No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
PEMODELAN TARIKAN PERJALANAN PADA RUMAH SAKIT DI KOTA PADANG Hendra Gunawan 1),Titi Kurniati 1),Dedi Arnaldi 2) 1)Staf Pengajar Jurusan Teknik Sipil Universitas Andalas 2)Mahasiswa Jurusan Teknik Sipil Universitas Andalas ABSTRAK Rumah sakit merupakan salah satu tempat pelayanan kesehatan bagi masyarakat. Perkembangan rumah sakit yang pesat yang ditandai dengan peningkatan sarana dan kualitas pelayanannya menimbulkan tarikan perjalanan (trip attractions) yang cukup tinggi. Penelitian ini memaparkan mengenai tarikan perjalanan rumah sakit di wilayah kota Padang, Sumatera Barat. Obyek penelitian adalah 4 buah rumah sakit yang berada di kota Padang. Data yang dianalisis adalah data primer yang dikumpulkan melalui survey berupa jumlah kendaraan yang datang ke suatu rumah sakit pada hari kerja. Sedangkan data yang menyangkut luas tanah, luas bangunan, jumlah pegawai dan jumlah tempat tidur merupakan data sekunder yang diperoleh dari pihak pengelola rumah sakit. Model tarikan perjalanan ditentukan berdasarkan analisis regresi dan uji statistik. Pada kondisi jam puncak, tarikan perjalanan mobil dipegaruhi oleh Jumlah Pegawai (JM= 0,195xJP0,95, R2= 0,994), tarikan perjalanan sepeda motor oleh Jumlah Tempat Tidur (JSM= 0,347xJTT0,986, R2= 0,979). Sedangkan untuk kondisi total perhari, tarikan perjalanan mobil dipegaruhi oleh Jumlah Pegawai (JM= 1,561xJP0,921, R2= 0,994), tarikan perjalanan sepeda motor oleh Jumlah Pegawai (JSM= 3,044xJP0,818, R2= 0,981). P
Kata Kunci : analisis regresi , rumah sakit, trip attractions. 1. PENDAHULUAN Pertumbuhan penduduk yang tinggi dan adanya peningkatan perekonomian masyarakat menuntut laju pembangunan yang cukup pesat, yang pada gilirannya akan menimbulkan tingkat mobilitas tinggi dari para pelaku pembangunan. Pembangunan pada umumnya menyebabkan perubahan ke dalam sistem kegiatan. Hubungan yang erat antara sistem kegiatan dengan sistem pergerakan mengakibatkan pembangunan yang juga akan memberikan perubahan kepada sistem pergerakan. Lebih jauh lagi, perubahan sistem pergerakan ini harus didukung oleh sistem jaringan ( prasarana ), sehingga dibutuhkan pembangunan jaringan, kemudian proses di atas akan kembali terulang. Karena itu sebagai salah satu jalan untuk memperkirakan kebutuhan pembangunan jaringan, diperlukan metode untuk mengetahui seberapa besar pengaruh adanya pembangunan (perubahan sistem kegiatan ) terhadap perubahan sistem pergerakan. Dengan diketahuinya seberapa besar pengaruh adanya pembangunan terhadap sistem pergerakan, dapat juga dinilai seberapa jauh diperlukan pengendalian dan pengaturan untuk menjamin kelancaran, keselamatan dan efisiensi dalam sistem jaringan yang ada. Pengaruh awal yang dapat diidentifikasi adalah besarnya bangkitan dan tarikan pergerakan ( jumlah yang pergi dan yang datang ) akibat hasil pembangunan yang bersangkutan. Dalam kasus ini adalah pembangunan yang cukup pesat pada beberapa rumah sakit yang berada
TeknikA
di kota Padang. Ini ditandai dengan adanya penambahan sarana dan peningkatan klasifikasi pada rumah sakit yang berakibat pada meningkatnya fasilitas pelayanan yang ada dan pada akhirnya akan meningkatkan jumlah tarikan perjalanan/ kunjungan ke rumah sakit tersebut. 