PEMILIHAN MODA DAN RUTE

Fadhilah Rusmiati - 25413020 Firdausi Nurul Awwal - 25413021 Sara Sorayya Ermuna - 25413056

Pendekatan Pemodelan Transportasi

(Ofyar, hal.

PENDAHULU AN
Dalam pemilihan moda ini akan diidentifikasi besarnya pergerakan antar zona yang menggunakan setiap moda transportasi tertentu. Oleh karena itu, masalah pemilihan moda dapat dikatakan sebagai tahap terpenting dalam berbagai perencanaan dan kebijakan transportasi. Hal ini menyangkut efisiensi pergerakan di daerah perkotaan, ruang yang harus disediakan kota untuk dijadikan prasarana transportasi, dan banyaknya pilihan moda transportasi yang dapat dipilih oleh penduduk.

TUJUAN
PEMILIHAN MODA
Model pemilihan moda bertujuan untuk mengetahui proporsi orang yang akan menggunakan setiap moda. Proses ini dilakukan dengan maksud untuk mengkalibrasi model pemilihan moda pada tahun dasar dengan mengetahui peubah bebas (atribut) yang mempengaruhi pemilihan moda tersebut. Setelah dilakukan proses kalibrasi, model dapat digunakan untuk meramalkan pemilihan moda dengan menggunakan nilai peubah bebas (atribut) untuk masa mendatang.

FAKTOR-FAKTOR YANG DAPAT MEMPENGARUHI PEMILIHAN MODA

PROSES PEMILIHAN MODA

MODEL AGREGAT
Agregat
Estimasi berdasarkan tren dari data time series Kelemahan: Tidak sensitiv terhadap adanya perubahan kebijakan Estimasi berdasarkan biaya akomodasi Kelemahan: Tidak sensitiv terhadap adanya perubahan kebijakan

MODEL DISAGREGAT
Disagregat Asumsi: Dipengaruhi oleh: 1. karakter individu, seperti kepemilikan kendaraan, kepemilikan SIM 2. Kesempatan untuk melakukan perjalanan Mengindikasikan karakter zona asal, seperti biaya rata-rata moda yang digunakan, maupun waktu tunggu Aspek kebijakan tidak diakomodir

Model pemilihan moda dianggap: Model agregat jika menggunakan informasi berbasis zona

Model tidak agregat jika memakai data berbasis rumah tangga dan atau data individu

MODEL PEMILIHAN MODA

Keterangan : G = Bangkitan Pergerakan MS = Pemilihan Moda A = Pemilihan Rute D = Sebaran Pergerakan

(Ofyar, hal : 393)

I. II. III. IV.

Pemilihan moda dilakukan pada saat menghitung bangkitan pergerakan Proses pemilihan moda terjadi sebelum proses pemilihan rute dilakukan Tahapan bangkitan pergerakan dan pemilihan rute ikut menentukan dalam pemilihan moda Proses Pemilihan moda terjadi setelah sebaran pergerakan dilakukan

Pemilihan Moda dengan Model Diskrit

Model Pilihan Diskrit (discrete choice model), yaitu model probabilitas dimana nilai dari setiap pilihan responden berkaitan dengan pilihan-pilihan lainnya dalam satu alternatif yang ditawarkan. Metode yang paling populer digunakan

Berdasarkan data disagregat (Pilihan indovidu terhadap moda yang ada)

Keseluruhan pilihan digambarkan sebagai persepsi individu untuk memaksimalkan utilitas

1. Standar error yang digunakan oleh pengamat 2. Tingkat kepercayaan terhadap individu/responden 3. Variasi yang berbeda dari masing-masing persepsi individu

Adanya variasi dari perespsi dan tingkah laku disebabkan:

Model Logit

Model Probit

Bentuk model ini adalah sebagai berikut (Fidel, Juga untuk dua moda alternatif, tetapi model ini 2005): menekankan untuk memilih moda 1, bukan moda 2 dan berusaha menghubungkan antara jumlah perjalanan dengan variabel bebas yang mempengaruhi, misalnya biaya (cost) dan variabel ini harus berdistribusi normal. Dimana Bentuknya adalah (Fidel, 2005): Probabilitas (%) peluang moda I untuk
dipilih

Nilai parameter atau nilai kepuasan menggunakan moda I dan moda j e Eksponensial Model logit biner ini hanya untuk pilihan 2 moda transportasi alternatif (moda i dan j).

Model Multinomial Logit Model ini merupakan model pemilihan diskret yang paling sering digunakan. Pilihan yang dihadapi pelaku perjalanan lebih dari 2 pilihan, yaitu 3 pilihan dan seterusnya. Bentuk model ini digambarkan melalui persamaan berikut (Fidel, 2005):

Dimana: P(i) = peluang moda I untuk dipilih Ui = nilai manfaat menggunakan moda i Ujn = sejumlah nilai manfaat moda-moda lain selain moda I (moda ji jn)

