Fadhilah Rusmiati - 25413020

Firdausi Nurul Awwal - 25413021

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

6000 -5890 0,82 0,18
9000 -8836 0,56 0,44
12000 -11782 0,21 0,79
Variabel Koefisien
Konstanta 2.028
X
1
-.212
Analisis Regresi

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 :