2. STUDI PUSTAKA Pemodelan bangkitan perjalanan (trip generation) adalah suatu tahapan pemodelan yang memperkirakan jumlah pergerakan dari suatu zona (trip generation) dan jumlah pergerakan yang tertarik ke suatu zona (trip attraction). Tujuan dasar bangkitan perjalanan adalah menghasilkan suatu model hubungan yang mengaitkan tata guna lahan dengan jumlah pergerakan yang menuju ke suatu zona atau jumlah pergerakan yang meninggalkan suatu zona. Zona asal dan tujuan pergerakan biasanya menggunakan istilah trip end. Pergerakan merupakan fungsi tata guna lahan yang menghasilkan perjalanan lalu lintas. Perjalanan lalu lintas ini mencakup : • Lalu lintas yang meninggalkan suatu lokasi • Lalu lintas yang menuju atau tiba ke suatu lokasi Hasil keluaran dari perhitungan bangkitan dan tarikan lalu-lintas berupa jumlah kendaraan, orang, atau angkutan barang per satu satuan waktu, misalnya kendaraan/jam. Kita dapat menghitung jumlah orang atau kendaraan yang masuk atau keluar dari suatu luas tanah tertentu dalam satu hari
49
No. 27 Vol.3 Thn. XIV April 2007 atau satu jam untuk mendapatkan bangkitan dan tarikan pergerakan. Bangkitan dan tarikan lalu lintas tersebut tergantung kepada dua aspek tata guna lahan, yaitu: a. Jenis tata guna lahan Tata guna lahan yang akan ditinjau untuk dimodelkan tarikan perjalanannya adalah RUMAH SAKIT, dimana parameter dari kawasan yang umum digunakan sebagai variabel bebas dalam model bangkitan/tarikan diantaranya : Luas tanah Luas bangunan Jumlah pegawai Jumlah tempat tidur b. Jumlah aktifitas dan intensitas pada tata guna lahan
ISSN: 854-8471 2.
3. 4.
Penyimpangan nilai y di sekitar garis regresi harus bebas satu sama lain serta terdistribusi normal. Nilai X diasumsikan bebas dari kesalahan. Hubungan regresi peubah tidak bebas, linier terhadap peubah bebas.
Dalam persamaan linier, hubungan antara dua variabel bila digambarkan secara grafis (dengan scatter diagram), semua nilai X dan Y yang sesuai dengan persamaan Y = a + bX akan jatuh pada suatu garis lurus (straight line). Garis tersebut yang dinamakan garis regresi (regression line). Untuk membuat garis regresi dapat digunakan metode least square. Metode Least Square
2.1. Formulasi Model Model bangkitan atau tarikan yang akan dikalibrasi pada studi ini adalah model matematis. Secara umum, model matematis untuk bangkitan/tarikan merupakan bentuk korelasi antara variabel tata guna lahan sebagai variabel bebas dengan besarnya bangkitan tarikan sebagai variabel tak bebas. Persamaan matematis yang paremeternya diperoleh dari analisis regresi. Bentuk persamaan yang dipilih adalah yang menghasilkan tingkat korelasi yang optimal. Analisis regresi juga menghasilkan parameterparemeter yang dapat meng-gambarkan tingkat keandalan model yang diperoleh, sehingga model bangkitan atau tarikan yang diperoleh dapat dipergunakan secara lebih luas 2.2. Analisis Regresi Analisis regresi adalah suatu analisis yang mempelajari bagaimana suatu peubah tidak bebas (respon) berhubungan dengan satu atau lebih peubah bebas (predictor). Analisa regresi linier dapat digunakan untuk menghasilkan hubungan antara satu peubah tidak bebas dengan dua atau lebih peubah bebas. Persamaan yang sederhana dan luas penggunaannya untuk menunjukkan hubungan variabel-variabel adalah persamaan linier. Y = a + bX ……(2.1) Dimana, a : Konstanta b : Koefisien Regresi X : Variabel yang diketahui (independent variable) Y : Variabel yang diramalkan (dependent variable) Sumber : Walpole, 1995 Asumsi dasar dari analisis regresi adalah (Hutchinson, 1974) : 1. Variasi dari nilai y di sekitar garis regresi harus sama dengan seluruh rentang jarak peubah bebas.
TeknikA
Metode least square berusaha membuat garis yang mempunyai jumlah selisih (jarak vertikal) kuadrat antara data dengan garis regresi yang terkecil. Bentuk persamaan regresi yang akan dikembangkan sebagai model dalam studi dapat dibagi menjadi dua kelompok utama : a.