CONTOH SOAL
Kota Surabaya direncanakan untuk mengembangkan moda monorail sebagai salah satu cara untuk mereduksi kemacetan yang terjadi, mengingat Kota Surabaya merupakan ibu kota Propinsi Jawa Timur dengan berbagai faktor penarik berupa fasilitas pendidikan, kesehatan, dan lapangan kerja yang menjanjikan sehigga dapat memicu adanya peningkatan jumlah penduduk sehingga dapat berdampak pada kondisi lalu lintas. Selain itu, perkembangan Kota Surabaya sudah mulai menimbulkan pertumbuhan bagi kota-kota disekitarnya yang dapat disebut dengan Urban Sprawl, seperti Kota Sidoarjo. Banyak permukiman yang tumbuh di Sidoarjo akibat kurangnya lahan untuk pembangunanan perumahan di Surabaya sehingga terjadi mobilitas yang cukup tinggi dari Sidoarjo menuju Surabaya. Mobilitas yang tinggi dapat menimbulkan permasalahan transportasi berupa kemacetan. Adanya penyediaan kereta komuter Surabaya Sidoarjo tidak banyak membantu untuk mengatasi masalah transportasi bagi para komuter tersebut. Oleh karena itu, arus transportasi di Surabaya yang tinggi perlu didukung dengan adanya penyediaan angkutan umum berupa angkutan kota, kereta api, dan bus kota serta perlu adanya integrasi antara moda transportasi yang satu dengan moda transportasi lainnya sehingga pergerakan dapat berjalan dengan lancar.

CONTOH SOAL Metode yang digunakan

Metode yang digunakan adalah metode diskret multinomial logit dengan teknik Stated preference. Dalam hal ini teknik stated preference digunakan untuk mengetahui jumlah penumpang yang akan berpindah dari kendaraan bermotor yaitu mobil dan motor ke monorail. Atribut yang digunakan yaitu atribut terhadap waktu dan harga karena kedua atribut tersebut merupakan variable yang paling berpengaruh dalam pemilihan moda.

Fungsi utilitas adalah mengukur daya tarik setiap pilihan (scenario hipotesa) yang diberikan pada responden. Fungsi ini merefleksikan pengaruh pilihan responden pada seluruh atribut yang termasuk dalam Stated Preference, dengan bentuk fungsi utilitas linier adalah sebagai berikut: Ui = a0 + a1x1 + + anxn Dengan: Ui = utilitas pilihan i a0 . an = parameter model x1 . xn = nilai atribut Tujuan analisa adalah menentukan estimasi nilai a0 sampai an dan nilai-nilai tersebut sebagai bobot pilihan atau komponen utilitas. Berdasarkan nilai parameter model, dapat diketahui efek relative setiap atribut pada seluruh utilitas. Setelah komponen utilitas dapat diestimasi, maka selanjutnya dapat digunakan untuk berbagai tujuan, seperti menentukan kepentingan relative dari atribut yang termasuk dalam eksperimen dan menentukan fungsi utilitas untuk peramalan model.

CONTOH SOAL Penentuan Sampel

Kota Surabaya yang mempunyai penduduk sejumlah 2.902.507 jiwa atau 580501 KK (diasumsikan 1 KK terdiri dari 5 orang) dapat menggunakan standar tersebut sehingga didapatkan jumlah sampel untuk Kota Surabaya adalah 1451 KK. Untuk setiap kecamatan jumlah sampelnya didstribusikan berdasarkan jumlah penduduk yang terdapat di Kecamatan tersebut.
No 1 2 3 4 5 6 Kecamatan Genteng Bubutan Gubeng Sukolilo Mulyorejo Wonokromo Jumlah Penduduk 69691 115878 157254 99362 79379 186813 Jumlah KK Per Kec 13938 23176 31451 19872 15876 37363 Jumlah KK 580501 580501 580501 580501 580501 580501 Persentase (KK Kec /KK Kota) 2,4 4 5,4 3,4 2,7 6,4 Jumlah Sampel (% X 1451KK) 35 58 78 49 39 93

7
8

Dukuh Pakis
Sukomanunggal

59930

11986

580501
580501

2,1
3,3

30
47 429

19473 97363 Total Sampel

CONTOH SOAL Variabel yang digunakan

Variabel bebas yang digunakan: Harga tiket (X1) Waktu tempuh (X2)

Variabel terikat yang digunakan: Jumlah orang yang mau berpindah (Y) sampel 429 jiwa

Analisis stated preference dilakukan untuk mengetahui proporsi jumlah orang yang mau berpindah moda dari kendaraan pribadi yaitu mobil dan motor ke monorail.
No 1 2 3 4 5 Makna Pilihan Pasti memilih Monorail Mungkin memilih Monorail Pilihan Berimbang Mungkin Memilih Kendaraan Pribadi Pasti Memilih Kendaraan pribadi Skala Standart Skala Numerik Pr (Monorail) R=Ln 0,9 R1= 2,1972 0,7 R2= 0,8473 0,5 R3= 0,0000 0,3 R4= -0,8473 0,1 R5= - 2,1972

Nilai R=ln digunakan untuk mengisi nilai Y pada masingmasing pilihan responden untuk setiap variabel

