ESTIMASI PARAMETER BILANGAN FUZZY SEGITIGA UNTUK MODEL PEMBEBANAN LALULINTAS FUZZY

Konferensi Nasional Teknik Sipil 4 (KoNTekS 4) Sanur-Bali, 2-3 Juni 2010

ESTIMASI PARAMETER BILANGAN FUZZY SEGITIGA UNTUK MODEL PEMBEBANAN LALULINTAS FUZZY Nindyo Cahyo Kresnanto1, Ofyar Z. Tamin2 dan Russ Bona Frazila3 1

Staf Pengajar, Program Studi Teknik Sipil, Fak. Teknik, Universitas Janabadra, Jl. Tentara Rakyat Mataram 57 Yogyakarta Telp/Fax: (0274)543676, email: [email protected] 2 Staf Pengajar, Sekolah Pascasarjana, Program Studi Teknik Sipil, Fak. Teknik Sipil dan Lingkungan, Institut Teknologi Bandung, Jl. Ganesa No.10 Bandung Telp/Fax: (022) 2502350, email: [email protected] 3 Staf Pengajar, Sekolah Pascasarjana, Program Studi Teknik Sipil, Fak. Teknik Sipil dan Lingkungan, Institut Teknologi Bandung, Jl. Ganesa No.10 Bandung Telp/Fax: (022) 2502350, email: [email protected]

ABSTRAK Dalam metode pembebanan lalulintas yang mempertimbangkan perbedaan persepsi (efek stokastik) tentang biaya perjalanan, metode lama banyak menggunakan pendekatan probabilistik (Model Burrell, Kusdian, Keseimbangan Stokatik). Disisi lain metode fuzzy yang memliki kemampuan dalam menterjemahkan informasi yang bersifat informasi linguistik juga mulai banyak dikembangkan untuk mengatasi masalah perbedaan persepsi ini. Model pembebanan lalulintas dengan pendekatan fuzzy menggunakan himpunan fuzzy untuk menyatakan biaya perjalanan pada setiap ruas sebagai input modelnya. Dengan mengetahui beberapa set data volume lalulintas pengamatan, parameter biaya perjalanan ini dapat diestimasi untuk mendapatkan model biaya perjalanan fuzzy terbaik. Pada makalah ini dicoba mengestimasi parameter bilangan fuzzy untuk model pembebanan lalulintas pada kondisi batasan kapasitas. Metode estimasi yang digunakan adalah metode newton-raphson. Hasil uji model diperlihatkan dengan konvergensi nilai paramater pada satu nilai tertentu. Kata kunci: Model Pembebanan Lalulintas Fuzzy, Model Estimasi, Bilangan Fuzzy

1.

PENDAHULUAN

Ketidak-tentuan adalah merupakan bagian tidak terpisahkan dalam menganalisis sistem transportasi. Prilaku manusia, yang menjadi fokus utama dalam analisis transportasi, mempunyai banyak variasi yang perlu dipertimbangkan. Secara konvensional, dalam rekayasa dan perencanaan transportasi, aspek ketidak-tentuan ini sering diabaikan/disederhanakan atau dipertimbangkan dengan satu paradikma pendekatan yaitu teori probabilitas (Kikuchi, 2005). Khusus dalam Model Pembebanan Jaringan yang merupakan model terakhir dari rangkaian Model Perencanaan Transportasi Empat Tahap (MPTEP), faktor utama ketidak-tentuan persepsi pengguna terhadap biaya perjalanan, biasa dimodelkan dalam kerangka teori probabilitas dengan menggunakan model utilitas acak (random utility model). Inokuchi (2002) mengatakan bahwa pendekatan ini kurang realistik karena tidak mungkin menyatakan biaya perjalanan secara akurat dengan pendekatan human recognition jika menggunakan model utilitas acak (random utility model). Pemecahan masalah model pembebanan jaringan dengan metode Sistem Fuzzy dikatakan lebih realistik, karena pada kenyataannya permasalahan transportasi (terutama pembebanan jaringan) lebih bersifat real-life, tidak-pasti, subyektif, dan tidak-teliti (imprecise). Sebagai contoh: ketika kita melakukan perjalanan, kita mengatakan bahwa waktu perjalanan dari A ke B “sekitar 10 menit”. Terlihat bahwa informasi yang bersifat linguistik “sekitar” merupakan faktor yang bersifat tidak dapat diukur dengan tepat (mempunyai rentang nilai tertentu). Permasalahan utama selanjutnya dalam model pembebanan fuzzy adalah menentukan parameter rentang nilai yang tepat sehingga hasil model pembebanan bias sesuai dengan kondisi nyata. Pemecahan masalah selanjutnya didiskusikan dalam model estimasi parameter bilangan fuzzy untuk pembebanan lalulintas. Dalam makalah ini, pembabanan fuzzy dikembangkan dari model pembebanan berulang dengan biaya ruas fuzzy.