Persamaan Regresi Variabel Tunggal
Untuk persamaan regresi variabel tunggal, dibatasi hanya regresi yang bersifat linier, logaritmik, power(berpangkat) dan eksponensial saja. Bentuk umum persamaan regresi variabel tunggal yang dijadikan alternatif persamaan adalah : Y = a + bX (linier) … (2.2) Y = a + b Ln (X) (logaritmik) … (2.3) Y = a (X)b (power) … (2.4) Y = a exp[b(X)] (eksponensial) ..(2.5) Sumber : Walpole, 1995 b. Persamaan Regresi Multi Variabel Yaitu persamaan yang memiliki variabel bebas lebih dari satu. Karena itu untuk bentuk persamaan ini akan terdapat beberapa alternatif persamaan berdasarkan kombinasi kandidat variabel yang ada. Untuk persamaan regresi multi variabel, dibatasi hanya regresi yang bersifat linier saja (regresi multilinier), bentuk umumnya adalah : Y = a + b1X1 + b2X2 + b3X3 + … … (2.6) Sumber : Walpole, 1995 Keuntungan dari persamaan multi variabel adalah sebagai bentuk alternatif persamaan yang secara umum dikatakan semakin banyak variabel makin baik keandalan dari model yang dihasilkan, namun itu juga tergantung kepada variabel yang terlibat. Pemilihan kombinasi variabel didasarkan pada matrik korelasi yang telah dihasilkan.
50
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
Sebagai acuan dalam pemilihan kombinasi variabel dalam suatu alternatif persamaan adalah sebagai berikut : • Untuk variabel bebas yang secara langsung memiliki pengaruh positif terhadap bangkitan/tarikan. • Dipilih variabel bebas yang memiliki nilai korelasi tinggi terhadap variabel tak bebasnya. • Variabel bebas yang memiliki korelasi tinggi dengan variabel bebas lainnya tidak disatukan dalam satu alternatif persamaan.
dihindari dengan menggunakan metode product moment yang dikemukakan oleh Karl Pearson.
r=
⎛ n ⎞ ⎛ n ⎞⎛ n ⎞ ⎜ n.∑ X iYi ⎟ − ⎜ ∑ X i ⎟⎜ ∑ Yi ⎟ ⎝ i =1 ⎠ ⎝ i =1 ⎠⎝ i =1 ⎠ 2
(2.8) 2
n n ⎛ n ⎞ ⎛ n ⎞ n.∑ X i 2 − ⎜ ∑ X i ⎟ . n.∑ Yi 2 − ⎜ ∑ Yi ⎟ i =1 i =1 ⎝ i =1 ⎠ ⎝ i =1 ⎠ Sumber : Walpole, 1995
3. METODOLOGI PENELITIAN Sebagian besar persamaan regresi telah dikembangkan dengan menggunakan paket program analisis regresi bertahap (stepwise). Program analisis stepwise memungkinkan adanya analisis untuk menguji sejumlah besar peubah yang potensial. Pemodel kemudian akan memilih persamaan yang paling baik menggunakan kriteria statistik tertentu.
Korelasi adalah salah satu teknik statistik yang digunakan untuk mencari hubungan antara dua variabel atau lebih yang sifatnya kuantitatif. Dua variabel dikatakan berkorelasi apabila perubahan pada variabel yang satu akan diikuti oleh perubahan pada variabel yang lain secara teratur, dengan arah yang sama atau dapat pula dengan arah yang berlawanan. Bila dua variabel tersebut dinyatakan sebagai variabel X dan variabel Y, maka apabila variabel X berubah, variabel Y pun berubah dan sebaliknya. Koefisien korelasi merupakan ukuran besar kecilnya atau kuat tidaknya hubungan antara variabel. Koefisien korelasi dinyatakan dengan bilangan bergerak antara 0 sampai +1 atau 0 sampai -1. Apabila koefisien korelasi (r) mendekati +1 atau -1 berarti terdapat hubungan yang kuat, sebaliknya apabila mendekati 0 berarti terdapat hubungan yang lemah atau tidak ada hubungan. Apabila r sama dengan +1 atau -1 berarti terdapat hubungan positif sempurna atau hubungan negatif sempurna. Koefisien korelasi dapat dihitung dengan beberapa metode : 1. Least Square Biasanya dipergunakan nilai statistik : n
r = +
1−
i =1 n
− Y 'i )
i
∑ (Y i =1
i
−Y
)
2
…(2.7)
2
Sumber : Walpole, 1995 2.