CONTOH SOAL Karakteristik masing-masing variabel

Atribut Harga (Cost = X1) Harga tiket merupakan variabel yang menjadi alasan untuk seseorang menentukan pilihan moda yang akan digunkan dalam melakukan pergerakan. Pilihan harga tiket monorail yang diberikan kepada masyarakat Kota Surabaya yaitu berkisar antara 6000-12000. Berikut ini data responden terhadap atribut cost baik untuk mobil maupun motor.
Pilihan 1 2 3 X1 6000 9000 12000 Jumlah Respon Masing-masing point (cost) untuk Pengguna Mobil 1* 21 10 7 % 60 29 20 2* 9 13 5 % 26 37 14 3* 2 3 9 % 6 9 26 4* 2 6 6 % 6 17 17 5* 1 3 8 % 3 9 23

Respon Pengguna Mobil/Motor terhadap Atribut Harga Tiket 1 = Pasti Pilih Monorail 2 = Mungkin Pilih Monorail 3 = Pilihan Berimbang 4 = Mungkin Pilih Monorail 5 = Pasti Pilih Monorail

1 2 3

Jumlah Respon Masing-masing point (cost) X1 untuk Pengguna Motor 1* % 2* % 3* % 4* % 5* % 6000 168 57 72 24 20 7 10 3 26 9 9000 49 17 65 22 75 25 46 16 61 21 12000 32 11 31 10 66 22 42 14 125 42

Pilihan

CONTOH SOAL Karakteristik masing-masing variabel

Atribut Waktu (X2) Waktu tempuh atau waktu perjalanan merupakan variabel yang menjadi alasan untuk seseorang menentukan pilihan moda yang akan digunkan dalam melakukan pergerakan. Pilihan waktu tempuh monorail yang diberikan kepada masyarakat Kota Surabaya yaitu berkisar antara 5-10 menit. Berikut ini data responden terhadap atribut waktu baik untuk mobil maupun motor. Pilihan Jumlah Respon Masing-masing point (Time) untuk pengguna mobil 1* 5 menit 10 menit 15 menit 29 21 19 % 83 60 54 2* 4 11 7 % 11 31 20 3* 0 0 2 % 0 0 6 4* 1 2 5 % 3 6 14 5* 1 1 2 % 3 3 6
Respon Pengguna Mobil/Motor terhadap Atribut Harga Tiket 1 = Pasti Pilih Monorail 2 = Mungkin Pilih Monorail 3 = Pilihan Berimbang 4 = Mungkin Pilih Monorail 5 = Pasti Pilih Monorail

X2

1 2 3 Pilihan

X2 5 menit 10 menit 15 menit

Jumlah Respon Masing-masing point (Time) untuk Pengguna Motor 1* 245 205 196 % 83 69 66 2* 29 57 42 % 10 19 14 3* 2 4 8 % 0 0 6 4* 3 6 12 % 1 2 4 5* 14 15 21 % 5 5 7

1 2 3

Korelasi Variable Harga Tiket terhadap Potensi Jumlah Penumpang

UMonorel-UMobil
=

2,098 - 0,778.X1

-0,402

PMonorel =

Pilihan Probabilitas Ln (Probabilitas) Pasti Pilih Monorail 0,9 2,1972 Mungkin Pilih 0,7 0,8473 Monorail Pilihan Berimbang 0,5 0,0000 Regresi Mungkin Pilih Moda 0,3 -0,8473 Variabel Koefisien Saat Ini Pasti Pilih Moda Saat 0,1 Konstanta 2.098 -2,1972 Ini X -.778
1

Harga Tiket (X1) 6000 9000 12000

Nilai Utilitas -4665,90 -6999,9 -9333,9

PMonorail 0,80 0,60 0,32

PMobil 0,20 0,40 0,68

11

Korelasi Variable Harga Tiket terhadap Potensi Jumlah Penumpang

UMonorel-UMobil

2,198 - 0,313.X2
X1 Y 1 -0.226 1

X1 Y

Analisis Regresi
Variabel

P.Monorail =

X1 = 0,778 Koefisien X2 = 0,313

2.189 -.313

Konstanta X1

Waktu (X2) 5 10 15 0,633 -0,932 -2,497

Nilai Utilitas

PMonorail 0,82 0,28 0,08

PMobil 0,18 0,72 0,92

Korelasi Variable Harga Tiket terhadap Potensi Jumlah Penumpang

UMonorel-UMotor

2,161 - 0,982.X1
X1 Y

X1 1 -0.493

PMonorel =
1

Analisis Regresi
Variabel Konstanta X1 Harga Tiket (X1) 6000 9000 12000 -5890 -8836 -11782 Nilai Utilitas Koefisien 2.161 -.982 PMonorail 0,82 0,56 0,21 PMotor 0,18 0,44 0,79

Korelasi Variable Harga Tiket terhadap Potensi Jumlah Penumpang

X1
UMonorel-UMotor
=

Y 1 -0.149
PMonorel =

2,028 - 0,212.X2

X1 Y

Analisis Regresi
Koefisien X1 = 0,982 X2 = 0,212 2.028 Konstanta Variabel X1 -.212

Harga Tiket (X1) 5 10 15

Nilai Utilitas 0,968 -0,932 -2,497

PMonorail 0,73 0,48 0,24

PMotor 0,17 0,52 0,76

PEMILIHAN RUTE

FOUR STEP MODEL

Merupakan tahapan final pada permodelan transportasi

Pergerakan kendaraan dari satu zona ke zona yang lain ditentukan pada rute pergerakan tertentu di antara tiap pasang zona (I,j) Dapat menggunakan generalized cost

