusulkan, dikombinasikan dengan metode estimasi KTB, dengan model batasan-bangkitan-tarikan (DCGR) dan dengan fungsi hambatan perjalanan Tanner. Disamping itu, jika dibandingkan antara penggunaan data buatan dengan data 253
Kota Bandung, dapat disimpulkan bahwa hasil yang diperoleh tidak berbeda terlalu jauh. Hal itu berarti bahwa algoritma yang digunakan dalam data buatan dapat diaplikasikan untuk data sesungguhnya. Model yang dikembangkan ini, secara teoritis, dapat diaplikasikan untuk tempattempat yang lain, baik pada kondisi daerah perkotaan dengan tingkat kemacetan tinggi maupun daerah yang tidak mempunyai masalah kemacetan. Hal tersebut l dilakukan dengan mengaplikasikan nilai p id sesuai dengan jenis pemilihan rute yang digunakan dalam proses pemodelan. VII.2 Saran Untuk Penelitian Lanjutan Beberapa saran untuk penelitian lanjutan adalah sebagai berikut: 1. Penentuan nilai awal parameter (α dan β) Telah dijelaskan pada bagian sebelumnya, bahwa salah satu kelemahan dalam penggunaan metode Newton-Raphson adalah nilai awal parameter yang tidak diketahui. Metode estimasi akan konvergen jika nilai awalnya cukup dekat dengan solusi akhir. Masalah ini bertambah rumit jika terdapat lebih dari satu parameter yang harus dikalibrasi, misalnya melakukan estimasi model GO dengan lebih dari satu tujuan pergerakan. Karena itu, dirasakan perlu pendekatan untuk mendapatkan nilai awal yang baik. Salah satu kemungkinannya adalah dengan mengkalibrasi parameter model dengan menggunakan metode estimasi kuadratterkecil-tidak-linier (KT) sejak awal. Hasilnya kemudian digunakan sebagai nilai awal untuk metode estimasi yang telah dijelaskan. Disamping itu, solusi metode estimasi dengan metode Newton-Raphson adalah mencapai kondisi lokal optimum, dimana nilai optimum fungsi tujuan akan tergantung pada nilai awal yang digunakan. Untuk itu dirasa perlu untuk mengkaji metode yang dapat digunakan untuk mencapai kondisi global optimum, dimana berapapun nilai awal suatu parameter, akan mencapai konvergensi pada suatu nilai yang sama. 254
2. Upaya untuk memasukkan parameter ε dan µ dalam proses kalibrasi Telah dijelaskan bahwa nilai parameter Box-Cox (ε dan µ) dari model GO ditentukan secara terpisah di luar proses kalibrasi. Hal ini cukup merepotkan karena membutuhkan proses kalibrasi yang berulang-ulang sehingga waktu proses komputer semakin lama untuk mendapatkan nilai parameter yang diinginkan. Karena itu diusulkan untuk memasukkan parameter tersebut ke dalam proses kalibrasi. Beberapa modifikasi dalam proses kalibrasi utama dibutuhkan dengan mengasumsikan bahwa parameter tersebut tidak diketahui dan dikalibrasi dengan proses yang sama dengan proses kalibrasi parameter lainnya. 3. Penelitian dengan model transportasi lain Telah dijelaskan bahwa tingkat ketepatan MAT tergantung pada pemilihan model transportasi yang digunakan untuk mencerminkan perilaku pergerakan di dalam daerah kajian. Dalam penelitian ini pekerjaan ditekankan pada penggunaan model jenis GR dan GO. Terlihat bahwa perilaku pergerakan di daerah tertentu mempunyai karakteristik tertentu dan perilaku ini dapat dinyatakan dengan baik dengan model transportasi tertentu. Karena itu, dirasakan perlu untuk mencoba penggunaan metode estimasi dengan bentuk model lain, misalnya model kebutuhan-langsung untuk mendapatkan alat untuk menyatakan perilaku pergerakan yang lebih baik. Tetapi, model yang lebih umum biasanya mempunyai jumlah parameter yang lebih banyak sehingga membutuhkan waktu komputer yang lebih lama dan mungkin membutuhkan informasi lebih banyak. Untuk model pemilihan rute, pada disertasi ini yang ditinjau pengaruhnya adalah metode all-or-nothing dan metode keseimbangan. Pengembangan lebih lanjut diperlukan untuk mengkaji metode pemilihan rute yang mempertimbangkan efek stokastik, yaitu model Keseimbangan Pengguna Stokastik (KPS). Disamping itu, kondisi keseimbangan yang digunakan dalam disertasi ini adalah kondisi keseimbangan pada sistem jaringan jalan. Untuk pengembangan lebih lanjut perlu ditinjau kondisi keseimbangan jaringan multimoda, dimana ditinjau pengaruh 255