Pearson Product Moment Rumus menurut metode least square terlalu banyak memerlukan perhitungan. Hal ini dapat
TeknikA
Pengumpulan Data Primer dan Sekunder
Data Karakteristik Kawasan
2.3. Analisis Korelasi
∑ (Y
Bagan alir metodologi penelitian untuk melakukan pemodelan tarikan dapat dilihat pada Gambar 1 berikut.
Data Tarikan (Variabel Tak Bebas)
Analisis Korelasi Data
Alternatif Persamaan Model
UJI MODEL Lolos
TidakLolos
Pemilihan Persamaan Model
MODEL FINAL
Gambar-1 Bagan Alir Metodologi Penelitian 4. PENGUMPULAN DATA Pengumpulan data Primer dan Sekunder dilakukan untuk mengetahui besarnya bangkitan/tarikan lalu lintas (variabel tak bebas) sebagai data primer dan data karakteristik kawasan (variabel bebas) sebagai data sekunder di suatu kawasan tinjauan. Jenis survey primer yang dilakukan untuk mengumpulkan data tarikan dari suatu guna lahan tertentu adalah dengan Survey Pencacahan Lalu Lintas. Survey pencacahan lalu-lintas merupakan suatu pencacahan kendaraan menurut jenisnya. Umumnya di kawasan rumah sakit yang terlihat cukup signifikan adalah kendaraan jenis Sepeda Motor dan Mobil. Periode waktu pencacahan adalah perjam, total waktu pencacahan disesuaikan dengan jenis tata guna lahan tinjauan. Data pencacahan ditulis dalam data form yang
51
No. 27 Vol.3 Thn. XIV April 2007 tersedia. Lokasi pencacahan ditetapkan pada pintu masuk lokasi yang bersangkutan. Survey sekunder dilakukan dengan mendatangi masing-masing lokasi atau pengelola dari kawasan yang dipilih untuk mengumpulkan data-data yang diperlukan. Data sekunder yang diperlukan untuk rumah sakit umumnya berada pada lokasinya. Survey sekunder untuk memperoleh data-data sebagai berikut : 1. Luas tanah (LT, m2) 2. Luas bangunan (LB, m2) 3. Jumlah pegawai (JP, orang) 4. Jumlah tempat tidur (JTT, buah) Lokasi Survey Pemilihan lokasi survey tergantung dari ketersediaan data dan kemudahan serta kemampuan dalam melaksanakan survey lapangan. Lokasi yang di survey yaitu : 1. Rumah Sakit Umum Pusat M. DJAMIL. 2. Rumah Sakit YOS SUDARSO. 3. Rumah Sakit TNI REKSODIWIRYO. 4. Rumah Sakit SELAGURI. 5.
ANALISIS DATA
ISSN: 854-8471
5.3. Uji Model Pengujian analisis ini adalah pengujian terhadap kemungkinan-kemungkinan Alter-natif Persamaan Model yang diperoleh dari program SPSS (Statistical Product Service Solution) versi 11.5 yang dilakukan dua (2) tahap pengujian yaitu Uji Kemasuk-akalan tanda dan Uji Statistik. Uji Kemasuk-akalan tanda berfungsi sebagai pedoman awal untuk mendeteksi apakah ada hubungan yang tidak logis atau tidak masuk akal pada kemungkinan alternatif persamaan yang telah diperoleh. Dimana nilai konstanta (a) atau koefisien regresi (b) dinyatakan terdapat hubungan yang tidak logis atau tidak masukakal. Alternatif persamaan model juga di Uji Statistik yaitu Uji tstatistik (untuk alternatif persamaan model variabel tunggal) dan Uji Fstatistik (untuk alternatif persamaan model multi variabel). Alternatif persamaan model yang lolos Uji Statistik adalah Alternatif persamaan model yang memiliki nilai tstatistik/Fstatistik lebih besar dari nilai ttabel/Ftabel (tstatistik/Fstatistik > ttabel/Ftabel ), dimana nilai tstatistik/Fstatistik diperoleh dari hasil analisis program SPSS (Statistical Product Service Solution) versi 11.5
5.1. Koefisien Korelasi
5.4. Pemilihan Model Optimum
Sebelum melakukan pembuatan Alternatif Persamaan Model maka terlebih dahulu dilakukan penentuan Koefisien Korelasi dan Uji Korelasi. Perhitungan angka koefisien korelasi dilakukan dengan menggunakan program SPSS (Statistical Product Service Solution) versi 11.5 yaitu dengan mengkorelasikan masing-masing variabel terikat (jumlah mobil dan jumlah sepeda motor) dengan variabel bebasnya (luas tanah, luas bangunan, jumlah pegawai, jumlah tempat tidur). Hasil dari perhitungan koefisien korelasi disajikan dalam bentuk Matrik Korelasi kondisi tarikan pada jam puncak dan kondisi tarikan total dalam satu hari. Koefisien korelasi berfungsi untuk melihat tingkat hubungan (secara statistik) antara variabel karakteristik kawasan dengan variabel tarikannya. Nilai korelasi adalah nilai yang digunakan untuk memilih variabel bebas (yaitu yang mempunyai nilai korelasi yang besar) dengan variabel tak bebasnya. Besarnya nilai korelasi antara dua variabel adalah antara -1 s/d +1.
