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 InferensiBayes (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 (R2 dan SR2). 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 (R2 and SR2). 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)
v
(Dr.Ir. Bambang Sugeng S, DEA)
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
Model Gravity-Opportunity (GO) .......................................................
34
II.6.1 Latar Belakang..........................................................................
34
II.6.2 Definisi......................................................................................
35
II.6
ix
II.6.3 Spesifikasi Fungsi Kesempatan ...............................................
37
II.6.4 Struktur Faktor Proporsi...........................................................
38
II.6.5 Model GO ................................................................................
41
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
2
II.9.3 Koefisien Determinasi (R dan SR ) .......................................
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.7
II.13
2
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 .........................................
x
95
III.5
Pengaruh Model Sebaran Pergerakan ..................................................
96
III.5.1 Model Gravity (GR) .................................................................
96
III.5.2 Model Gravity-Opportunity (GO) ...........................................
113
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 (pidl) .........................
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
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 (pidl) .............
158
IV.3.7 Arus Lalu lintas Hasil Pengamatan..........................................
159
IV.3.8 Matriks Asal-Tujuan (MAT) Awal..........................................
160
IV.3.9 Biaya Perjalanan (Cid) ..............................................................
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
III.6
IV.3
xi
V.4
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
Pengaruh Model Sebaran Pergerakan Gravity (GR) ..........................
183
V.4.1 Pengaruh Jenis Model Gravity (Batasan-Bangkitan, BatasanTarikan, 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
Pengaruh Model Sebaran Pergerakan Gravity (GR) ...........................
225
VI.4
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
Saran untuk Penelitian Lanjutan...........................................................
254
DAFTAR PUSTAKA ...........................................................................................
257
LAMPIRAN ..........................................................................................................
264
DAFTAR RIWAYAT HIDUP .............................................................................
313
VII.2
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-OrNotthing 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 ..............................................................
Gambar III.4
Diagram Alir Analisis Penentuan Lokasi Traffic Count Terbaik Seleksi Tahap II ............................................................
Gambar III.5
91
Diagram Alir Analisis Penentuan Jumlah Data Arus Lalu Lintas Optimum .........................................................................
Gambar III.7
87
Diagram Alir Analisis Penentuan Lokasi Traffic Count Terbaik Seleksi Tahap III ..........................................................
Gambar III.6
84
94
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 GravityOpportunity (GO) .......................................................................
115
Gambar III.10 Metode Penentuan Matriks pidl ..................................................
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
138
Sistem Jaringan dan Zona Data Buatan ....................................
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 (R2) Untuk Data Buatan ..................................................
Gambar V.2
181
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 .............
Gambar V.5
Hubungan MAT Hasil Pengamatan dan Hasil Estimasi – Metode GO – Metode Pemilihan Rute All-Or-Nothing ............
Gambar VI.1
242
Hubungan MAT Hasil Pengamatan dan Hasil Estimasi – Metode GO – Metode Pemilihan Rute All-Or-Nothing ...........
Gambar VI.5
225
Hubungan MAT Hasil Pengamatan dan Hasil Estimasi – Metode GO – Metode Pemilihan Rute Keseimbangan ...........
Gambar VI.4
223
Hasil Uji Statistik Skenario Kesalahan Data Arus Lalu lintas Dengan Skenario Kesalahan 0% ...............................................
Gambar VI.3
201
Grafik Hubungan Jumlah Data Lalu lintas – Keakurasian MAT Untuk Parameter R2 Untuk Data Sesungguhnya ............
Gambar VI.2
200
242
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 (FV0) ..........................................
149
Tabel IV.5
Faktor Penyesuaian Kecepatan Arus Bebas Untuk Lebar Jalur Lalu lintas Efektif (FVw) ............................................................
149
Tabel IV.6
Kelas Hambatan Samping Untuk Jalan dalam Kota ................
150
Tabel IV.7
Faktor Penyesuaian Kecepatan Arus Bebas Untuk Hambatan Samping (FFVSF) dan Lebar Bahu ...........................................
Tabel IV.8
Faktor Penyesuaian Kecepatan Arus Bebas Untuk Hambatan Samping (FFVSF) dan Jarak Kereb-Penghalang ......................
Tabel IV.9
150 151
Faktor Penyesuaian Kecepatan Arus Bebas Untuk Ukuran Kota (FFVCS) ..............................................................................
151
Tabel IV.10
Contoh Perhitungan Kecepatan Arus Bebas .............................
152
Tabel IV.11
Kapasitas Dasar (C0) ..................................................................