2.

MODEL PEMBEBANAN LALULINTAS

Pemodelan pemilihan rute dibuat untuk tujuan menentukan jumlah pergerakan yang berasal dari zona asal i ke zona tujuan d dengan menggunakan rute r (Tidr) dari jumlah total pergerakan yang terjadi antara setiap zona asal i ke zona

Universitas Udayana – Universitas Pelita Harapan Jakarta – Universitas Atma Jaya Yogyakarta

I - 349

Nindyo Cahyo Kresnanto, Ofyar Z. Tamin dan Russ Bona Frazila

tujuan d (Tid). Konsep pemodelan pemilihan rute pada sudut pandang analisis jaringan adalah analisis kebutuhansediaan sistem transportasi (pembebanan). Setiap model mempunyai tahapan yang harus dilakukan secara berurutan. Fungsi dasarnya adalah: •

mengidentifikasi beberapa set rute yang akan diperkirakan menarik bagi pengendara; rute ini disimpan dalam struktur data yang disebut pohon; oleh sebab itu, tahapan ini disebut tahap pembentukan pohon.

•

membebankan segmen MAT ke jaringan jalan yang menghasilkan volume pergerakan pada setiap ruas jalan.

3.

MODEL PEMBEBANAN LALULINTAS FUZZY

Biaya Perjalanan Fuzzy Biaya perjalanan ruas fuzzy dikembangkan berdasarkan biaya perjalanan ruas aktual dengan mempertimbangkan faktor error untuk penentuan batas bawah (under-bound) dan batas atas (upper-bound) nya. Biaya perjalanan ruas dinyatakan dalam himpunan fuzzy untuk menggambarkan dugaan pelaku perjalanan terhadap biaya tersebut. Dugaan terhadap biaya perjalanan sering dinyatakan secara liguistik sebagai: “sekitar t menit” atau “antara t1 sampai t2 menit” Pernyataan kondisi “sekitar”, “antara”, atau “kira-kira” dinyatakan dalam rentang nilai biaya perjalanan yang mempunyai batas bawah (lower-bound) dan batas atas (upper-bound) dan selanjutnya disebut dengan himpunan fuzzy “sekitar t menit” atau “antara t1 sampai t2 menit” atau bilangan fuzzy. Dari berbagai macam kemungkinan tipe bilangan fuzzy, dalam penelitian desertasi ini digunakan tipe bilangan fuzzy segitiga L-R (L-R triangular fuzzy number) seperti pada Gambar 1.