Setelah dilakukan Uji Model, Alternatif Persamaan Model yang memenuhi Uji Kemasukakalan tanda dan lolos Uji Statistik dilanjutkan dengan pemilihan Alternatif Persamaan Model yang memiliki nilai koefisien determinasi (R2) yang besar, maka akan diperoleh Persamaan Model yang Optimum.
5.2. Alternatif Persamaan Model Kemungkinan-kemungkinan Alternatif Persamaan Model dilakukan dengan menggunakan program SPSS (Statistical Product Service Solution) versi 11.5 yaitu dengan mengkorelasikan masing-masing variabel terikat (jumlah mobil dan jumlah sepeda motor) dengan variabel bebasnya (luas tanah, luas bangunan, jumlah pegawai, jumlah tempat tidur).
TeknikA
6. HASIL DAN PEMBAHASAN Survei primer dilakukan dengan periode waktu pencacahan adalah perjam dari jam 7.00 sampai dengan jam 16.00. selama 2 hari kerja yaitu hari Selasa dan Kamis. Data primer dan data sekunder hasil survey dapat dilihat pada Tabel 1, Tabel 2 dan Tabel 3 berikut : Tabel-1 Jumlah Tarikan Kendaraan Saat Jam Puncak Masuk No. Lokasi Sepeda Mobil Motor 1 RS. M. Jamil 205 201 RS. Yos 2 57 60 Sudarso RS. TNI 21 39 3 Reksodiwiryo 4 RS. Selaguri 15 17
52
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
Tabel -2 Jumlah Tarikan Kendaraan Total Perhari Masuk No. Lokasi Sepeda Mobil Motor 1 RS. M. Jamil 1327 1248 RS. Yos 2 382 367 Sudarso RS. TNI 146 199 3 Reksodiwiryo 4 RS. Selaguri 105 117 Tabel- 3 Data Karakteristik Zona Karakteristik Zona
No .
Lokasi
1
RS. M. Jamil
2 3 4
RS. Yos Sudarso RS. TNI Reksodiwiry o RS. Selaguri
LT
LB
JP
85760
3362 6
1594
23450
4750
350
40000
1681 0
133
1415
JT T 68 8 15 0 12 1
664 106 59 Sumber : Data Survey
Hasil dari perhitungan koefisien korelasi dapat disajikan dalam bentuk matriks korelasi pada Tabel 4.4 untuk kondisi tarikan pada jam puncak. Sedangkan matrik korelasi hasil perhitungan untuk kondisi tarikan total dalam satu hari dapat kita amati pada Tabel 4.5. Tabel -4 Matriks Korelasi Kondisi Puncak LT LB JP 0,89 0,85 0,99 Jumlah 7 3 8 Mobil Jumlah 0,93 0,89 0,99 Sepeda 1 1 5 Motor 0,98 0,89 1 Luas Tanah 7 9 0,86 0,98 Luas 1 3 7 Bangunan 0,89 0,86 Jumlah 1 9 3 Pegawai Jumlah 0,93 0,90 0,99 Tempat 1 5 6 Tidur
Tarikan Jam JTT 0,99 2 0,99 6 0,93 1 0,90 5 0,99 6 1
Tabel- 5 Matriks Korelasi Kondisi Tarikan Total Perhari LT LB JP JTT 0,89 0,85 0,99 0,99 Jumlah 7 2 8 2 Mobil Jumlah 0,91 0,87 0,99 0,99 Sepeda 4 3 8 5 Motor 0,98 0,89 0,93 1 Luas Tanah 7 9 1 0,98 0,86 0,90 Luas 1 7 3 5 Bangunan 0,89 0,86 0,99 Jumlah 1 9 3 6 Pegawai Jumlah 0,93 0,90 0,99 1 Tempat 1 5 6 Tidur