153
Tabel IV.12
Faktor Penyesuaian Kapasitas untuk Lebar Jalur Lalu lintas (FCW) ..........................................................................................
153
Tabel IV.13
Faktor Penyesuaian Kapasitas untuk Pemisah Arah (FCSP) ....
154
Tabel IV.14
Faktor Penyesuaian Kecepatan Arus Bebas untuk Hambatan Samping (FFVSF) dan Lebar Bahu ...........................................
Tabel IV.15
154
Faktor Penyesuaian Kecepatan Arus Bebas untuk Hambatan Samping (FFVSF) dan Jarak Kereb-Penghalang ......................
xvii
155
Tabel IV.16
Faktor Penyesuaian Kecepatan Arus Bebas untuk Ukuran Kota (FFVCS) .............................................................................
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 (Cid) 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) ....................................................................................
Tabel V.6
Peringkat Ruas/Lokasi Traffic Count Berdasarkan Seleksi Tahap I Untuk Data Buatan dengan Model Keseimbangan ....
Tabel V.7
171
Peringkat Ruas/Lokasi Traffic Count Berdasarkan Seleksi Tahap I Untuk Data Buatan dengan Model All-Or-Nothing ....
Tabel V.8
168
Perbadingan
Peringkat
Ruas/Lokasi
Traffic
171
Count
Berdasarkan Seleksi Tahap I Untuk Data Buatan dengan Model Keseimbangan dan Model All-Or-Nothing.................... Tabel V.9
Hasil Seleksi Tahap II (Parameter Hubungan Antar Ruas) Untuk Data Buatan .....................................................................
Tabel V.10
177
Hasil Uji Statistik MAT Model Terhadap MAT Pembanding Metode I ......................................................................................
Tabel V.14
176
Peringkat Lokasi Terbaik Terpilih Hasil Tahap III Untuk Data Buatan Buatan ............................................................................
Tabel V.13
175
Analisis Penentuan Peringkat Lokasi Traffic Count (seleksi Tahap III) Untuk Data Buatan ...................................................
Tabel V.12
173
Penentuan Bobot Kuantitatif Kriteria (Quantification of Criteria) Untuk Data Buatan .....................................................
Tabel V.11
172
178
Penentuan Lokasi Terbaik Secara Acak (Random) Untuk Data Buatan .........................................................................................
xviii
179
Tabel V.15
Hasil Uji Statistik MAT Model Terhadap MAT Pembanding Model II ......................................................................................
Tabel V.16
Hasil Uji Statistik MAT Skenario Kesalahan Terhadap Kesalahan 0% .............................................................................
Tabel V.17
186
Hasil Estimasi Parameter Model Transportasi Menurut Jenis Fungsi Hambatan .......................................................................
Tabel V.21
186
Indikator Uji Statistik Untuk Masing-masing Jenis Model GR Dengan Menggunakan Data Buatan Tingkat MAT .................
Tabel V.20
185
Indikator Uji Statistik Untuk Masing-masing Jenis Model GR Dengan Menggunakan Data Buatan Tingkat Arus ..................
Tabel V.19
182
Hasil Estimasi Parameter Model Transportasi Menurut Jenis Model GR ...................................................................................
Tabel V.18
180
Indikator
Uji Statistik
Untuk
Masing-masing
187
Fungsi
Hambatan Dengan Menggunakan Data Buatan Untuk Tingkat Arus ............................................................................................. Tabel V.22
Indikator
Uji Statistik
Untuk
Masing-masing
187
Fungsi
Hambatan Dengan Menggunakan Data Buatan Untuk Tingkat MAT ........................................................................................... Tabel V.23
Hasil Estimasi Parameter Model Transportasi Menurut Jenis Model GO ...................................................................................
Tabel V.24
Indikator
Uji Statistik
Untuk
Masing-masing
Indikator
Uji Statistik
Untuk
Masing-masing
191
Hasil Estimasi Parameter Model Transportasi Menurut Jenis Metode
Estimasi
Pada
Kondisi
Pemilihan
Rute
Keseimbangan............................................................................. Tabel V.27
191
Fungsi
Kesempatan Dengan Model GO Untuk Tingkat MAT ............ Tabel V.26
190
Fungsi
Kesempatan Dengan Model GO Untuk Tingkat Arus ............. Tabel V.25
187
192
Indikator Uji Statistik Untuk Masing-masing Fungsi Metode Estimasi Dengan Menggunakan Data Buatan Model GR Untuk Tingkat Arus ....................................................................
xix
193
Tabel V.28
Indikator Uji Statistik Untuk Masing-masing Fungsi Metode Estimasi Dengan Menggunakan Data Buatan Model GO Untuk Tingkat Arus ...................................................................
