Sara Sorayya Ermuna - 25413056 PEMILIHAN MODA DAN RUTE (Ofyar, hal. 83) Pendekatan Pemodelan Transportasi 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 MODEL DISAGREGAT Agregat Disagregat 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 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. Pemilihan moda dilakukan pada saat menghitung bangkitan pergerakan II. Proses pemilihan moda terjadi sebelum proses pemilihan rute dilakukan III. Tahapan bangkitan pergerakan dan pemilihan rute ikut menentukan dalam pemilihan moda IV. 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. Berdasarkan data disagregat (Pilihan indovidu terhadap moda yang ada) Keseluruhan pilihan digambarkan sebagai persepsi individu untuk memaksimalkan utilitas Adanya variasi dari perespsi dan tingkah laku disebabkan: Metode yang paling populer digunakan 1. Standar error yang digunakan oleh pengamat 2. Tingkat kepercayaan terhadap individu/responden 3. Variasi yang berbeda dari masing-masing persepsi individu Juga untuk dua moda alternatif, tetapi model ini 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. Bentuknya adalah (Fidel, 2005): Model Probit Bentuk model ini adalah sebagai berikut (Fidel, 2005): Dimana e Probabilitas (%) peluang moda I untuk dipilih Nilai parameter atau nilai kepuasan menggunakan moda I dan moda j Eksponensial Model logit biner ini hanya untuk pilihan 2 moda transportasi alternatif (moda i dan j). Model Logit 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 U jn = sejumlah nilai manfaat moda-moda lain selain moda I (moda j i j n ) 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: U i = a 0 + a 1 x 1 + + a n x n
Dengan: U i = utilitas pilihan i a 0 . a n = parameter model x 1 . x n = nilai atribut Tujuan analisa adalah menentukan estimasi nilai a 0 sampai
a n 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 No Kecamatan Jumlah Penduduk Jumlah KK Per Kec Jumlah KK Persentase (KK Kec /KK Kota) Jumlah Sampel (% X 1451KK) 1 Genteng 69691 13938 580501 2,4 35 2 Bubutan 115878 23176 580501 4 58 3 Gubeng 157254 31451 580501 5,4 78 4 Sukolilo 99362 19872 580501 3,4 49 5 Mulyorejo 79379 15876 580501 2,7 39 6 Wonokromo 186813 37363 580501 6,4 93 7 Dukuh Pakis 59930 11986 580501 2,1 30 8 Sukomanunggal 97363 19473 580501 3,3 47 Total Sampel 429 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. 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 Makna Pilihan Skala Standart Pr (Monorail) Skala Numerik R=Ln 1 Pasti memilih Monorail 0,9 R1= 2,1972 2 Mungkin memilih Monorail 0,7 R2= 0,8473 3 Pilihan Berimbang 0,5 R3= 0,0000 4 Mungkin Memilih Kendaraan Pribadi 0,3 R4= -0,8473 5 Pasti Memilih Kendaraan pribadi 0,1 R5= - 2,1972 Nilai R=ln digunakan untuk mengisi nilai Y pada masing- masing pilihan responden untuk setiap variabel CONTOH SOAL Karakteristik masing-masing variabel Pilihan X 1
Jumlah Respon Masing-masing point (cost) untuk Pengguna Mobil 1* % 2* % 3* % 4* % 5* % 1 6000 21 60 9 26 2 6 2 6 1 3 2 9000 10 29 13 37 3 9 6 17 3 9 3 12000 7 20 5 14 9 26 6 17 8 23 Atribut Harga (Cost = X 1 ) 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. 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 P i l i h a n
X 1
Jumlah Respon Masing-masing point (cost) untuk Pengguna Motor 1* % 2* % 3* % 4* % 5* % 1 6000 168 57 72 24 20 7 10 3 26 9 2 9000 49 17 65 22 75 25 46 16 61 21 3 12000 32 11 31 10 66 22 42 14 125 42 CONTOH SOAL Karakteristik masing-masing variabel 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 P i l i h a n
X 2
Jumlah Respon Masing-masing point (Time) untuk pengguna mobil 1* % 2* % 3* % 4* % 5* % 1 5 menit 29 83 4 11 0 0 1 3 1 3 2 10 menit 21 60 11 31 0 0 2 6 1 3 3 15 menit 19 54 7 20 2 6 5 14 2 6 Atribut Waktu (X 2 ) 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. P i l i h a n