µ R (x) x−L M −L

R−x R−M

Gambar 1. Bilangan fuzzy segitiga L-R untuk biaya perjalanan ruas M adalah biaya aktual hasil perhitungan pemodel, L dan R didefinisikan merupakan fungsi dari γ (paramater yang harus dikalibrasi) sebagai persamaan 1. ~ (1) t a ( x a ) = t a ( x a ) ± ε~a [t a ( x a )] ~ dengan t a ( x a ) = biaya ruas fuzzy, t a ( x a ) = biaya ruas aktual, ε~a [t a ( x a )] = t a ( x a ).(1 + γ ) , dan yang harus dikalibrasi

γ=

parameter

Contoh (Gambar 2) jika terdapat sebuah biaya ruas fuzzy a (sekitar a) maka secara matematis dapat didefinisikan sebagai: 1 a

Derajat keanggotaan

0

t a ( xa ).(1 − γ )

t a ( xa )

t a ( x a ).(1 + γ )

x (Biaya Ruas)

Gambar 2. Biaya ruas fuzzy a

I - 350


Estimasi Parameter Bilangan Fuzzy Segitiga Untuk Model Pembebanan Lalulintas Fuzzy

Fuzzy Shortest Path Dalam sebuah jaringan deterministik, rute terpendek dari sebuah titik asal ke sebuah titik tujuan akan berupa rute tunggal dengan biaya minimum. Dalam situasi fuzzy, dengan menggunakan biaya-fuzzy sebagai biaya rutenya, kita tidak dapat menentukan sebuah rute tunggal yang dapat dinyatakan sebagai rute terpendek. Sebagai ilustrasi dapat dilihat pada Gambar 3. p, q, r adalah tiga buah rute dengan masing-masing biaya rute τp, τq, dan τr dalam biayarute-fuzzy. Secara intuisi, terlihat jelas bahwa rute p dan q lebih ”cepat” dari rute r. Tetapi untuk rute p dan q, kita tidak dapat mengatakan secara mutlak bahwa rute p lebih ”cepat” dari rute r. Alasannya karena ∃t p ∈ Supp (τ p ) dan ∃t q ∈ Supp (τ q ) sedemikian sehingga t p > t q (Ban et al, 2004).

Gambar 3. Ilustrasi rute optimum fuzzy (fuzzy shortest path) (Ban et al 2004) Dalam kasus fuzzy tersebut, rute terpendek tidak dapat secara langsung ditetapkan, karena jika biaya ruas didefinisikan menggunakan biaya-ruas-fuzzy maka kemungkinan rute terpendek akan lebih dari satu rute. Blue dkk (1997) telah mengembangkan algoritma dasar untuk menentukan rute terpendek dalam kasus fuzzy. Asumsi dasar yang digunakan adalah: 1. 2. 3.

Tidak ada dominasi rute tercepat. Biaya ruas dinyatakan dalam Fuzzy-Number (Bilangan Fuzzy). Rute tercepat diurutkan berdasarkan rangking.

Pembebanan Lalulintas Fuzzy Secara garis besar Model Pembebanan Fuzzy merupakan pengembangan model pembebanan berulang dengan metode Method of Successive Average (Gambar 4): (1). Input biaya perjalanan berupa biaya perjalanan fuzzy, (2). Pemilihan rute dengan metode Fuzzy-Shortest-Path (Gambar 5), dan (3). Mempertimbangkan batasan kapasitas.

Gambar 4. Model Pembebanan Fuzzy


I - 351


Gambar 5. Algoritma Fuzzy-Shortest-Path

4.

METODE ESTIMASI KUADRAT TERKECIL

Tamin (2000) menjelaskan bahwa ide dari metode ini adalah mengkalibrasi parameter yang tidak diketahui dengan meminimumkan jumlah perbedaan atau deviasi kuadrat antara arus lalu lintas hasil estimasi dengan arus lalu lintas hasil pengamatan. Fungsi obyektif dari metode estimasi kuadrat terkecil untuk data arus lalu lintas adalah sebagai berikut: Minimumkan S =

1 ∑ V& (V l



l

l

2 − Vˆl  

)

(2)

Dengan V&l = 1 untuk Kuadrat-Terkecil-Tidak-Linier (KTTL), V&l = Vˆl untuk Kuadrat-Terkecil-Tidak-Linier-Berbobot (KTTLB), Vˆl = jumlah arus lalu lintas pada ruas hasil pengamatan, dan Vl = jumlah arus lalu lintas pada ruas hasil pemodelan.