Tabel V.29
194
Indikator Uji Statistik Untuk Masing-masing Fungsi Metode Estimasi Dengan Menggunakan Data Buatan Model GR Untuk Tingkat MAT ...................................................................
Tabel V.30
194
Indikator Uji Statistik Untuk Masing-masing Fungsi Metode Estimasi Dengan Menggunakan Data Buatan Model GO Untuk Tingkat MAT ...................................................................
Tabel V.31
Matriks pidl
untuk l=1 dengan metode pemilihan rute
keseimbangan ............................................................................. Tabel V.32
Matriks
pidl
198
Indikator Uji Statistik Untuk Model GR Dengan Metode Estimasi Kuadrat - Terkecil Untuk Tingkat MAT ....................
Tabel V.37
198
Indikator Uji Statistik Untuk Model GO Dengan Metode Estimasi Kuadrat - Terkecil Untuk Tingkat Arus......................
Tabel V.36
197
Indikator Uji Statistik Untuk Model GR Dengan Metode Estimasi Kuadrat - Terkecil Untuk Tingkat Arus......................
Tabel V.35
196
Hasil Estimasi Parameter Model Transportasi Menurut Jenis Pemilihan Rute ...........................................................................
Tabel V.34
196
untuk l=1 dengan metode pemilihan rute all-or-
nothing ........................................................................................ Tabel V.33
194
198
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 ............................... 2
Tabel VI.4
Nilai R untuk Setiap Model Seleksi .........................................
Tabel VI.5
Hasil Seleksi Tahap II (30 Lokasi Traffic Count Dengan Peringkat Tertinggi) ...................................................................
xx
213 214 216
Tabel VI.6
Contoh Analisis Penentuan Quantification of Criteria (QC) Seleksi Tahap III (30 Lokasi Traffic Count Dengan Peringkat Tertinggi Pada Tahap II) ............................................................
Tabel VI.7
218
Contoh Analisis Penentuan Lokasi Traffic Count Terbaik Seleksi Tahap III (30 Lokasi Traffic Count Dengan Peringkat Tertinggi Pada Tahap II) ............................................................
Tabel VI.8
Hasil Analisis Seleksi Tahap III (30 Lokasi Traffic Count Dengan Peringkat Tertinggi) .....................................................
Tabel VI.9
224
Hasil Estimasi Parameter Model Transportasi Menurut Jenis Model GR ...................................................................................
Tabel VI.13
222
Hasil Uji Statistik MAT Skenario Kesalahan Terhadap Skenario Kesalahan 0% .............................................................
Tabel VI.12
221
Hasil Uji Statistik MAT Model Terhadap MAT Pembanding Metode II ....................................................................................
Tabel VI.11
220
Hasil Uji Statistik MAT Model Terhadap MAT Pembanding Metode I ......................................................................................
Tabel VI.10
219
227
Indikator Uji Statistik Untuk Masing-masing Model GR Dengan Menggunakan Metode Estimasi Kuadrat-Terkecil Untuk Tingkat Arus ...................................................................
Tabel VI.14
228
Indikator Uji Statistik Untuk Masing-masing Model GR Dengan Menggunakan Metode Estimasi Kuadrat-Terkecil Untuk Tingkat MAT ..................................................................
Tabel VI.15
Hasil Estimasi Parameter Model Transportasi Menurut Jenis Fungsi Hambatan .......................................................................
Tabel VI.16
Indikator
Uji Statistik
Untuk
Masing-masing
Indikator
Uji Statistik
Untuk
Masing-masing
230
Hasil Estimasi Parameter Model Transportasi Menurut Jenis Model GO ...................................................................................
Tabel VI.19
230
Fungsi
Hambatan Untuk Tingkat MAT ................................................ Tabel VI.18
229
Fungsi
Hambatan Untuk Tingkat Arus ................................................. Tabel VI.17
228
231
Indikator Uji Statistik Dengan Menggunakan Model GO Untuk Tingat Arus ......................................................................
xxi
232
Tabel VI.20
Indikator Uji Statistik Dengan Menggunakan Model GO Untuk Tingat MAT .....................................................................
Tabel VI.21
232
Hasil Estimasi Parameter Model Transportasi Menurut Jenis Metode Estimasi Pada Kondisi Model GR BatasanBangkitan-Tarikan dan Pemilihan Rute Keseimbangan ...........