PEMILIHAN RUTE
RUTE MANA YANG HARUS DITEMPUH
ASAL

TUJUAN
ZONA TARIK AN

ZONA BANGKIT AN

BERDASARKAN BIAYA, WAKTU TEMPUH, DAN JARINGAN JALAN YANG TERSEDIA SETIAP PELAKU PERJALANAN MENCOBA MENCARI RUTE TERBAIK YANG MEMINIMUMKAN BIAYA DAN WAKTU PERJALANAN

EFEK STOKASTIK

Setiap orang memiliki persepsi yang berbeda mengenai biaya perjalanan

Kriteria Efek Stokastik Dipertimbangkan ? Tidak Ya Stokastik Murni All-orNothing Equilibrium Wardrop

Efek Batasan Kapasitas Dipertimbangkan ?

Tidak Ya

Keseimbangan -PenggunaStokastik

TUJUAN TAHAPAN PEMODELAN FAKTOR YANG MEMPENGARUHI PEMILIHAN RUTE Mengalokasi setiap pergerakan antar zona pada berbagai rute yang paling sering digunakan orang bergerak dari zona asal ke zona tujuan Output berupa informasi arus lalu lintas pada setiap ruas jalan termasuk biaya perjalanan
Waktu tempuh, jarak, biaya, kemacetan dan antrian, jenis manuever yg dibutuhkan, jenis jalan raya, kelengkapan rambu, serta kebiasaan

Biaya pergerakan dan nilai waktubiaya pergerakan proporsional dengan jarak tempuh

Faktor Penentu Utama dalam Pemilihan Rute

Waktu Tempuh
Waktu total perjalanan yg diperlukan termasuk berhenti dan tundaan

Nilai waktu
Sejumlah uang yg disediakan seseorang untuk dikeluarkan untuk menghemat satu unit waktu perjalanan Nilai waktu sebanding dengan pendapatan perkapita, asumsi waktu perjalanan konstan sepanjang waktu, relatif terhadap pengeluaran konsumen

Biaya perjalanan
Dalam bentuk uang, waktu tempuh, jarak atau kombinasi ketiganya Biaya = a1. waktu + a2 jarak+ a3 a1 = nilai waktu (Rp/jam) a1 = biaya operasi kendaraan (Rp/km) a1 = biaya tambahan lain (harga karcis tol)

Biaya operasi kendaraan

Biaya bahan bakar, pelumas, baiya penggantian, biaya perawatan kendaraan, upah, gaji sopir

METODE ALL OR NOTHING

Waktu penggunaan
Daerah pinggiran kota yang jaringan jalannya tidak begitu rapat dan arus lalu lintas serta kemacetan tidak tinggi / pada jaringan jalan sederhana

Asumsi Model pemilihan rute paling sederhana

Kegunaan Berfungsi untuk menentukan arah pembangunan jaringan jalan baru

Proporsi pengendara dalam memilih rute asumsi pribadi dan ciri fisik tiap ruas jalan yang dilalui
Biaya perjalanan dianggap tetap dan tidak dipengaruhi oleh kemacetan Hanya berfungsi untuk menemukan rute dengan jarak terpendek

Digunakan untuk memperlihatkan Bagi daerah atau desire line (garis zona yang hanya keinginan), misal rute memiliki beberapa yang dipilih rute alternatif saja pengendara jika tidak terjadi kemacetan Semua permintaan perjalanan dibebankan ke rute minimum dan tidak ada satupun yang dibebankan ke rute pilihan lainnya

METODE ALL OR NOTHING

Diketahui daerah studi 4 zona 11

MATRIKS ASAL TUJUAN (trip)

Zona 1 1 2 3 4 275 650 1250 2 500 1870 350 3 750 1050 2050 4 350 475 950 4 MATRIKS WAKTU TEMPUH (t), menit Zona 1 1 2 11 3 4 7 6 MATRIKS WAKTU TEMPUH (t), menit 8 7 10 5 7 1

10

2 3
4

10
8

7 10

6
-

METODE ALL OR NOTHING

Tahap 1 : Cari minimum Path Tree 11 1 7 7 + 10 = 17 6 + 7 = 13 3 2 1 10 2 7

4
MATRIKS WAKTU TEMPUH (t), menit 11 1 2 4 10 8 10 + 5= 15

10 7 5 10 6

6 + 8 = 14

5
3

8 4

7 3

4 6

LAKUKAN PEMBEBANAN TRIP SESUAI MINIMUM PATH TREE

Zona 1
1 2 3 4 275 650 1250

2
500 1870 350

3
750 1050 2050

4
350 475 950 1

500 2 350+750 1

275 2 1050+475 475 3

4
MATRIKS WAKTU TEMPUH (t), menit 11 1 2 4 1250

750

2 350

1 1870

10 7 5 10 6

650

8 4

7 3

3
2050+350

4 950+650

JUMLAHKAN BEBAN TIAP LINTASAN

500 1 1100 2 1 1525 475 3 275 2

750

600

1 2 4 1250 350

1 1870

1 1900 1100 4

275

650

2220 3160 2076 3

3
2400

4 1600

1626

METODE STOKASTIK
Asumsi Didasarkan pada seleksi sebaran acak yang mempunyai rata-rata waktu tempuh sebenarnya dari rute tersebut Ditemukan satu rute tercepat yang akan digunakan antara setiap pasangan zona i dan d. Model dari Metode Stokastik Metode Stokastik , terdiri dari beberapa model:

Mengabaikan efek kemacetan Merupakan model menyebarkan arus yang ada ke banyak rute yang tersedia dengan memperhatikan kecenderungan setiap pengendara dalam memilih rute Pengendara diasumsikan mengambil rute tercepat meskipun mereka tidak yakin rute mana yang tercepat

Model Burrell

Model Sakarovitch

Waktu tempuh menunjukkan rute tercepat

Model Dial

PERBEDAAN METODE STOKASTIK DAN METODE ALL OR NOTHING

ALL OR NOTHING Persamaan Perbedaan 1. Rute terpendek merupakan satusatunya rute yang akan dipilih untuk pembebanan arus lalu lintas dari zona asal i ke zona tujuan j 2. Biaya perjalanan dianggap tetap

STOKASTIK 1. Memperhitungkan persepsi perseorangan terhadap waktu tempuh 2. Pengguna jalan disebarkan kepada beberapa pilihan rute (pembebanan arus disebar pada beberapa rute) 3. Biaya perjalanan dapat berubah Pemilihan rute didasarkan pada biaya yang paling minimal

Mengabaikan efek kemacetan

1. Metode Burrell
Asumsi Kegunaan Menemukan dan membebankan rute tercepat dengan meminimumkan biaya

Kelemahan
Tidak memperhitungkan adanya efek kemacetan

Membedakan biaya objektif (pengamat) dan subjektif (pengendara)

Biaya perjalanan untuk setiap ruas jalan dan jaringan disebar sekitar nilai rerata biaya perjalanan
Sebaran biaya persepsi diasumsikan tidak berkorelasi

Dihasilkan n set rute utk setiap set biaya rerata

1. Metode Burrell
Tentukan sebaran utk biaya persepsi tiap ruas jalan Pisahkan populasi yg akan bergerak utk tiap pasangan asal-tujuan menjadi N segmen, tiap segmen diasumsikan punya biaya persepsi yg sama 1.Buat n=0 2.Buat n=n+1 3.Utk tiap pasangan asal-tujuan (i-d): Hitung biaya persepsi utk tiap ruas jalan dgn mengambil sampel dari sebaran biaya persepsi Buat rute dgn biaya persepsi minimum dari i ke d dan bebankan Tid/N besar arus pd tiap ruas jalan 4. Jika n=N, stop; jika tidak kerjakan tahap 2

b
1000

O1
1000

a
1500

O2
1500

Fungsi biaya

Empty link cost

Typical link cost

A 1 + arus/1000 B 8 + arus/1000
C 4 + arus/1000

1 8
4

2 9
8

1. Metode Burrell
Fungsi biaya A 1 + arus/1000
B 8 + arus/1000 C 4 + arus/1000 Fungsi biaya A 1 + arus/1000

Empty link cost 1

8 4 Empty link cost 1

Typical link cost 2

9 8 Typical link cost 2

Biaya O1 D 1,98
10,17 7,04 Biaya O1 D 2,08

Rute yang paling murah melalui rute a+c

B 8 + arus/1000
C 4 + arus/1000 Fungsi biaya A 1 + arus/1000 B 8 + arus/1000

8
4 Empty link cost 1 8

9
8 Typical link cost 2 9

8,73
8,48 Biaya O2 D 1,92 9,54

Rute yang paling murah melalui rute b

C 4 + arus/1000 Fungsi biaya A 1 + arus/1000

B 8 + arus/1000 C 4 + arus/1000

4 Empty link cost 1

8 4

8 Typical link cost 2

9 8

9,12 Biaya O2 D 1,6

8,82 7,52

Rute yang paling murah melalui rute c

Rute yang paling murah melalui rute c

Total Arus yang masuk ke masing rute

1000

1000

O1
1000

a
1500

1000

O2
1500

1000 + 1500 + 1500 c

Total arus yang masuk ke a 1000 Total arus yang masuk ke b 1000 Total arus yang masuk ke c 4000

2. Model Sakarovitch
Menentukan rute terbaik yang lebih dari satu rute dalam setiap pasangan zona di wilayah kajian

Menggunakan algoritma

Membagi MAT menjadi N bagian dengan proporsi terbesar dibebankan ke rute tercepat

Proporsi terkecil dibebankan pada rute terpanjang Dilakukan pengulangan sebnanyak N kali hingga seluruh MAT dibebankan pada jaringan

3. Model Dial
Rute terpendek akan lebih dipilih daripada yang lebih panjang Merupakan model rute berdasarkan peluang dengan mengalokasikan pergerakan pada beberapa alternatif rute yang tergantung pada panjang (biaya) rute. Membagi pergerakan yang tiba di suatu simpul ke simpul lainnya yang memungkinkan.
Prob (r) = peluang memilih rute r tr = jumlah waktu pada rute r R = jumlah rute alternatif a = parameter yang dikalibrasi

Model harus memiliki peluang yang lebih besar dari nol bagi semua ruas jalan yang pantas dan peluang sama dengan nol bagi ruas jalan yang tidak sesuai

b
1000

O1
1000

a
1500

O2
1500

1. Biaya dari zona asal O1 untuk menuju zona tujuan D melalui rute b harus mengeluarkan Biaya 9 dolar. 2. Sementara itu, jika melalui a dan c akan mengeluarkan biaya 10 dolar. 3. Berapa Peluang yang akan melalui rute b, dan berapa yang akan melalui rute a + c?