5.

MODEL ESTIMASI PARAMETER PEMBEBANAN LALULINTAS FUZZY

Dalam makalah ini biaya ruas fuzzy yang akan digunakan adalah: Fuzzy Triangular Number (Bilangan fuzzy segitiga) dengan Upper − Bound = M .(1 + γ ) dan Under − Bound = M .(1 + γ ) . Digunakan bilangan fuzzy segitiga simetris sehingga derajat keanggotaan dalam himpunan bilangan fuzzy tersebut dapat didefinisikan dengan persamaan:

µ k ( SP ) = 1 −

(t k − t SP ) (t k − UndK ) + (UppSP − t SP )

(3)

dengan µ k (SP ) = keanggotaan dari rute k dalam shortest paths, t k = biaya perjalanan aktual rute k, t SP = biaya perjalanan aktual rute shortest path, UndK = batas bawah (under bound) biaya perjalanan rute k, dan UndSP = batas atas (upper bound) biaya perjalanan rute shortest path. Mempertimbanglan persamaan Under-Bound dan Upper-Bound seperti pada persamaan (1), persamaan (3) dapat dituliskan kembali sebagai:

I - 352



µ k ( SP ) = 1 −

(t k − t SP ) (γ .t SP + γ .t k )

(4)

Fungsi tujuan untuk estimasi parameter dalam fuzzy-travel-cost sebagai masukan untuk model pembebanan lalulintas dengan batasan kapasitas dengan Metode Kuadrat Terkecil adalah: Meminimasi S =

1 ∑ V& (V k



(n) k

k

2 − Vˆk  

)

dengan V&k = 1 untuk Kuadrat-Terkecil-Tidak-Linier (KTTL), = jumlah arus lalu lintas pada ruas hasil pengamatan rute k, V k( n ) = jumlah arus lalu lintas pada ruas hasil pemodelan rute k, dalam n iterasi. Untuk menghasilkan parameter γ yang uniq dari model fuzzy-travel-cost dengan meminimasi persamaan dengan metode Newton-Rapshon. ∂S = ∂γ ∂2S = ∂γ 2

∑

∑ k

k

1  V&k

2  V&k 

  = 0 

 ∂V k(n ) ( n) 2 V k − Vˆk ∂γ 

(

)

(5)

 ∂V (n )  2 ∂ 2V k( n )  k  + V k( n ) − Vˆk   ∂γ 2   ∂γ  

(

)

(6)

V k( n ) = ∑ ∑ ∑ ((1 − φ )V idkm ( n −1) + φF idkm ( n ) ) i

d

(7)

m

km ( n −1) id

km ( n ) id

Dengan V = Arus = Arus lalulintas dari zona asal i ke zona tujuan d di ruas k, rute -m, iterasi ke n-1, F lalulintas hasil pembebanan dari zona asal i ke zona tujuan d di ruas k, ruta-m, iterasi ke n, φ = 1/n (Method of Successive Average) Persamaan-persamaan selanjutnya diturunkan sebagai berikut: 2 1    S = ∑  ∑∑∑ ((1 − φ )V idkm ( n −1) + φFidkm ( n ) ) − Vˆk   & k V k  i d m    (n) 2  ∂S  ∂V = ∑   ∑∑∑ ((1 − φ )V idkm ( n −1) + φFidkm ( n ) ) − Vˆk  k ∂γ k   ∂γ V&k  i d m

∂2S = ∂γ 2

∑ k

2  V&k

 ∂V ( n ) k   ∂γ

2

   +   

∑∑∑ ((1 − φ )V i

d

m

km ( n −1) id

  

2 (n)  ∂ V k + φFidkm ( n ) ) − Vˆk  2  ∂γ

 ∂F km ( n ) ∂V k( n ) = φ ∑∑∑  id ∂γ ∂γ i d m 

  