Tabel VI.22
234
Indikator Uji Statistik Untuk Masing-masing Metode Estimasi Dengan Menggunakan Model GR Batasan-BangkitanTarikan Untuk Tingkat Arus .....................................................
Tabel VI.23
235
Indikator Uji Statistik Untuk Masing-masing Metode Estimasi Dengan Menggunakan Model GR Batasan-BangkitanTarikan Untuk Tingkat MAT ....................................................
Tabel VI.24
235
Hasil Estimasi Parameter Model Transportasi Menurut Jenis Model Kebutuhan Transportasi Pada Kondisi Metode Estimasi KTB dan Pemilihan Rute Keseimbangan ..................
Tabel VI.25
236
Indikator Uji Statistik Menurut Jenis Model Kebutuhan Transportasi Pada Kondisi Metode Estimasi KTB dan Pemilihan Rute Keseimbangan Untuk Tingkat Arus ...............
Tabel VI.26
236
Indikator Uji Statistik Menurut Jenis Model Kebutuhan Transportasi Pada Kondisi Metode Estimasi KTB dan Pemilihan Rute Keseimbangan Untuk Tingkat MAT ..............
Tabel VI.27
Hasil Estimasi Parameter Model Transportasi Menurut Jenis Pemilihan Rute ...........................................................................
Tabel VI.28
239
Indikator Uji Statistik Untuk Masing-masing Metode Estimasi Dengan Menggunakan Model GR Untuk Tingkat MAT .........
Tabel VI.31
239
Indikator Uji Statistik Untuk Masing-masing Metode Estimasi Dengan Menggunakan Model GO Untuk Tingkat Arus ..........
Tabel VI.30
238
Indikator Uji Statistik Untuk Masing-masing Metode Estimasi Dengan Menggunakan Model GR Untuk Tingkat Arus ..........
Tabel VI.29
237
239
Indikator Uji Statistik Untuk Masing-masing Metode Estimasi Dengan Menggunakan Model GO Untuk Tingkat MAT ........
xxii
239
DAFTAR SINGKATAN DAN LAMBANG
SINGKATAN
Nama
Pemakaian pertama kali pada halaman
ACGR
Model gravity jenis dengan-batasan-tarikan
BAPPEDA
Badan Perencanaan dan Pembangunan Daerah
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
xxiii
29 6
80
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
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
AB
Tarikan pergerakan ke zona B
28
Aik , B dk
Faktor penyeimbang untuk setiap tujuan perjalanan atau
2
LAMBANG
komoditas jenis k bagi setiap zona asal i dan zona tujuan d bk, αk, βk
28
Parameter model yang tidak diketahui yang harus dikalibrasi untuk setiap tujuan perjalanan atau komoditas k
33
Cid
Biaya perjalanan dari zona asal i ke zona tujuan d
28
Ddk
Total pergerakan untuk setiap tujuan perjalanan atau komoditas k yang tertarik ke zona tujuan d
28
δ jdi , δ jdi −1
Transformasi antara [Tid] dan [Zid]
31
ε, µ
Parameter transformasi Box-Cox
33
f idk
Faktor proporsi (hasil pengamatan) dari zona asal i ke zona tujuan d, untuk setiap tujuan perjalanan atau komoditas k
28
f k (C id )
Fungsi hambatan
28
Fijk
Faktor proporsi (berurut) dari zona asal i ke zona tujuan ke-j, untuk setiap tujuan perjalanan atau komoditas k
O ik PA
34
Total pergerakan untuk setiap tujuan perjalanan atau komoditas k yang dibangkitkan oleh zona asal i
27
Bangkitan pergerakan dari zona A
28
xxiv
p idl
Proporsi pergerakan dari zona asal i ke zona tujuan d yang menggunakan ruas jalan l
8
R2
Koefisien determinasi
Tid
Total pergerakan yang bergerak dari zona asal i ke zona
50
tujuan d di dalam daerah kajian
8
Tid, Tˆid
MAT hasil estimasi dan MAT hasil pengamatan
8
U ipk
Fungsi kesempatan antara zona i ke zona tujuan ke-p dari zona i untuk setiap tujuan perjalanan atau komoditas k
33
Vl, Vˆl
Arus lalu lintas hasil estimasi dan hasil pengamatan pada ruas l
Xij,Xij-1
Kumulatif kesempatan dari zona asal i ke zona tujuan ke-j atau ke zona tujuan ke-(j-1) dari zona i
Zij
34
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 [Tid] mewakili seluruh MAT
^
8
40
Digunakan sebagai peubah yang mengidentifikasi hasil pengamatan; contohnyaVˆl
8
L
∏
Digunakan
untuk
mengalikan
semua
peubah
yang
l =1
mempunyai tikalas l, dimulai dari l=1 sampai dengan l=L
40
K
∑
Digunakan untuk menambahkan semua peubah yang
k =1
mempunyai tikalas k, dimulai dari k=1 sampai k=K
xxv
28
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 ( pidl ). Untuk kondisi kota Bandung diperlukan proses analisis terhadap 125 zona dan 2279 ruas jalan, sehingga total pidl 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 R2, 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 (R2). Dari sisi MAT, pada pemilihan rute keseimbangan nilai R2 yang dihasilkan adalah 0,76 (untuk model GR) dan 0,79 (untuk model GO), sedangkan jika digunakan
252
pemilihan rute all-or-nothing, R2 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 dilakukan dengan mengaplikasikan nilai pidl 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
kendaraan umum pada sistem jaringan angkutan umum yang mempunyai rute tetap (fix route). Pada situasi tersebut MAT angkutan umum dibebankan secara khusus ke dalam sistem angkutan umum dengan metode transit assignment. Selanjutnya dicari keseimbangan antara pembebanan angkutan umum dan pembebanan kendaraan pribadi.