6.1. Hasil Korelasi • Dari matrik korelasi jam puncak dapat dilihat bahwa jumlah mobil berkorelasi tinggi (nilai korelasi >0,5) dengan variabel bebasnya dan jumlah sepeda motor juga berkorelasi tinggi dengan variabel bebasnya. Demikian pula untuk kondisi total perhari. • Antara variabel-variabel bebas terdapat korelasi yang tinggi, oleh sebab itu tidak disatukan dalam satu persamaan alternatif, maka cuma digunakan alternatif persamaan dengan variabel tunggal. Baik untuk kondisi tarikan jam puncak ataupun kondisi tarikan total perhari. Adapun alternatif persamaan model untuk kondisi tarikan pada saat jam puncak dan tarikan total perharinya dapat dilihat pada Tabel 6 dan Tabel 7. 6.2. Model Akhir Berdasarkan hasil kalibrasi dan analisis statistik serta uji kemasuk-akalan tanda, alternatifalternatif persamaan yang telah teridentifikasi dipilih yang paling baik atau yang optimum. Kriteria alternatif persamaan yang paling baik/optimum adalah sebagai berikut: • Lulus uji kemasuk-akalan tanda • Lulus uji statistik • Memiliki nilai koefesien determinasi (R2) yang paling besar. Model Akhir Tarikan Jam Puncak 1. JM = 0,195 x JP0,95 R2 = 0,994 2. JSM = 0,347 x JTT0,986
R2 = 0,979
Model Akhir Tarikan Total Perhari R2= 0,994 1. JM = 1,561 x JP0,921 2. JSM = 3,044 x JP0,818
TeknikA
R2= 0,981
53
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
Tabel -6 Alternatif Persamaan Model Tarikan Jam Puncak No.
Model
Tipe
Variable VT
VB
JM JM
LT LT
Regresi a
b
1 y = 0.00223x-9.53 2 y = 32.0152Ln(x)239.837 3 y = 0.392x0.48 4 y = 15.225e2.81E-05x
Linier Logaritmik
Pangkat JM Eksponensia JM l
-9.53 0.00223 - 32.0152 239.837 LT 0.392 0.48 LT 15.225 2.81E05
5 y = 0.00513x+2.905 6 y = 34.23Ln(x)226.011 7 y = 0.697x0.472 8 y = 18.676e6.10E-05x
Linier Logaritmik
LB LB
Pangkat JM Eksponensia JM l
2.905 0.00513 - 34.23 226.011 LB 0.697 0.472 LB 18.676 6.10E05
9 y = 0.126x+5.969 10 y = 70.369Ln(x)326.354 11 y = 0.195x0.95
Linier Logaritmik
JP JP
t Test R2
t
Sig
t Table
0.804 0.413
2.868 0.1031 1.191 0.356
2.92 2.92
0.536 0.729
1.519 2.322
0.268 0.146
2.92 2.92
0.727 0.44
2.308 0.1473 1.253 0.337
2.92 2.92
0.478 0.591
1.354 0.3083 1.7 0.2312
2.92 2.92
5.969 0.126 - 70.369 326.354 JP 0.195 0.95
0.997 25.548 0.0015 0.951 6.204 0.025
2.92 2.92
0.994 18.633 0.0029
2.92
JP
0.882
3.865 0.0609
2.92
0.984 11.213 0.0079 0.929 5.133 0.0359
2.92 2.92
0.929
5.105 0.0363
2.92
16.978 0.0037
0.854
3.417
0.076
2.92
-2.174 0.0022 - 32.374 238.613 Pangkat JSM LT 0.411 0.495 Eksponensia JSM LT 19.368 2.68El 05
0.864 0.487
3.605 0.691 1.378 0.3022
2.92 2.92
0.742 0.868
2.396 2.621
0.139 0.685
2.92 2.92
0.794 0.52
2.779 0.1087 1.475 0.2781
2.92 2.92
0.701 0.741
2.164 0.1629 2.39 0.1394
2.92 2.92
0.991 14.483 0.0047 0.941 5.656 0.0299
2.92 2.92
0.934
5.308 0.0337
2.92
0.838
3.216 0.0846
2.92
JM JM
JM JM JM
Pangkat 12 y = 18.698e0.00156x
Eksponensia JM l
13 y = 0.303x-2.558 14 y = 83.016Ln(x)349.248 15 y = 0.163x1.096
Linier Logaritmik
18.698 0.00156