  

 ∂ 2 Fidkm ( n ) ∂ 2V k( n )  φ = ∑∑∑ ∂γ 2 ∂γ 2 i d m 

  


I - 353


2     ∂µ m ( SP )  1 + 2    µ exp ( ( SP ) )  m 2 ∑   ∂γ     m   ∑ (exp(µ m ( SP ) ))   m    km ( n ) 2     ∂ F id ∂µ ( SP )  ∂µ m ( SP )  1  = F idk ( n ) − 2 k exp(µ m ( SP ) ) − ∑  2 ∂γ ∂γ ∂γ   ∑ (exp(µ m ( SP ) ))  m    m 2   (t k − t sp ) ( t t ) − k sp 2 2 − 2  t t t t ( + ) + ( + ) k sp k sp   (γt k + γt sp ) 3 (γt k + γt sp ) 4     2  (t m − t sp )  (t m − t sp ) − ∑ 2 (t m + t sp ) 2 exp(µ m ( SP ) ) + (t m + t sp ) 2 exp(µ m ( SP ) ) 3 4 (γt m + γt sp )  m   (γt m + γt sp )

∂Fidk ( n )  k ( n ) ∂µ k ( SP )  k (n) = Fid  − Fid ∂γ ∂γ  

 (exp(µ m ( SP ) ))  1

∑

 ∂µ m ( SP )  exp(µ m ( SP ) ) ∂γ 

∑  m

m

Fidkm ( n ) = Tid

exp( µ k ( SP ))

∑ exp( µ

m

( SP ))

(hasil dari proses pembebanan)

m

(t k − t SP ) ∂ µ k ( SP ) 2 = −2(t k − t SP ) 2 ∂γ (γ .t SP + γ .t k )3 2

∂ 2 µ m ( SP ) = −2 ∂γ 2



∑  (t m



m

− t SP )

(t

2

(γ .t

m

− t SP ) + γ .t m )

3

SP

   

(t k − t SP ) ∂µ k ( SP ) = (t k + t SP ) ∂γ (γ .t SP + γ .t k )2 ∂µ m ( SP ) = ∂γ

µ k ( SP ) = 1 −

6.



∑ (t m



m

+ t SP )

(t (γ .t

m

SP

− t SP ) + γ .t m )

2

  

( t k − t SP ) (keanggotaan/membership rute) (γ .t SP + γ .t k )

DATA BUATAN DAN PROSES UJI COBA MODEL

Data Buatan Untuk Uji Model Untuk uji model menggunakan data sistem zona dan jaringan buatan yang terdiri dari 6 zona dan 15 ruas dua arah seperti pada Gambar 6.

I - 354



902

Link with num of link

2

1002

2,2 5

5

7 11

1

8 21

Centroid

903

4

4

3515

4

27 18

14 26

22 13

4

31 9

3 A

4

5

Centroid connector

12 17

2

Link cost

4

5

5

40 19

5

4 37 28

24 36

32 23

901 33 38

6

29 41

4

39 42

7

5

1001

4

8

5

904

Gambar 6. Sistem zona dan jaringan data buatan Karakteristik setiap ruas terutama data volume pengamatan ( Vˆl ) dapat dilihat pada Table 1. Volume pengataman dibangun berdasarkan data volume hasil model ( V& ) dengan menggunakan γ = 1 dan diberikan faktor error ±10%. l

Tabel 1. Karakteristik system jaringan data buatan Link Num 7 9 11 12 13 14 15 17 18 19 20 21 22 23 24

inode

jnode

cost

1 1 2 2 2 2 2 3 3 3 4 4 4 4 4

2 6 1 3 4 5 7 2 5 8 9 1 2 6 7

5 5 5 5 4 4 5 5 4 5 1 4 4 4 4

Vmodel (γ =1) 65 32 48 200 461 290 196 350 394 134 719 59 361 233 306

Vobserved 70.00 33.00 53.00 209.00 471.00 318.00 207.00 374.00 425.00 145.00 737 54.00 332.00 225.00 303.00