256
DAFTAR PUSTAKA
1.
Anindito, W., Tamin, O.Z. dan Hidayat, H. (1999), Pengaruh Tundaan Di Persimpangan dan Model Pemilihan Rute Terhadap Akurasi Matriks-AsalTujuan Yang Diperoleh Dari Informasi Data Arus Lalu Lintas, Prosiding Simposium II Forum Studi Transportasi Antar Perguruan Tinggi.
2.
Bappeda Kota Bandung (2002), Penyusunan Rencana Jaringan Jalan Double Decker Cimindi – Gede Bage, Laporan Akhir.
3.
Barbour, R. dan Fricker, J.D. (1994), Estimating An Origin-Destination Table Using A Method Based On Shortest Augmenting Paths, Transportation Research-B, Vol. 28B, No. 2, Pergamon, 77-89.
4.
Bell, M.G.H. (1985), Variances and Covariances For Origin-Destination Flows When estimated By Log-Linear Models, Transportation Research-B Vol. 19B, No. 6, Pergamon Press Ltd, 497-507.
5.
Bell, M.G.H. (1991a), The Estimation of Origin-Destination Matrices By Constrained Generalised Least Squares, Transportation Research-B Vol. 25 B, No. 1, Pergamon Press, 13-22.
6.
Bell, M.G.H. (1991b), The Real Time Estimation of Origin-Destination Flows in The Presence of Platoon Dispersion, Transportation Research-B Vol. 25 B, Nos. 2/3, Pergamon Press, 115-125.
7.
Bierlaire, M. dan Toint, PH.L. (1995), MEUSE: An Origin-Destination Matrix Estimator That Exploits Structure, Transportation Research-B, Vol. 29B, No. 1, Pergamon, 47-60.
8.
Black, J.A. (1981), Urban Transport Planning: Theory and Practice, London, Cromm Helm.
9.
Blunden, W.R. (1971), The Land-Use Transport System: Analysis and Synthesis, Oxford, (Pergamon Press).
10.
Cascetta, E. (1984), Estimation of Trip Matrices From Traffic Counts and Survey Data: A Generalized Least Squares Estimator, Transportation Research-B Vol. 18B, No. 4/5, Pergamon Press, 289-299.
11.
Direktorat Jenderal Bina Marga (1997), Manual Kapasitas Jalan Indonesia, Departemen Pekerjaan Umum.
257
12.
Fisk, C.S. (1984), Game Theory And Transportation Systems Modelling, Transpn. Res-B, Vol. 18B, No. 4/5, Pergamon Press, 301-313.
13.
Gunawan, H. (1995), Estimasi Pemodelan Distribusi Perjalanan Dengan Model Gravity, Tesis Magister, Program Magister Teknik Sipil, Program Pasca Sarjana, Institut Teknologi Bandung.
14.
Kim, H.J. dan Chung, I.H. (2003), Selection of The Optimal Traffic Count Locations For Estimating Origin-Destination Trip Matrix, Journal of the Eastern Asia Society for Transportation Studies, Vol. 5, 1353-1365.
15.
Kim, J. dan Lee, S. (2005), The Estimation of Freeway Origin-Destination Demand Using Real-Time Traffic Data of Freeway Traffic Management System (FTMS), Journal of the Eastern Asia Society for Transportation Studies, Vol. 6, 1695-1707.
16.