JM JTT JM JTT
-2.558 0.303 - 83.016 349.248 JM JTT 0.163 1.096
Pangkat 16 y = 16.978e0.0037x
Eksponensia JM JTT l
17 y = 0.0022x-2.174 18 y = 32.374Ln(x)238.613 19 y = 0.411x0.495 20 y = 19.368e2.68E-05x
Linier Logaritmik
21 y = 0.005x+9.391 22 y = 34.795Ln(x)226.221 23 y = 0.659x0.5 24 y = 23.044e5.99E-05x
Linier Logaritmik
25 y = 0.117x+15.479 26 y = 65.366Ln(x)293.103 27 y = 0.536x0.807
Linier Logaritmik
JSM LT JSM LT
JSM LB JSM LB
9.391 0.005 - 34.795 226.221 Pangkat JSM LB 0.659 0.5 Eksponensia JSM LB 23.044 5.99El 05 JSM JP JSM JP
15.479 0.117 - 65.366 293.103 JSM JP 0.536 0.807
Pangkat 28 y = 25.699e0.00133x
TeknikA
Eksponensia JSM l
JP
25.699 0.00133
54
No. 27 Vol.3 Thn. XIV April 2007
29 y = 0.284x+7.026 30 y = 78.765Ln(x)322.802 31 y = 0.347x0.986
Linier Logaritmik
ISSN: 854-8471
JSM JTT JSM JTT
7.026 0.284 - 78.765 322.802 JSM JTT 0.347 0.986
0.992 15.953 0.0039 0.96 6.935 0.0202
2.92 2.92
0.979
9.552 0.0108
2.92
0.846
3.319
2.92
Pangkat 32 y = 23.259e0.0033x
Eksponensia JSM JTT l
23.259 0.0033
0.08
Catatan : Nilai ttabel diperoleh dari Tabel t berdasarkan degree of freedom (df) Dimana df = banyak sampel – (banyak variabel bebas dalam persamaan + satu) Tabel- 7 Alternatif Persamaam Model Tarikan Harian Model
Tipe
Variabel
Regresi R2
No. VT
VB
LT -49.539 0.0143 LT - 206.278 1535.31 6 LT 3.052 0.466 LT 106.455 1.17E05
0.804 0.418
2.867 0.1031 1.198 0.354
2.92 2.92
0.537 0.731
1.523 2.334
0.267 0.147
2.92 2.92
LB LB
30.731 0.033 - 220.166 1442.89 LB 5.329 0.458 LB 129.748 5.93E05
0.726 0.441
2.300 1.256
0.148 0.336
2.92 2.92
0.48 0.593
1.359 0.307 1.710 0.2298
2.92 2.92
JP JP
0.996 0.953
23.27 0.0018 6.362 0.0238
2.92 2.92
JM
50.089 0.81 - 452.404 2087.08 5 JP 1.561 0.921
0.994 18.853 0.0028
2.92
JP 130.049 0.0015
0.883
3..883 0.0604
2.92
0.983 10.885 0.0083 0.931 5.193 0.0351
2.92 2.92
JM
-4.569 1.943 - 533.487 2233.15 1 JTT 1.307 1.063
0.929
5.151 0.0357
2.92
1 y = 0.0143x-49.539 2 y = 206.278Ln(x)1535.316
Linier Logaritmik
JM JM
3 y = 3.052x0.466 4 y = 106.455e1.17E-05x
Pangkat Eksponens ial
JM JM
5 y = 0.033x+30.731 6 y = 220.166Ln(x)1442.89 7 y = 5.329x0.458 8 y = 129.748e5.93E-05x
Linier Logaritmik
JM JM
Pangkat Eksponens ial
JM JM
9 y = 0.81x+50.089 10 y = 452.404Ln(x)2087.085
Linier Logaritmik
JM JM
11 y = 1.561x0.921
a
b
t test t
Sig
t table
Pangkat 12 y = 130.049e0.0015x
Eksponens ial
JM
13 y = 1.943x-4.569 14 y = 533.487Ln(x)2233.151
Linier Logaritmik
JM JM
15 y = 1.307x1.063
JTT JTT
Pangkat 16 y = 118.404e0.00361x
Eksponens ial
JM
JTT 118.404 0.00361
0.855
3.435 0.0753
2.92
17 y = 0.013x-18.513 18 y = 194.322Ln(x)1425.178
Linier JSM Logaritmik JSM
0.836 0.446
3.187 0.0859 1.27 0.332
2.92 2.92
19 y = 3.815x0.452
Pangkat
LT -18.513 0.013 LT - 194.322 1425.17 8 LT 3.815 0.452