Error ±10% 7.69 3.13 10.42 4.50 2.17 9.66 5.61 6.86 7.87 8.21 2.50 -8.47 -8.03 -3.43 -0.98

Link Num 26 27 28 29 31 32 33 35 36 37 38 39 40 41 42

inode

jnode

cost

5 5 5 5 6 6 6 7 7 7 7 7 8 8 8

2 3 7 8 1 4 7 2 4 5 6 8 3 5 7

4 4 4 4 5 4 5 5 4 4 5 5 5 4 5

Vmodel (γ=1) 386 269 527 109 43 243 221 243 343 455 253 156 95 114 190

Vobserved 349.00 243.00 489.00 99.00 40.00 240.00 202.00 239.00 319.00 453.00 247.00 169.00 97.00 123.00 204.00

Error ±10% -9.59 -9.67 -7.21 -9.17 -6.98 -1.23 -8.60 -1.65 -7.00 -0.44 -2.37 8.33 2.11 7.89 7.37

Proses Uji Model Proses estimasi dimulai dengan membebankan sejumlah kebutuhan transportasi tertentu (Tid) pada jaringan jalan fuzzy (jaringan jalan dengan biaya ruas fuzzy) dengan parameter bilangan fuzzy γ = 1. Selanjutnya arus hasil pembebanan dengan penambahan faktor error 10% dijadikan sebagai arus hasil pengamatan. Model dijalankan dengan variasi beberapa nilai γ. Iterasi dilakukan sampai nilai γ mendekati nilai γ pembentuk model = 1 (Gambar 7)


I - 355


Mulai

A

Input: Tid dan γ = 1.00

Estimasi Model Bilangan Fuzzy Estimasi MAT dengan variasi nilai γ

Pembebanan Pergerakan (dengan γ = 1) ArusHasil Pembebanan (Untuk setiap ruas jalan)

PLOT GRAFIK Konvergensi nilai γ Nilai γ akhir harus kembali ke γ pembentuk set model

Arus Hasil Pembebanan dengan 0% Error Dispersion sebagai Arus Pengamatan

Selesai

A

Gambar 7. Proses estimasi model pembebanan lalulintas fuzzy

7.

HASIL UJI COBA MODEL

Dalam makalah ini, pengembangan model estimasi baru sampai pada tahap validasi dan uji coba model dalam data buatan sederhana. Hasil uji model diperlihatkan dengan nilai konvergensi γ terhadap nilai fungsi tujuan S. Semakin nilai γ mendekati nilai γ yang diharapkan yaitu 1, maka nilai fungsi tujuan S akan mendekati 0 (Gambar 8). Nilai γ sudah mendekati konvergen pada γ = 0,4. 1000000

fS

900000

800000

700000

600000 500000

400000

300000 200000

100000

1

0.96

0.92

0.88

0.8

0.84

0.76

0.72

0.68

0.6

0.64

0.56

0.52

0.48

0.4

0.44

0.36

0.32

0.28

0.2

0.24

0.16

0.12

0.08

0

0.04

0

Gambar 8. Grafik hubungan γ dengan S Gambar 9 memperlihatkan hubungan Vmodel dengan Vpengamatan pada beberapa nilai γ. Semakin nilai γ mendekati nilai 1 makan nilai R2 akan semakin mendekati 1. Hal ini menunjukkan bahwa model telah dapat menghasilkan nilai parameter fuzzy-travel-cost untuk masukan model pembebanan fuzzy yang dapat mengahasilkan volume hasil estimasi yang mendekati volume pengamatan.