Pb : exp (-0,5 x 9) exp (-0,5 x 9) + exp (-0,5 x 10)

= 0,011 0,011 + 0,007

= 0,61

Sehingga diketahui bahwa 1222 (61%) dari bangkitan yang ada akan memilih rute b Dan 778 (39%) akan melalui rute a+c

ASUMSI
Hambatan batasan kapasitas tidak

dipertimbangkan Ongkos secara implisit diketahui. (Ongkos =

Generalised Cost, misal: waktu, jarak, ongkos parkir, kenyamanan, kemudahan, dll) Masing-masing pengemudi mencoba untuk

meminimumkan ongkos perjalanannya dengan memilih rute

Model Equilibrium oleh Wardrop (1952)

Terdapat dua perilaku intuitif yang menjelaskan bagaimana lalu-lintas dapat didistribusikan kedalam rute yang dikenal dengan

Prinsip Wardrop Equilibrium

Prinsip Wardrop Equilibrium

1. Prinsip pertama (Users Equilibrium): Dalam kondisi keseimbangan tidak ada lagi pengguna jalan yang bisa mengubah rutenya,
karena tidak ada lagi rute lain yang lebih murah yang bisa dipilih. Semua rute yang lain yang tidak digunakan memiliki biaya yang sama atau bahkan lebih besar daripada rute-rute yang ada sekarang

2. Prinsip kedua (System

Optimum): Dalam

kondisi keseimbangan, lalu lintas akan mengatur dirinya sendiri dalam (sebagai kumpulan) jaringan yang macet sehingga semua rute yang digunakan dari titik A ke B memiliki biaya yang

sama dan minimum. Sementara rute yang

tidak digunakan berbiaya sama atau bahkan lebih mahal.

TAPI pada umumnya, dalam praktek arus yang

dihasilkan dari dua prinsip tadi tidak sama mengikuti prinsip Wardrop pertama

Users

Equilibrium

Model Trip Assignments

Model Agregat Trip Assignments

All-orNothing Heuristic

Model Equilibrium

Stokastik Murni

(tidak dijamin konvergen)

Algoritma FrankWolfe
(konvergen)

Incremental

Iterative

Quantal

Tingkat Konvergensi ()
Tiga tipe dasar kriteria konvergensi: 1. Dengan melihat perbedaan antara arus atau biaya ruas pada setiap pengulangan yang berurutan. Dengan perbedaaan ini dapat dilihat apakah proses pengulangan selanjutnya akan menghasilkan perubahan yang berarti bagi arus atau biaya tersebut. Jika tidak ditemui perubahan yang berarti maka konvergensi dianggap sudah tercapai 2. Dengan mengukur perbedaan antara asumsi hubungan biaya- arus pada saat awal pembebanan dengan hubungan biaya-arus pada saat akhir pembebanan 3. Melihat potensi perbaikan yang dihasilkan apabila dilakukan proses pengulangan.

Cijr Cij*= selisih biaya pada rute tertentu dan biaya perjalanan minimum pada pasangan (i,j). Biaya ini dihitung setelah pengulangan selesai dan total pergerakan didapatkan untuk setiap ruas jalan. Sehingga nilai adalah nilai yang dihasilkan oleh selisih antara biaya rute optimal dan rute tidak optimal. Semakin kecil nilai , kondisinya semakin mendekati kondisi

keseimbangan Wardrop

Heuristic Model Equilibrium

Penggunaan metode ini telah banyak digunakan Dapat digunakan pada jaringan yang kompleks yang besarnya biaya tergantung sekali dengan interaksi arus Tetapi hasil pembebanan tidak dijamin konvergen Beberapa Model diantaranya: 1. Model Pembebanan Bertahap atau Incremental Model 2. Model Pembebanan Berulang atau Iterative Model 3. Model Pembebanan Kuantal atau Quantal Model

Metode Pembebanan Bertahap (Incremental Assignment)

Prinsip utama: membagi MAT total menjadi beberapa bagian MAT (misal

10%) dgn menggunakan 1 set faktor proporsional

Pn = 0,1 dengan Pn = 1 Dalam setiap pembebanan, biaya dihitung kembali berdasarkan hub biaya-arus

Nilai tipikal utk Pn adalah

0,1

Metode pembebanan bertahap punya keuntungan: 1. Sangat mudah diprogram 2. Hasilnya bisa digunakan utk melihat evolusi terjadinya kemacetan pd jam sibuk

Bentuk Algoritma :
1. Pilih 1 set biaya ruas, misal waktu tempuh dlm kond arus bebas, semua arus Va=0, pilih 1 set fraksi Pn dari MAT sehingga Pn= , buat n =0 2. Bentuk 1 set pohon biaya minimum (1 utk tiap simpul asal) dgn menggunakan biaya yg ada, buat n=n+1 3. Bebankan Tn=pn.T dgn menggunakan pembebanan all or nothing pd tiap pohon tsb utk mendapatkan nilai arus Fl, akumulasikan arus2 tsb utk tiap ruas jalan: Hitung 1 set biaya ruas yg baru berdasarkan arus sebesar Vln, jika bagian MAT belum selesai dibebankan, kerjakan tahap 2, jika sudah stop.