X 2
Jumlah Respon Masing-masing point (Time) untuk Pengguna Motor 1* % 2* % 3* % 4* % 5* % 1 5 menit 245 83 29 10 2 0 3 1 14 5 2 10 menit 205 69 57 19 4 0 6 2 15 5 3 15 menit 196 66 42 14 8 6 12 4 21 7 11 Korelasi Variable Harga Tiket terhadap Potensi Jumlah Penumpang Variabel Koefisien Konstanta 2.098 X 1 -.778 Regresi
U Monorel -U Mobil = 2,098 - 0,778.X 1
P Monorel = Harga Tiket (X 1 ) Nilai Utilitas P Monorail P Mobil
6000 -4665,90 0,80 0,20 9000 -6999,9 0,60 0,40 12000 -9333,9 0,32 0,68 -0,402 Pilihan Probabilitas Ln (Probabilitas) Pasti Pilih Monorail 0,9 2,1972 Mungkin Pilih Monorail 0,7 0,8473 Pilihan Berimbang 0,5 0,0000 Mungkin Pilih Moda Saat Ini 0,3 -0,8473 Pasti Pilih Moda Saat Ini 0,1 -2,1972 Analisis Regresi
X 1 Y X 1 1 Y -0.226 1 Variabel Koefisien Konstanta 2.189 X 1 -.313 Korelasi Variable Harga Tiket terhadap Potensi Jumlah Penumpang
P.Monorail = U Monorel -U Mobil = 2,198 - 0,313.X 2
Waktu (X 2 ) Nilai Utilitas P Monorail P Mobil
5 0,633 0,82 0,18 10 -0,932 0,28 0,72 15 -2,497 0,08 0,92 X1 = 0,778 X2 = 0,313 Variabel Koefisien Konstanta 2.161 X 1 -.982 X 1 Y X 1 1 Y -0.493 1 Korelasi Variable Harga Tiket terhadap Potensi Jumlah Penumpang
Analisis Regresi
U Monorel -U Motor = 2,161 - 0,982.X 1
P Monorel = Harga Tiket (X 1 ) Nilai Utilitas P Monorail P Motor
X 1 Y X 1 1 Y -0.149 1 Korelasi Variable Harga Tiket terhadap Potensi Jumlah Penumpang
U Monorel -U Motor = 2,028 - 0,212.X 2
P Monorel =
`
Harga Tiket (X 1 ) Nilai Utilitas P Monorail P Motor
5 0,968 0,73 0,17 10 -0,932 0,48 0,52 15 -2,497 0,24 0,76 X1 = 0,982 X2 = 0,212 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 ZONA BANGKIT AN ZONA TARIK AN ASAL TUJUAN RUTE MANA YANG HARUS DITEMPUH 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 Efek Batasan Kapasitas Dipertimbangkan ? Tidak All-or- Nothing Stokastik Murni Ya Equilibrium Wardrop Keseimbangan -Pengguna- Stokastik TUJUAN TAHAPAN PEMODELAN 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 FAKTOR YANG MEMPENGARUHI PEMILIHAN RUTE Waktu tempuh, jarak, biaya, kemacetan dan antrian, jenis manuever yg dibutuhkan, jenis jalan raya, kelengkapan rambu, serta kebiasaan Biaya pergerakan dan nilai waktu- biaya 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 Asumsi Model pemilihan rute paling sederhana 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 Waktu penggunaan Daerah pinggiran kota yang jaringan jalannya tidak begitu rapat dan arus lalu lintas serta kemacetan tidak tinggi / pada jaringan jalan sederhana Bagi daerah atau zona yang hanya memiliki beberapa rute alternatif saja Kegunaan Berfungsi untuk menentukan arah pembangunan jaringan jalan baru Digunakan untuk memperlihatkan desire line (garis keinginan), misal rute yang dipilih 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 Zona 1 2 3 4 1 - 500 750 350 2 275 - 1050 475 3 650 1870 - 950 4 1250 350 2050 - Zona 1 2 3 4 1 - 11 7 2 10 - 7 3 5 - 6 4 8 10 - 1 2 3 4 6 10 10 11 5 7 7 8 MATRIKS ASAL TUJUAN (trip) MATRIKS WAKTU TEMPUH (t), menit MATRIKS WAKTU TEMPUH (t), menit 4 METODE ALL OR NOTHING Tahap 1 : Cari minimum Path Tree 1 2 3 4 6 10 10 11 5 7 7 8 1 2 3 4 1 2 3 1 2 3 4 1 2 3 4 11 7 7 + 10 = 17 10 7 6 + 7 = 13 6 5 6 + 8 = 14 10 10 + 5= 15 8 MATRIKS WAKTU TEMPUH (t), menit LAKUKAN PEMBEBANAN TRIP SESUAI MINIMUM PATH TREE 1 2 3 4 6 10 10 11 5 7 7 8 MATRIKS WAKTU TEMPUH (t), menit 4 1 2 3 4 1 2 3 1 2 3 4 1 2 3 4 500 350+750 750 275 1050+475 475 950+650 1870 650 2050+350 350 1250 Zona 1 2 3 4 1 - 500 750 350 2 275 - 1050 475 3 650 1870 - 950 4 1250 350 2050 - JUMLAHKAN BEBAN TIAP LINTASAN 1 2 3 4 2076 