2.1. Pendahuluan
Secara umum model gravity dinyatakan dalam bentuk persamaan berikut:
=
(2.1)
Oi dan Dd menyatakan jumlah pergerakan yang berasal dari zona i dan yang menuju zona tujuan
d. Sedangakan f(Cid) menunjukkan fungsi hambatan atau ukuran aksesibilitas antara zona i dan
zona d. Ada tiga jenis fungsi hambatan dalam model gravity yaitu:
(fungsi pangkat)
(2.2)
(2.3)
(fungsi Tanner)
(2.4)
Persamaan yang membatasi Tid diperlukan yang dinyatakan dengan persamaan berikut:
=.
Kedua persamaan diatas (2.5) dipenuhi jika digunakan faktor penyeimbang (balancing factor)
yang dinyatakan dalam persamaan berikut:
=
Perhitungan nilai Ai dan Bd diatas dilakukan secara berulang untuk agar persamaan 2.5
terpenuhi. Selain itu dibutuhkan persamaan pembatas lain sebagai berikut:
=
= .
Jika nilai Cid, Oi, dan Dd diketaui, parameter model gravity yang tidak diketahui hanyalah
parameter . Maka setelah nilai dketahui, persamaan 2.6 dapat hitung. Proses penaksiran nilai
parameter ini dkenal dengan proses kalibrasi model.
Beberapa metode yang dapat digunakan untuk mengkalibrasi parameter model gravity, yaitu:
a. Metode sederhana
b. Metode Hyman
c. Metode analisis regresi-linier
d. Metode penaksiran kuadrat terkecil (KT)
e. Metode penaksiran kemiripan maksimum (KM)
f. Metode penaksiran inferensi-bayes (IB)
g. Metode penaksiran entropy-maksimum (EM)
2.2
Metode Sederhana
Pendekatan yang digunakan pada metode ini adalah dengan cara meminjam dulu suatu nilai
tertentu, kemudian menghitung model gravity dan mendapatkan sebaran panjang perjalanan
hasil pemodelan. Kemudian sebaran ini dibandingkan dengan sebaran panjang perjalanan hasil
pengamatan. Jika masih terdapat perbedaan antara kedua sebaran tersebut, nilai baru harus
digunakan dan proses diulangi samapai perbedaan kedua sebaran tersebut sangat kecil.
Pendekatan metode ini sangat tidak praktis karena membutuhkan waktu yang cukup lama.
2.3
Metode Hyman
Hyman mengusukan metode yang didasarkan pada pendekatan Bayes dalam penurunan kriteria
pengkalibrasian. Selain itu beliau berkesimpulan bahwa nilai faktor penyeimbang harus dipilih
sehingga total baris dan kolom dari sel MAT sama dengan proporsi hasil pengamatan pada
setiap baris dan kolom. Parameter juga harus dipilih sehingga biaya rerata perjalanan yang
didapat dari pengamatan sama dengan yang dihasilkan dalam proses pemodelan. Secara rinkas
metode Hyman diuraikan sebagai berikut:
Anggap telah tersedia matriks Tid() sebagai fungsi dari (). Total matriks ini menghasilkan
=
adalah jumlah
pergerakan dari setiap pasangan zona. Proses perhitunngan metode ini sebagai berikut:
1.
2.
Buat m = m +1, dengan menggunakan nilai m-1, hitung matriks dengan menggunakan
model gravity. Dapatkan biaya rata-rata cm dan bandaingkan nilai tersebut dengan c* , jika
perbedaan cukup kecil, proses dihentikan dan nyatakan m-1 sebagai nilai terbaik. Jika
tidak, teruskan ke tahap (3).
3.
(2.9)
=
4.
(2.10)
Hyman menyimpulkan bahwa nilai juga bisa didapat secara empiris dengan persamaan
berikut ;
=
Dengan k = 2 3, dan
(2.11)
2.4
(2.12)
)
(2.13)
)
)
(2.14)
(2.15)
(2.16)
a n
=n
CONTOH:
Tentukan kalibrasi parameter model gravity dari data sebagai berikut:
Tabel. 2.1. Data Matriks biaya (Cid)
Zona
1
2
3
4
1
5
15
55
25
2
20
10
25
15
3
35
50
10
45
4
50
25
30
5
1
170
111
8
11
300
2
21
104
62
13
200
3
4
2
143
1
150
4
5
83
137
125
350
Oi
200
300
350
150
1000
Tabel 2.3 di bawah menunjukkan prosedur perhitungan dengan menggunakan analisis regresi
linier.
Tabel. 2.3. Prosedur perhitungan dengan menggunakan analisis regresi linier
(fungsi hambatan eksponensial negatif).