Vl n= Vln-1 + Fl

4.

Batasan metode Incremental Assignment jika arus sudah dibebankan pd suatu ruas, maka arus tsb tidak bisa dipindahkan atau dibebankan ke tempat lain. akibatnya jika arus pada permulaan pembenanan terlalu besar, maka hasil algoritma menjadi tidak konvergen.

Keseimbangan Wardrop tercapai jika nilai

Dikatakan konvergen jika jumlah biaya antar rute sama

besar

Contoh Soal :
Sepasang zona asal-tujuan dgn 3 alternatif yg punya hubungan biaya-arus yg berbeda. Pergerakan sebesar 2000 kendaraan dari zona asal A ke zona tujuan B Terdapat 5 kasus yg akan diteliti:
1. Fraksi pembebanan seragam sebesar 25%, 10% dan 5%

2. Fraksi pembebanan tidak seragam sebesar

3.

40%, 30%, 20% dan 10% Fraksi pembebanan tidak seragam sebesar 10%, 20%, 30% dan 40%

Kasus 1

Pembebanan seragam 25%

(500 kendaraan)

Sumber : Tamin, 2000

500 20;20 :1000 20;20 :500(20;20) = 2000 (20)

=0
Pembebanan bertahap seragam sebesar 25% memiliki hasil yang konvergen dan mencapai kesimbangan wardrop

Pembebanan seragam 10%

Pembebanan ke0 1 2 3 4 5 6 7 8 9 10 Total F 0 200 200 200 200 200 200 200 200 200 200 2,000 = 0.0000 Rute 1 Arus 0 200 200 400 400 400 400 400 500 500 500 Biaya 10.0 14.0 14.0 18.0 18.0 18.0 18.0 18.0 20.0 20.0 20.0 Rute 2 Arus 0 0 0 0 0 200 400 600 700 800 1,000 Biaya 15.0 15.0 15.0 15.0 15.0 16.0 17.0 18.0 18.5 19.0 20.0 Arus 0 0 200 200 400 400 400 400 400 500 500

(200 kendaraan)
Biaya 12.50 12.50 15.50 15.50 18.50 18.50 18.50 18.50 18.50 20.00 20.00 Min 10.0 12.5 14.0 15.0 15.0 16.0 17.0 18.0 18.5 19.0 20.0 Jumlah 0 200 400 600 800 1,000 1,200 1,400 1,600 1,800 2,000

Rute 3

Sumber : Tamin, 2000

500 20;20 :1000 20;20 :500(20;20) 2000 (20)

=0

Pembebanan bertahap seragam sebesar 10% memiliki hasil yang konvergen dan mencapai kesimbangan wardrop

Pembebanan seragam 5%

(100 kendaraan)

Sumber : Tamin, 2000

550 21;19.75 :950 (19.75 ;19.75):500(20;19.75) = = 0.0206 2000 (19.75)

Pembebanan bertahap seragam sebesar

5% memiliki

hasil

yang konvergen dan mencapai kesimbangan wardrop

Kasus 2

Pembebanan tidak seragam 40

%, 30 %, 20%,10%

Sumber : Tamin, 2000

800 26;18 :600 18;18 :600(21.5;18) = 2000 (18)

= 0.2361

Terlihat bahwa hasil pembebanan tidak mencapai konvergen dengan solusi keseimbangan wardrop. Hal ini karena arus

(800) terlalu besar di bebankan pada rute 1

Kasus 3

Pembebanan tidak seragam 10

%, 20 %, 30%,40%

Sumber : Tamin, 2000

= 0.1729

800 26;18.5 :800 19;18.5 :400(18.5;18.5) 2000 (18)

Terlihat bahwa hasil pembebanan tidak mencapai konvergen dengan solusi keseimbangan wardrop. Hal ini karena arus

(800) terlalu besar di bebankan pada rute 1

Metode Pembebanan Berulang (Iterative Assignment)

Bertujuan untuk mengatasi masalah pembebanan arus lalu lintas yang terlalu tinggi pada jalan berkapasitas rendah Arus pada suatu ruas dihitung sebagai kombinasi linear antara arus yg dihasilkan oleh pengulangan terakhir dan arus yang dihasilkan dari hasil pembebanan all or nothing pada

pengulangan sekarang

Bentuk Algoritma :
1. 2. 3. 4. Pilih 1 set data biaya, misal: waktu tempuh pd kondisi arus bebas; Inisiasikan semua arus Vl(n) = 0, set n=0 Bentuk 1 set pohon biaya minimum, set n=n+1 Bebankan semua MAT T dgn menggunakan all or nothing untuk menghasilkan arus Fl; Hitung arus pd saat sekarang:

Vl(n)= (1-).Vl(n-1) + .Fl

Ket:

: parameter dengan nilai 0-1 Vl(n) : arus lalu lintas yang dihasilkan oleh pengulangan ke n Fl : arus lalu lintas yang dihasilkan oleh model all or nothing
dengan biaya perjalanan yang dihasilkan oleh pengulangan ke (n-1) Vl(n-1) : arus lalu lintas yang dihasilkan oleh pengulangan ke (n-1)

5.