3160 275 600 2220 1626 1100 1900 4 1 2 3 4 1 2 3 1 2 3 4 1 2 3 4 500 1100 750 275 1525 475 1600 1870 650 2400 350 1250 METODE STOKASTIK Asumsi 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 Waktu tempuh menunjukkan rute tercepat 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. Metode Stokastik , terdiri dari beberapa model: Model Burrell Model Sakarovitch Model Dial Model dari Metode Stokastik PERBEDAAN METODE STOKASTIK DAN METODE ALL OR NOTHING ALL OR NOTHING STOKASTIK Persamaan Mengabaikan efek kemacetan Perbedaan 1. Rute terpendek merupakan satu- satunya rute yang akan dipilih untuk pembebanan arus lalu lintas dari zona asal i ke zona tujuan j 2. Biaya perjalanan dianggap tetap 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 1. Metode Burrell Asumsi 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 Kegunaan Menemukan dan membebankan rute tercepat dengan meminimumkan biaya Kelemahan Tidak memperhitungkan adanya efek kemacetan 1. Metode Burrell O 1 O 2 1000 1000 1500 1500 D a c b Fungsi biaya Empty link cost Typical link cost A 1 + arus/1000 1 2 B 8 + arus/1000 8 9 C 4 + arus/1000 4 8 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 T id /N besar arus pd tiap ruas jalan 4. Jika n=N, stop; jika tidak kerjakan tahap 2 1. Metode Burrell Fungsi biaya Empty link cost Typical link cost Biaya O1 D A 1 + arus/1000 1 2 1,98 B 8 + arus/1000 8 9 10,17 C 4 + arus/1000 4 8 7,04 Fungsi biaya Empty link cost Typical link cost Biaya O1 D A 1 + arus/1000 1 2 2,08 B 8 + arus/1000 8 9 8,73 C 4 + arus/1000 4 8 8,48 Rute yang paling murah melalui rute b Rute yang paling murah melalui rute a + c Fungsi biaya Empty link cost Typical link cost Biaya O2 D A 1 + arus/1000 1 2 1,92 B 8 + arus/1000 8 9 9,54 C 4 + arus/1000 4 8 9,12 Rute yang paling murah melalui rute c Fungsi biaya Empty link cost Typical link cost Biaya O2 D A 1 + arus/1000 1 2 1,6 B 8 + arus/1000 8 9 8,82 C 4 + arus/1000 4 8 7,52 Rute yang paling murah melalui rute c Total Arus yang masuk ke masing rute O 1 O 2 1000 1000 1500 1500 D a c b Total arus yang masuk ke a 1000 Total arus yang masuk ke b 1000 Total arus yang masuk ke c 4000 1000 1000 1000 + 1500 + 1500 2. Model Sakarovitch Menggunakan algoritma Menentukan rute terbaik yang lebih dari satu rute dalam setiap pasangan zona di wilayah kajian 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 Prob (r) = peluang memilih rute r tr = jumlah waktu pada rute r R = jumlah rute alternatif a = parameter yang dikalibrasi 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. 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 O 1 O 2 1000 1000 1500 1500 D a c b 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) = 0,011 = 0,61 exp (-0,5 x 9) + exp (-0,5 x 10) 0,011 + 0,007 Sehingga diketahui bahwa 1222 (61%) dari bangkitan yang ada akan memilih rute b Dan 778 (39%) akan melalui rute a+c 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 ASUMSI Model Equilibrium oleh Wardrop (1952) Terdapat dua perilaku intuitif yang menjelaskan bagaimana lalu-lintas dapat didistribusikan kedalam rute yang dikenal dengan 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 Prinsip Wardrop Equilibrium 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 Model Equilibrium Heuristic (tidak dijamin konvergen) Incremental Iterative Quantal Algoritma Frank- Wolfe (konvergen) All-or- Nothing Stokastik Murni 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. C ij r C ij *= 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=1, 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 F l , akumulasikan arus2 tsb utk tiap ruas jalan: V l