1.847
2.92
TeknikA
JSM
0.63
0.206
55
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
20 y = 121.71e2.58E-05x
Eksponens JSM ial
LT
21 y = 0.031x+53.765 22 y = 208.696Ln(x)1349.447
Linier JSM Logaritmik JSM
LB LB
23 y = 6.004x0.453 24 y = 144.66e5.72E-05x
25 y = 0.735x+81.757 26 y = 410.695Ln(x)1856.75 27 y = 3.044x0.818
121.71 2.58E05
0.719
2.218 0.0945
2.92
0.762 0.477
2.53 0.127 1.351 0.3094
2.92 2.92
Pangkat JSM Eksponens JSM ial
53.765 0.031 - 208.696 1349.44 7 LB 6.004 0.453 LB 144.66 5.72E05
0.589 0.69
1.692 0.2327 2.11 0.1693
2.92 2.92
Linier JSM Logaritmik JSM
JP JP
0.996 23.194 0.0019 0.945 5.869 0.278
2.92 2.92
0.981 10.078 0.0097
2.92
JSM
81.757 0.735 - 410.695 1856.75 JP 3.044 0.818
Pangkat 28 y = 153.141e0.00136x
Eksponens JSM ial
29 y = 1.778x+30.218 30 y = 489.69Ln(x)2016.889
Linier JSM JTT Logaritmik JSM JTT
JP 153.141 0.00136
30.218 1.778 - 489.69 2016.88 9 JSM JTT 2.249 0.972
31 y = 2.249x0.972
0.89
4.031 0.0564
2.92
0.991 0.94
14.74 0.0046 5.808 0.0284
2.92 2.92
0.973
8.512 0.0135
2.92
0.881
3.857 0.0611
2.92
Pangkat 32 y = 139.49e0.00328x
Eksponens JSM JTT ial
Keterangan : JM : Jumlah Mobil JSM : Jumlah Sepeda Motor LT : Luas Tanah LB : Luas Bangunan JP : Jumlah Pegawai JTT : Jumlah Tempat Tidur VT : Variabel Terikat VB : Variabel Bebas
Model Akhir Tarikan Total Perhari 1. JM = 1,561 x JP0,921 R2= 0,994 2. JSM = 3,044 x JP0,818
1.
2.
• Dari hasil analisis korelasi diketahui bahwa variabel Luas Tanah, Luas Bangunan, Jumlah Pegawai, dan Jumlah Tempat Tidur mempunyai pengaruh yang signifikan terhadap tarikan perjalanan pada rumah sakit di kota Padang, baik untuk tarikan jam puncak maupun tarikan total per hari. • Dari hasil kalibrasi dan uji statistik diperoleh dua model akhir tarikan perjalanan pada rumah sakit di kota Padang untuk tarikan pada jam puncak dan untuk tarikan total dalam satu hari. • Model Akhir yang diperoleh yaitu : Model Akhir Tarikan Jam Puncak 1. JM = 0,195 x JP0,95 R2 = 0,994
TeknikA
R2= 0,981
6. DAFTAR PUSTAKA
7. KESIMPULAN
2. JSM = 0,347 x JTT0,986
139.49 0.00328
3.
4. 5.
LPM-ITB, “Studi Standarisasi Bangkitan dan Tarikan Lalu-Lintas di Zona Bandung Raya”, Institut Teknologi Bandung, 1999 Putranto, L. S., “Tarikan Perjalanan Gedung Perkantoran di Jakarta Barat”. Jurnal Transportasi Vol. 1, No. 2, Forum Studi Transportasi Perguruan Tinggi, Bandung, 1999 Putranto, L. S., “Tarikan Perjalanan dan efiseinsi Parkir Gedung Perkantoran di Jakarta Pusat”. Jurnal Kajian Teknologi Tahun 2 No.1, Universitas Tarumanegara, 2000 Tamin, O. Z, “Perencanaan dan Pemodelan Transportasi”, Penerbit ITB, Bandung, 1997 Morlok, E. K, “Pengantar Teknik dan Perencanan Tranportasi ”, Penerbit Erlangga, Jakarta, 1991
R2 = 0,979
56