I - 356


900

Vmodel

Vmodel


y = 1.1832x - 114.41 R2 = 0.7669 800

900 y = 1.1833x - 112.02 R2 = 0.7741 800

700

700

600

600

500

500

400

400

300

300

200

200

100

100

0

0

0

100

200

300

400

500

600

700

800

900

0

100

200

300

400

500

600

700

V ob served

γ=0

900

γ = 0,05

900

Vmodel

Vmodel

800

V ob served

y = 1.0236x - 16.872 R2 = 0.98

800

900 y = 0.9934x + 2.8745 R2 = 0.9925 800

700

700

600

600

500

500

400

400

300

300

200

200

100

100

0

0 0

100

200

300

400

500

600

700

800

900

0

100

200

300

400

γ = 0,5

500

600

700

800

900

V observed

V ob served

γ = 1,0

Gambar 9. Grafik hubungan Vmodel dan Vobserved pada beberapa nilai γ

8.

KESIMPULAN DAN SARAN

Dari uji pada data buatan sederhana dapat diambil beberapa kesimpulan tentang model estimasi parameter bilangan fuzzy segitiga untuk model pembebanan lalulintas fuzzy sebagai berikut: 1.

Model telah dapat menghasilkan nilai γ (parameter bilangan fuzzy segitiga) mendekati kondisi konvergen mulai dari 0,4 sampai dengan 1. Diperlihatkan dengan gambar 8, perubahan nilai S yang mulai landai pada nilai γ = 0,4 menuju γ = 1. Ada titik optimum nilai γ.

2.

Uji statistik R2 pada Vmodel dengan Vobserved memperlihatkan nilai R2 pada g = 0,5 mempunyai kecenderungan sama dengan R2 pada γ = 1. Dapat disimpulkan ada sebuah nilai optimum γ tertentu.

Beberapa saran untuk penelitian lanjutan dapat diberikan sebagai berikut: 1.

Perlu dilakukan tinjauan terhadap jenis-jenis bilangan fuzzy yang lain.

2.

Setelah didapatkan nilia parameter bilangan fuzzy γ, perlu dikaji atau dibandingkan dengan model pembebanan lain seperti equilibrium atau pembebanan yang mempertimbangkan efek stokastik

3.

Perlu diujicobakan pada jaringan yang lebih komplek.

DAFTAR PUSTAKA Akiyama, T., dan Kawahara, T. (1997), Traffic assignment model with fuzzy travel time information. In 9th mini EURO Conf.: Fuzzy sets in Traffic and Transport Systems, Budva, Yugoslavia, September 1997.