Indriastuti, A.K. (2002), Studi Perbandingan Metode Estimasi Parameter Model Kebutuhan Transportasi Dari Data Arus Lalu lintas (Studi Kasus : Kota Bandung), Tesis Magister, Program Pasca Sarjana, Institut Teknologi Bandung.
17.
INRO Consultants Inc. (1996), EMME/2 User’s Manual Release 8.
18.
Janson, B.N. (1993), Most Likely Origin-Destination Link Uses From Equilibrium Assignment, Transportation Research-B, Vol. 27B, No.5, Pergamon Press, 333-350.
19.
Jasa Marga, PT (2005), Rencana Teknik Akhir Jalan Tol Bogor Ring Road, Laporan Analisa Lalu Lintas.
20.
Liu, S. dan Fricker, J.D. (1996), Estimation of A Trip Table and The θ Parameter in A Stochastic Network, Transportation Research-A., Vol. 30, No. 4, Pergamon, 287-305.
21.
Maher, M.J., Zhang, X. dan Van Vliet, D. (2001), A Bi-Level Programming Approach For Trip Matrix Estimation and Traffic Control Problem With Stochastic User Equilibrium Link Flows, Transportation Research Part B 35, Pergamon, 23-40.
22.
Matsumoto, Y. dan Horiba, Y. (2005), Estimation of Path Flows and Modification of O-D Flows Based On Probe Vehicle Information and Traffic
258
Counts, Journal of the Eastern Asia Society for Transportation Studies, Vol. 6, 1682-1694. 23.
Ortuzar, J.D. dan Willumsen, L.G. (1994), Modelling Transport, Second Edition, John Wiley and Sons Ltd.
24.
Pignataro, L.J. (1973), Traffic Engineering Theory and Practice, Prentice Hall, New York.
25.
Prasetyo, L.B.B dan Tamin, O.Z. (1999), Metode Estimasi Distribusi Perjalanan Dengan Menggunakan Model Gravity-Opportunity (Studi Kasus Di Kota Bandung), Prosiding Simposium II Forum Studi Transportasi Antar Perguruan Tinggi.
26.
Pravut, W. (1995), A Macro To Estimate An O-D Trip Matrix From Traffic Counts on A Congested Network, Master Thesis, Department of Civil and Resource Engineering, The University of Auckland.
27.
Robillard, P. (1975), Estimating The O-D Matrix From Observed Link Volumes, Transportation Research Vol. 9, Pergamon Press, 123-128.
28.
Ruswandi, D. (2000), Dampak Model Sebaran Perjalanan Pada Estimasi Matriks Asal Tujuan Dari Pencacahan Lalu lintas, Tesis Magister, Program Magister Sistem dan Teknik Jalan Raya, Program Pascasarjana, Institut Teknologi Bandung.
29.
Sherali, H.D., Sivanandan, R. dan Hobeika, A.G. (1994), A Linear Programming Approach For Synthesizing Origin-Destination Trip Tables From Link Traffic Volumes, Transportation Research-B, Vol. 28B, No.3, Pergamon, 213-233.
30.
Sherali, H.D., Arora, N. dan Hobeika, A.G. (1997), Parameter Optimization Methods
For
Estimating
Dynamic
Origin-Destination
Trip-Tables,
Transportation Research-B, Vol. 31, No. 2, Pergamon, 141-157. 31.
Spiess, H. (1990), A Gradient Approach For The O-D Matrix Adjustment Problem, Publication #693, Centre for Research on Transportation, University of Montreal.
32.
Susilo, Y.O., Tamin, O.Z. dan Santoso, I. (1999), Pengembangan Metoda Estimasi Parameter Model Sebaran Pergerakan Dari Data Arus Lalu Lintas, Prosiding Simposium II Forum Studi Transportasi Antar Perguruan Tinggi.
259
33.
Suyuti, R., Djajaputra, A.A., Tamin, O.Z. dan Subagio, B.S. (2002), Tinjauan Model Transportasi Berdasarkan Informasi Data Arus Lalu Lintas, Prosiding Simposium V Forum Studi Transportasi Antar Perguruan Tinggi (FSTPT), 23-33.
34.
Suyuti, R. dan Tamin, O.Z. (2003), Penentuan Lokasi Terbaik dan Jumlah Optimum Data Arus Lalu Lintas Dalam Estimasi Matriks Asal Tujuan Pada Kondisi Pemilihan Rute Keseimbangan, Prosiding Simposium VI Forum Studi Transportasi Antar Perguruan Tinggi (FSTPT), 73-84.
35.