Hitung 1 set baru biaya bdsk arus Vl(n); jika arus tsb tidak berubah scr nyata pd 2 pengulangan yg berurutan, stop, jika tidak teruskan ke tahap 2.

 Indikator dapat digunakan kapan stop dan harus dihitung utk menentukan apakah solusinya mendekati kondisi keseimbangan? Smock (1962) nilai harus = kebalikan nilai jumlah pengulangan ( =1/n) Pembobotan seimbang diberikan pada setiap arus Fl Oleh karena itu dikenal dengan Metode rata-rata

berurutan (Method of Successive Averages-MSA)

Nilai =1/n menghasilkan solusi yang konvergen dengan kondisi keseimbangan Algoritma Frank Wolfe dapat menghitung nilai optimal untuk menjamin dan mempercepat konvergen

Contoh Soal :
Sepasang zona asal-tujuan dgn 3 alternatif yg punya hubungan biaya-arus yg berbeda. Pergerakan sebesar 2000 kendaraan dari zona asal A ke zona tujuan B. Pertimbangkan permasalahan tersebut dengan nilai

= 0,5 dan =1/n

dengan menggunakan nilai

= 0,5

Sumber : Tamin, 2000

Terlihat setelah pengulangan ke 10, kondisi keseimbangan wardrop belum tercapai. Hasil logaritma ini sudah mendekati kondisi keseimbangan pada pengulangan ke 3, 6 dan 9 . Hal ini disebabkan oleh kakunya penentuan = 0.5

dengan menggunakan nilai

= 1/n

Sumber : Tamin, 2000

Terlihat bahwa hasil pembebanan setelah pengulangan ke 8 hampir mencapai kondisi solusi keseimbangan wardrop

Metode Pembebanan Quantal

Pada metode-metode sebelumnya pembebanan matriks O-D pada jaringan jalan adalah dengan menetapkan biaya ruas, menghitung biaya minimum pada lintasan untuk seluruh perjalanan dari asal ke tujuan dan pembebanan perjalananan pada lintasan tersebut. Setiap perubahan biaya di ruas hanya dilakukan pada saat akhir proses ini. Sebaliknya pada pembebanan quantal kita bisa melakukan perubahan biaya setiap ruas selama prosedur

pembebanan.

Bentuk Algoritma :
Algoritma pembebanan ini diuraikan sebagai berikut: 1. Buat biaya di ruas pada saatfree flow dan 2. inisialisasi seluruh Fl = 0. Hitung biaya minimum lintasan untuk n asal perjalanan (origin) setiap rute dan bebani perjalanan Tij pada rute tersebut, perbaharui volume terakhir Fl . Apabila seluruh asal perjalanan telah dibebani, stop; jika tidak buat biaya di ruas berdasarkan C (Fl) dan kembali ke langkah (2).

3.

Keuntungan Metode Quantal:

bila suatu ruas tertentu dibebani terlalu berlebih pada saat awal pembebanan, biayanya akan bertambah sehingga pada iterasi berikutnya ruas tersebut menerima arus lalu lintas

lebih sedikit.
menghasilkan penyebaran distribusi perjalanan lebih baik. Oleh Karena itu pada prosedur pembebanan equilibrium, cenderung menghasilkan nilai awal yang lebih baik dibandingkan dengan pembebanan All-or-nothing. mencegah terjadinya rute yang aneh yang dihasilkan dari pembebanan all or-nothing yang terjadi bila suatu ruas-ruas tertentu dibebani sangat besar pada saat awal pembebanan sehingga menghasilkan biaya sangat tinggi. Kondisi ini mengakibatkan rute tersebut dikeluarkan dari jaringan.

Model Equilibrium (Algoritma Frank-Wolfe-1956)

Metoda heuristic mungkin menghasilkan penyelesaian equilibrium yang tidak konvergen.
Perbaikan utama algoritma Frank-Wolfe dibandingkan dengan metodeheuristic adalah nilai n (dalam metode heuristic dilambangkan dengan ) dihitung dengan menggunakan formulasi program matematis sebagai pengganti dari nilai yang tetap. Karena itu algoritma ini menjamin dapat mencapai tingkat

konvergensi dengan lebih effisien.

Bentuk Algoritma :
Pilih 1 set data biaya, misal: waktu tempuh pd kondisi arus bebas; Inisiasikan semua arus Vl(n) = 0, set n=0 Bentuk 1 set pohon biaya minimum, set n=n+1 Bebankan semua MAT dgn menggunakan all or nothing untuk menghasilkan arus Fl; Hitung arus pd saat sekarang: Hitung 1 set baru biaya bdsk arus Vl(n); jika arus tsb tidak berubah scr nyata pd 2 pengulangan yg berurutan, stop, jika tidak teruskan ke tahap 2.

Vl(n)= (1-).Vl(n-1) + .Fl