I - 357


Akiyama, T., dan Tomoko, N. (1998), The Proposal Of Fuzzy Traffic Assignment Models, Proceedings of the Eastern Asia Society for Transportation Studies, Vol. 3, No. 6, pp. 263-277. Akiyama, T., dan Tsuboi, H. (1999), Description of Route Choice Behaviour by Fuzzy Neural Network, Research Report of The Faculty of Engineering Gifu University, No. 49, pp. 27-38. Ban, X., Liu, H.X., Hu, B., He, R., dan Ran, B., (2004), Traffic Assignment Model With Fuzzy Travel Time Perceptions, 83rd Annual Meeting of the Transportation Research Board. Benetti, M., dan Marco, D.M. (2002), Traffic Assignment Model With Fuzzy Travel Cost, 13th Mini - EURO Conference and 9th Meeting of the Euro Working Group on Transportation June 10-13, Bari - Italy. Blue, M., Bush, B., dan Puckett, J. (1997), Applications of Fuzzy Logic to Graph Theory, Los Alamos National Laboratotry. Burrell, J.E. (1968), Multiple Route Assignment and Its Application to Capacity Restraints, Proceedings of the 4th International Symposium on the Theory of Traffic Flow, Karlsruhe, 210−219. Henn, V. (1997), Fuzzy route choice model for traffic assignment, 9th mini Euro conference: Fuzzy sets in Traffic and Transport Systems, Budva, Yugoslavia, September 1997. (Also in Fuzzy Sets and Systems, 116(1):77101, 2000). Henn, V. (2001), Traffic information and traffic assignment :towards a fuzzy model. PhD thesis, Saint-Etiene University, France, June 2001 (Information routiere et affectation du traffic: vers une modelisation floue). Henn, V. (2002), What is the meaning of fuzzy costs in fuzzy traffic assignment models?, Dans 13th mini Euro conference “Handling Uncertainty in the Analysis of Traffic and Transportation Systems”, Bari, Italy, Juni 2002. Kresnanto, N.C. (2009), Model Pembebanan Lalulintas Banyak Rute Dengan Pendekatan Sistem Fuzzy, Disertasi, Institut Teknologi Bandung. Kresnanto, N.C., Tamin, O.Z., dan Frazila, R.B. (2008), Path Finding Algorithm on Fuzzy Travel Cost Condition, International Journal of Logistic and Transport, Volume 2 - Number 2, October 2008, The Chartered Institute of Logistics & Transport, Thailand. Kresnanto, N. C., Tamin, O.Z., dan Frazila, R.B. (2008), Fuzzy Travel Cost in Trip Assignment, Asia Pacific Conference on Art Science Engineering Technology (ASPAC on ASET), Juni, Solo, Indonesia. Kresnanto, N.C. Tamin, O.Z., dan Frazila, R.B. (2008), Pengembangan Algoritma Pencarian Rute dan Pembebanan Lalu Lintas Fuzzy, Prosiding Simposium FSTPT XI, Universitas Diponegoro, Semarang, Indonesia. Kresnanto, N.C., dan Tamin, O.Z. (2007), Biaya Perjalanan Fuzzy Untuk Pembebanan Lalu Lintas, Jurnal FSTPT X, Universitas Tarumanegara, Jakarta, Indonesia. Kresnanto, N.C., dan Tamin, O.Z. (2006), Kajian Model Pembebanan Jaringan Dengan Fuzzy Sistem, Jurnal FSTPT IX, Universitas Brawijaya, Malang, Indonesia. Kikuchi, S., dan Parta, C. (2005), Place of Possibility Theory in Transportation Analysis, Transportation Research Part B 40 (2006) 595–615. Lawler, E.L. (1976), Combinatorial Optimization: Networks and Matroids, Holt, Rinehart and Winston, United States of America. Sakarovitch, M. (1968), The kth Shortest Chains in a Graph, Transportation Research, 2(1), 1−11. Tamin, O.Z. (2008), Perencanaan, Pemodelan, dan Pemodelan Transportasi: Teori, Contoh Soal, dan Aplikasi, Penerbit ITB, Bandung, Indonesia. Tamin, O.Z. (2000), Perencanaan dan Pemodelan Transportasi – Edisi Kedua, Penerbit ITB, Bandung, Indonesia. Zadeh, L.A. (1965), Fuzzy Sets, Information and Control, 8, 338-353.

Pustaka dari Situs Internet: Inokuchi, H., dan Kawakami, S. (2002), Development of the Fuzzy Traffic Assignment Model, http://www.trans.civil.kansai-u.ac.jp/inokuchi/study/SCIS2002/153.pdf, Download (diturunkan /diunduh) pada 26 Maret 2006. Liu, H.X., Ban, X., Ran, B., dan Mirchandani, P. (2003), A Formulation and Solution Algorithm for Fuzzy Dynamic Traffic Assignment Model, http://ITSReviewonline/spring2003 /trb2003/liu-algorithm.pdf. Download (diturunkan/diunduh) pada 25 Oktober 2005. Zadeh, L.A. (2005), Toward a Generalized Theory of Uncertainty (GTU)-An Outline, to appear in Information Science, BISC Program of UC Berkeley http://www.cs.berkeley.edu/~zadeh/. Download (diturunkan/diunduh) pada Desember 2005.

I - 358


ESTIMASI PARAMETER BILANGAN FUZZY SEGITIGA UNTUK MODEL PEMBEBANAN LALULINTAS FUZZY

Recommend Documents