Suyuti, R. dan Tamin, O.Z. (2004a), Pengaruh Jumlah dan Kesalahan Data Arus Lalu Lintas Terhadap Akurasi Estimasi Matriks Asal Tujuan (MAT) Menggunakan Data Arus Lalu Lintas, Jurnal Transportasi Forum Studi Transportasi Antar Perguruan Tinggi, Volume 4 Nomor 1, 47-56.
36.
Suyuti, R. (2004), Determining The Best Location and Optimum Number of Traffic Count Data in Origin-Destination (O-D) Matrices Estimation, Proceeding 10th International Student Seminar On Transport Research Symposium (ISSOT 2004), 48-57.
37.
Suyuti, R. dan Tamin, O.Z. (2004b), Estimasi Matriks Asal Tujuan Menggunakan Data Arus Lalu Lintas Dengan Model Gravity Pada Kondisi Pemilihan Rute Keseimbangan (Equilibrium Assignment), Prosiding Simposium VII Forum Studi Transportasi Antar Perguruan Tinggi (FSTPT).
38.
Suyuti, R. dan Tamin, O.Z. (2005a), The Impact of Estimation Methods in the Accuracy of O-D Matrices Estimated From Traffic Counts Under Equilibrium Condition, Proceedings of The Eastern Asia Society for Transportation Studies, Vol. 5, 1081-1093.
39.
Suyuti, R. dan Tamin, O.Z. (2005b), Pengaruh Jenis Metode Estimasi Dalam Estimasi Matriks Asal Tujuan Menggunakan Data Arus Lalu Lintas Pada Kondisi Pemilihan Rute Keseimbangan, Jurnal Transportasi – Forum Studi Transportasi Antar Perguruan Tinggi.
40.
Suyuti, R. dan Tamin, O.Z. (2005c), Pengaruh Metode Pemilihan Rute Dalam Estimasi Matriks Asal Tujuan Menggunakan Data Arus Lalu Lintas, Jurnal Transportasi – Forum Studi Transportasi Antar Perguruan Tinggi.
260
41.
Tamin, O.Z. (1985), The Estimation of Matrices for Freight Movement From Traffic Counts Using a Non-Linear Regression Approach, MSc Thesis of the University of London, Imperial College and University College London.
42.
Tamin, O.Z. (1988), The Estimation of Transport Demand Model From Traffic Counts, PhD Dissertation of the University of London, University College London.
43.
Tamin, O.Z. dan Willumsen, L.G. (1989), Transport Demand Model Estimation From Traffic Counts, Journal of Transportation, 16, 3-26.
44.
Tamin, O.Z. dan Sjafruddin, A. (1999), Konsep Pemanfaatan Data Arus Lalu lintas (IRMS) Untuk Menghasilkan Matriks Asal-Tujuan Dan Potensi Penggunaannya Dalam Pengembangan Sistem Jaringan Jalan, Prosiding Simposium II Forum Studi Transportasi Antar Perguruan Tinggi.
45.
Tamin, O.Z. (2000), Perencanaan dan Pemodelan Transportasi, Edisi II, Penerbit ITB, Bandung.
46.
Tamin, O.Z., Sjafruddin, A., Hidayat, H., Santoso, I., Supangkat, S.P. dan Soedirdjo, T.L. (2000), Dynamic Origin-Destination (O-D) Matrices Estimation From Real Time Traffic Count Information, Graduate Team Research Grant University Research For Graduate Education (URGE) Project, Directorate General of Higher Education, Ministry of National Education.
47.
Tamin, O.Z. dan Suyuti, R. (2002), Kajian Lanjut Penentuan Lokasi Terbaik Dan Jumlah Optimum Data Arus Lalu Lintas Dalam Estimasi Matriks Asal-Tujuan (MAT) – Penelitian Tahun ke-1, Laporan Akhir Hasil Penelitian, Kegiatan Penelitian Perguruan Tinggi Hibah Bersaing X/1, Departemen Pendidikan Nasional.
48.
Tamin, O.Z. (2003), Perencanaan dan Pemodelan Transportasi: Contoh Soal dan Aplikasi, Penerbit ITB, Bandung.
49.
Tamin, O.Z. dan Suyuti, R. (2003), The Impact of Location and Number of Traffic Counts in the Accuracy of O-D Matrices Estimated From Traffic Counts Under Equilibrium Condition: A Case Study in Bandung (Indonesia), Journal of The Eastern Asia Society for Transportation Studies, Vol. 5, 1393-1407.
261
50.