n = V l n-1 + F l 4. Hitung 1 set biaya ruas yg baru berdasarkan arus sebesar Vl n , jika bagian MAT belum selesai dibebankan, kerjakan tahap 2, jika sudah stop. 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 0 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 40%, 30%, 20% dan 10% 3. Fraksi pembebanan tidak seragam sebesar 10%, 20%, 30% dan 40% Kasus 1 Pembebanan seragam 25% (500 kendaraan) = 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 Sumber : Tamin, 2000 Pembebanan seragam 10% (200 kendaraan) Arus Biaya Arus Biaya Arus Biaya 0 0 0 10.0 0 15.0 0 12.50 10.0 0 1 200 200 14.0 0 15.0 0 12.50 12.5 200 2 200 200 14.0 0 15.0 200 15.50 14.0 400 3 200 400 18.0 0 15.0 200 15.50 15.0 600 4 200 400 18.0 0 15.0 400 18.50 15.0 800 5 200 400 18.0 200 16.0 400 18.50 16.0 1,000 6 200 400 18.0 400 17.0 400 18.50 17.0 1,200 7 200 400 18.0 600 18.0 400 18.50 18.0 1,400 8 200 500 20.0 700 18.5 400 18.50 18.5 1,600 9 200 500 20.0 800 19.0 500 20.00 19.0 1,800 10 200 500 20.0 1,000 20.0 500 20.00 20.0 2,000 Total 2,000 = 0.0000 Jumlah Pembebanan ke- F Min Rute 1 Rute 2 Rute 3 = 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 Sumber : Tamin, 2000 Pembebanan seragam 5% (100 kendaraan) = 550 21;19.75 :950 (19.75 ;19.75):500(20;19.75) 2000 (19.75) = 0.0206 Pembebanan bertahap seragam sebesar 5% memiliki hasil yang konvergen dan mencapai kesimbangan wardrop Sumber : Tamin, 2000 Kasus 2 Pembebanan tidak seragam 40 %, 30 %, 20%,10% = 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 Sumber : Tamin, 2000 Pembebanan tidak seragam 10 %, 20 %, 30%,40% Kasus 3 = 800 26;18.5 :800 19;18.5 :400(18.5;18.5) 2000 (18)
= 0.1729 Terlihat bahwa hasil pembebanan tidak mencapai konvergen dengan solusi keseimbangan wardrop. Hal ini karena arus (800) terlalu besar di bebankan pada rute 1 Sumber : Tamin, 2000 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. Pilih 1 set data biaya, misal: waktu tempuh pd kondisi arus bebas; Inisiasikan semua arus V l (n) = 0, set n=0 2. Bentuk 1 set pohon biaya minimum, set n=n+1 3. Bebankan semua MAT T dgn menggunakan all or nothing untuk menghasilkan arus F l ; 4. Hitung arus pd saat sekarang: V l (n) = (1-).V l (n-1) + .F l Ket: : parameter dengan nilai 0-1 V l (n) : arus lalu lintas yang dihasilkan oleh pengulangan ke n F l : arus lalu lintas yang dihasilkan oleh model all or nothing dengan biaya perjalanan yang dihasilkan oleh pengulangan ke (n-1)
V l (n-1) : arus lalu lintas yang dihasilkan oleh pengulangan ke (n-1)
5. Hitung 1 set baru biaya bdsk arus V l (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 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 Sumber : Tamin, 2000 dengan menggunakan nilai = 1/n Terlihat bahwa hasil pembebanan setelah pengulangan ke 8 hampir mencapai kondisi solusi keseimbangan wardrop Sumber : Tamin, 2000 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. Algoritma pembebanan ini diuraikan sebagai berikut: 1. Buat biaya di ruas pada saatfree flow dan inisialisasi seluruh Fl = 0. 2. Hitung biaya minimum lintasan untuk n asal perjalanan (origin) setiap rute dan bebani perjalanan Tij pada rute tersebut, perbaharui volume terakhir Fl . 3. Apabila seluruh asal perjalanan telah dibebani, stop; jika tidak buat biaya di ruas berdasarkan C (Fl) dan kembali ke langkah (2). Bentuk Algoritma : 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. Pilih 1 set data biaya, misal: waktu tempuh pd kondisi arus bebas; Inisiasikan semua arus V l (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 F l ; Hitung arus pd saat sekarang: V l (n) = (1-).V l (n-1) + .F l Hitung 1 set baru biaya bdsk arus V l (n) ; jika arus tsb tidak berubah scr nyata pd 2 pengulangan yg berurutan, stop, jika tidak teruskan ke tahap 2. Bentuk Algoritma :