Cid = Xi
(1)
5
20
35
50
15
10
50
25
55
25
10
30
25
15
45
5
420
26.25
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
TOTAL
RERATA
Tid
(2)
170
21
4
5
111
104
2
83
8
62
143
137
11
13
1
125
Ln (Tid) = Yi
(3) = ln (2)
5.136
3.045
1.386
1.609
4.710
4.644
0.693
4.419
2.079
4.127
4.963
4.920
2.398
2.565
0.000
4.828
51.523
3.220
XiYi
(4)=(1)*(3)
25.679
60.890
48.520
80.472
70.643
46.444
34.657
110.471
114.369
103.178
49.628
147.599
59.947
38.474
0.000
24.142
1015.116
X^2
(5)= (1)^2
25
400
1225
2500
225
100
2500
625
3025
625
100
900
625
225
2025
25
15150
Dari tabel diatas dan dengan menggunakan 2.17 dan 2.18 diperoleh nilai B = -0,082, dan A =
5,367. Maka nilai = 0,082.
.
)
=
(
(2.20)
)
)
=
=
(2.19)
(2.21)
.
.
(2.22)
(2.23)
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
TOTAL
RERATA
ln Cid = Xi
(2)
1.609
2.996
3.555
3.912
2.708
2.303
3.912
3.219
4.007
3.219
2.303
3.401
3.219
2.708
3.807
1.609
48.487
3.030
Tid
(3)
170
21
4
5
111
104
2
83
8
62
143
137
11
13
1
125
Ln (Tid) = Yi
(4) = ln (3)
5.136
3.045
1.386
1.609
4.710
4.644
0.693
4.419
2.079
4.127
4.963
4.920
2.398
2.565
0.000
4.828
51.523
3.220
XiYi
(5)=(2)*(4)
8.266
9.121
4.929
6.296
12.754
10.694
2.712
14.224
8.333
13.285
11.427
16.734
7.719
6.946
0.000
7.771
141.209
X^2
(6)= (2)^2
2.590
8.974
12.640
15.304
7.334
5.302
15.304
10.361
16.059
10.361
5.302
11.568
10.361
7.334
14.491
2.590
155.875
Dari tabel diatas dan dengan menggunakan 2.17 dan 2.18 diperoleh nilai B = -1,670, dan A =
8,281. Maka nilai = 1,670.
.
=
(2.24)
)
)
(2.25)
=
=
(2.26)
(2.27)
(2.28)
Cid
(1)
5
20
35
50
15
10
50
25
55
25
10
30
25
15
45
5
ln Cid + Cid= Xi
(2)
6.609
22.996
38.555
53.912
17.708
12.303
53.912
28.219
59.007
28.219
12.303
33.401
28.219
17.708
48.807
6.609
468.487
29.280
Tid
(3)
170
21
4
5
111
104
2
83
8
62
143
137
11
13
1
125
Ln (Tid) = Yi
(4) = ln (3)
5.136
3.045
1.386
1.609
4.710
4.644
0.693
4.419
2.079
4.127
4.963
4.920
2.398
2.565
0.000
4.828
51.523
3.220
XiYi
X^2
(5)=(2)*(4) (6)= (2)^2
33.945
43.685
70.011
528.804
53.449
1486.515
86.768
2906.506
83.397
313.575
57.138
151.354
37.369
2906.506
124.695
796.305
122.702
3481.865
116.463
796.305
61.056
151.354
164.333
1115.640
67.666
796.305
45.420
313.575
0.000
2382.090
31.912
43.685
1156.324 18214.068
Dari tabel diatas dan dengan menggunakan 2.17 dan 2.18 diperoleh nilai B = -0,078, dan A =
5,514. Maka nilai = 0,078.
2.5
Ide utama metode penaksiran kuadrat terkecil (least square) adalah mengkalibrasi parameter
yang tidak diketahui dengan meminimumkan kuadrat dari selisih antara hasil pemodelan dengan
data pengamatan. Karena parameter yang dicari, , tidak berhubungan linier dengan jumlah
perjalanan Tid,
maka lebih spesifik metode yang digunakan ini dapat disebut metode Kuadrat
Terkecil Tidak Linier (KTTL). Metode KTTL ini dapat diklasifikasikan menjadi dua : yaitu
metode Kuadrat Terkecil Tidak Linier (KTTL) dan metode Kuadrat Terkecil Tidak Linier
Berbobot (KTTLB).
Secara matematis, metode penaksiran KTTL ini dapat dirumuskan sebagai berikut :
2=
=
Nilai dapat diperoleh dengan membuat turunan pertama S terhadap parameter tersebut sama
dengan nol.
Jika fungsi yang digunakan adalah fungsi hambatan eksponensial negatif, nilai parameternya
bida didapat dari:
2
Persamaan (2.30) adalah sistem persamaan linier dengan satu parameter yang tidak diketahui.