Tamin, O.Z. dan Suyuti, R. (2003), Kajian Lanjut Penentuan Lokasi Terbaik Dan Jumlah Optimum Data Arus Lalu Lintas Dalam Estimasi Matriks Asal-Tujuan (MAT) – Penelitian Tahun ke-2, Laporan Akhir Hasil Penelitian, Kegiatan Penelitian Perguruan Tinggi Hibah Bersaing X/2, Departemen Pendidikan Nasional.
51.
Tamin, O.Z., Suyuti, R. dan Sinaga, S. (2005), Indonesian Domestic Sea Freight Movement Modelling Based On STRAMINDO Data (2003), Paper Presented at The 10th Seminar of JSPS-DGHE Core University Program on Marine Transportation Engineering, Hiroshima, Japan.
52.
Tamin, O.Z., Suyuti, R. dan Isya, M. (2005), Pengembangan Sistem Informasi Arus Lalu Lintas Sebagai Upaya Pemecahan Masalah Transportasi di Kota Bandung, Laporan Akhir, Program Riset ITB 2005, Institut Teknologi Bandung.
53.
Taufik, I.A. dan Prasetyo, L.B.B. (1996), Estimasi Pemodelan Distribusi Perjalanan Dengan Model Gravity-Opportunity (Studi Kasus Di Kota Bandung), Tugas Akhir, Jurusan Teknik Sipil, Institut Teknologi Bandung.
54.
Van Zuylen, H.J. dan Willumsen, L.G. (1980), The Most Likely Trip Matrix Estimated From Traffic Counts, Transportation Research-B Vol 14B, Pergamon Press Ltd, 281-293.
55.
Watling, D.P. (1994), Maximum Likelihood Estimation Of An OriginDestination Matrix From A Partial Registration Plate Survey, Transportation Research-B, Vol. 28B, No. 4, Pergamon, 289-314.
56.
Wang, X. dan Zhang, N. (2005), GLS Estimation of OD Matrix With Traffic Counts And Information From ATIS, Proceedings of the Eastern Asia Society for Transportation Studies, Vol. 5, 1188-1196.
57.
Widiarjana, N.A. (1999), Pengembangan Metoda Estimasi Maksimum Entropi (ME) Untuk Mengkalibrasi Model-Model Sebaran Pergerakan, Tesis Magister, Program Magister Sistem dan Teknik Jalan Raya, Program Pascasarjana, Institut Teknologi Bandung.
58.
Wills, M.J. (1986), A Flexible Gravity-Opportunity Model For Trip Distribution, Transportation Research-B Vol 20B, No. 2, Pergamon Press, 89111.
262
59.
Willumsen, L.G. (1981), Simplified Transport Models Based on Traffic Counts, Transportation, 10(3), 257-278.
60.
Wisaksono, A. dan Armijaya, H. (1996), Estimasi Model Gravity Dengan Menggunakan Metoda Inferensi Bayes (Studi Kasus Di Kota Bandung), Tugas Akhir, Jurusan Teknik Sipil, Institut Teknologi Bandung.
61.
Wu, J. (1996), Estimation of Time-Varying Origin-Destination Distributions With Dynamic Screenline Flows, Transportation Research-B, Vol. 30, No.4, Pergamon, 277-290.
62.
Wu, J. (1997), A Real-Time Origin-Destination Matrix Updating Algorithm For On-Line Applications, Transportation Research-B, Vol. 31, No. 5, Pergamon, 381-396.
63.
Yang, H., Iida, Y. dan Sasaki, T. (1991), An Analysis of The Reliability of An Origin-Destination
Trip
Matrix
Estimated
From
Traffic
Counts,
Transportation Research-B, Vol. 25B, No. 5, Pergamon Press, 351-363. 64.
Yang, H., Iida, Y. dan Sasaki, T. (1994), The Equilibrium-Based OriginDestination Matrix Estimation Problem, Transportation Research-B. Vol. 28B, No. 1, Pergamon Press, 23-33.
65.
Yang, H., Sasaki, T., Iida, Y. dan Asakura, Y. (1992), Estimation of OriginDestination Matrices From Link Traffic Counts on Congested Networks, Transpn. Res.-B Vol. 26B, No. 6, Pergamon Press, 417-434.
66.
Yang, H. (1995), Heuristic Algorithms For The Bilevel Origin-Destination Matrix Estimation Problem, Transportation Research-B, Vol. 29B, No. 4, Pergamon, 231-242.
67.
Zhang, H.P.LO.N dan Lam, W.H.K. (1996), Estimation of An OriginDestination Matrix With Random Link Choice Proportions: A Statistical Approach, Transportation Research-B, Vol. 30, No. 4, Pergamon, 309-324.
263