Metode kalibrasi Newton Rapson yang dikombinasikan dengan teknik eliminasi Gauss-Jordan
bisa digunakan untuk menyelesaikan persamaan tersebut.
dengan sumbu digunakan sebagai pendekatan selanjutnya. Secara ringkas metode tersebut
dijelaskan sebaai berikut:
Misalnya diketahui satu persamaan f yang merupakan fungsi dari satu peubah bebas
=
(2.31)
(2.32)
Pendekatan deret Taylor sampai tingkat pertama untuk persamaan simultan ini menghasilkan
=
(2.33)
Nilai
dan nilai
(2.34)
eliminasi matriks Gauss-Jordan, sehingga nilai h dapat ditentukan melalui persamaan berikut :
=
(2.35)
(2.36)
HITUNG :
)
=
=
h0
tidak
ya
CETAK : nilai akhir
CETAK : nilai akhir
10
dimana:
=
=
=
(2.38)
=
Kita dapat menghitung nilai k dengan persamaan (2.39) yang nilainya kemudian
digunakan lagi untuk menghitung kembali nilai Tid dengan persamaan (2.28). Proses ini diulangi
sampai nilai k dan Tid menghasilkan nilai yang konvergen.
11
= .
)
=
Kita dapat mengihitung nilai
dan
= .
)
dan
=
)
(2.45)
(2.46)
(2.47)
=
)
(2.48)
(
(2.49)
(
(2.50)
12
=
)
2.
(2.51)
(2.52)
(2.54)
3.
(2.55)
Dengan menggunakan nilai m , ulangi tahap (1) dan (2) untuk mendapatkan nilai h
seperi disyratakan, sampai nilai konvergen (nilia h mencapai nilai yang sangat kecil)
nilai
dan
karena
Bd = 1,
(2.56)
(2.57)
= .
13
= .
Nilai
, dan
, dan
, dan
untuk fungsi hambatan Tanner dapat dihitung dengan menggunakan persamaan (2.51)
(2.53).
2.
3.
Dengan menggunakan nilai m , ulangi tahap (1) dan (2) untuk mendapatkan nilai h
seperi disyratakan, sampai nilai konvergen (nilia h mencapai nilai yang sangat kecil)
14
Dengan menggunakan nilai tersebut hitung nilai h dengan menggunakan persamaan (2.35)
berikut:
=
(
nilai
dan
Ai = 1,
karena
(2.62)
(2.63)
)
= .
= .
Nilai
, dan
, dan
, dan
untuk fungsi hambatan Tanner dapat dihitung dengan menggunakan persamaan (2.51)
(2.53).
2.
15
3.
Dengan menggunakan nilai m , ulangi tahap (1) dan (2) untuk mendapatkan nilai h
seperi disyratakan, sampai nilai konvergen (nilia h mencapai nilai yang sangat kecil)
nilai
dan
(2.68)
dan
)
(2.69)
6
= .
= .
16
Nilai
, dan
, dan
, dan
untuk fungsi hambatan Tanner dapat dihitung dengan menggunakan persamaan (2.51)
(2.53).
2.
3.
Dengan menggunakan nilai m , ulangi tahap (1) dan (2) untuk mendapatkan nilai h
seperti disyaratkan, sampai nilai konvergen (nilia h mencapai nilai yang sangat kecil)
17
2.6
Metode kemiripan-maksimum (maximum likelihood) adalah salah satu metode yang banyak
digunakan oleh para ahli statistik untuk menentukan parameter fungsi.
Dari sekumpulan data x1, x2, x3,..., xn yang merupakan anggota peubah acak x dengan fungsi
kepadatan peluang
dengan
Berapakah nilai yang paling mungkin yang dapat menghasilkan sekumpulan data
x1, x2, x3,..., xn ini?Dengan kata lain, dari semua nilai
yang mungkin, berapakan
nilai yang memaksimumkan kemiripan untuk mendapatkan sekumpulan data tadi?
Dengan teori fungsi kepadatan peluang gabungan, kemungkinan untuk mendapatkan data x1, x2,
x3,..., xn adalah:
=
Nilai parameter
18
2.6.1
Anggaplah jumlaj perjalanan antarzona mengikuti sebaran multinomial, terdapat S kelas data,
dan peluang data berada pada kelas ke-i adalah pi. Peluang untuk mendapatkan a1 dari sejumlah
N sampel berada pada kelas ke-1, a2 dari sejumlah N sampel berada pada kelas ke-2, dan secara
umum sebanyak ai dari sejumlah N sampel berada pada kelas ke-i. Penurunan sebaran
multinomial dapat dinyatakan sebagai berikut:
Nilai
dengan
dapat dinyatakan sebagai fungsi satu atau lebih parameter yang dapat dilambangkan
sehingga fungsi kemiripan maksimum
mendapatkan data tertentu dari sebaran perjalanan antar zona yang berasal dari zona i ke zona
tujuan d, maka:
=
=
Misalkan peluang untuk mendapatkan data jumlah perjalanan yang berasal dari zona i ke zona
tujuan d dari survei mengikuti sebaran multinomial; maka berdasarkan definisinya, fungsi
kemiripan untuk mendapatkan sebaran
=
Sesuai dengan ide dasarnya metode ini akan mencari nilai parameter
yang memaksimumkan
fungsi kemiripan maksimum yang diyatakan dalam persamaan (2.83) sehingga menghasilkan
19
sebaran
=
dengan batasan total pergerakan
=
Dengan mengambil fungsi logaritmik naturalnya, maka persamaan (2.84) dan (2.85) menjadi:
7
Dalam model gravity, batasan total pergerakan pasti dipenuhi, sehingga diasumsikan nilai
Dengan menghilangkan besaran konstanta dari persamaan (2.87), maka fungsi tujuan metode
penaksiran ini menjadi:
=
2.6.2
Pada KM 2 dimisalkan data jumlah perjalanan yang berasal dari zona i ke zona tujuan d adalah
sampel acak yang mengikuti sebaran poisson dengan nilai rataan yang belum diketahui adalah
. Koefisen
20
Jadi
adalah pengamatan sejumlah peubah acak yang tersebar mengikuti sebaran poisson
adalah:
Jika persamaan diatas diganti dengan fungsi logaritmik naturalnya, maka fungsi tujuannya
menjadi :
=
Dengan pengembangan lebih lanjut dan menghilangkan konstantanya, maka persamaan diatas
menjadi:
=
21
2.6.3
Penurunan Model
Persamaan (2.88) dan (2.93), dapat dicapai bila turunan fungsi tujuannya sama dengan nol. Oleh
karena itu :
=
1
yang tidak diketahui.
Penyelesaian dengan metode kalibrasi Newton-Rapsom dam teknik eliminasi matriks GaussJordan dapat digunakan.
1.
dimana:
=
22
Nilai
Nilai
Nilai
(
)
, dan
, dan
untuk fungsi hambatan Tanner dapat dihitung dengan menggunakan persamaan (2.51)
(2.53).
2.
3.
Dengan menggunakan nilai m , ulangi tahap (1) dan (2) untuk mendapatkan nilai h
seperti disyaratkan, sampai nilai konvergen (nilia h mencapai nilai yang sangat kecil)
23
2.7
Dasar Pendekatan
Metode IB menggunakan suatau peluang subjektif untuk mengukur tingkat kepercayaan sauatu
keadaan. Dengan pendekatan ini, pertimbangan subjektif yang berdasarkan intuisi, pengalaman,
atau informasi tidak langsung secara sistematis digabungkan dengan data hasil pengamatan
untuk mendapatkan taksiran yang seimbang tentang keadaan sebenarnya (sebaran posterior).
Pendekaatn ini mengasumsikan parameter model sebagai peubah acak. Dengan demikian, harus
ditetapkan suatu fungsi sebaran yang menggambarkan tingkat kepercayaan parameter yang tidak
diketahui, misalkan ditetapkan
awal .
Jika diketahui suatu himpunan data pengamatan
acak suatu populasi X dengan fungsi sebaran
sebaran adalah
, maka peluang akan diamati suatu himpunan data hasil penagamatan ini
sebagai berikut:
=
=
Sedangkan fungsi kemiripan
pada
1
merupakan produk dari fungsi kerapatan X yang dihitung
24
Karena fungsi IB berbentuk perkalaian, maka lebih mudah jika dinyatakan dalam bentuk
logaritmik natural.
=
11
dicari nilai
yang
b.
Penerapan metode IB
Misalkan data jumlah perjalanan yang berasal dari zona i ke zona tujuan d adalah sampel acak
yang mengikuti sebaran poisson dengan nilai rataan yang belum diketahui adalah
Koefisen
mewakili faktor proporsi sampel untuk setiap pasang asal-tujuan atau bagian dari
adalah pengamatan sejumlah peubah acak yang tersebar mengikuti sebaran poisson
adalah:
25
c.
Informasi awal yang dimaksud adalah suatu fungsi sebaran parameter untuk menggambarkan
tingkat kepercayaan parameter yang tidak diketahui. Jika tidak ada informasi awal, diasumsikan
suatau sebaran awal seragam yaitu:
=
Dengan fungsi kemiripan sama dengan persamaan (2.102) dan k sebagai konstanta
yang baru adalah:
=
Jika persamaan diatas diganti dengan fungsi logaritmik naturalnya, maka fungsi tujuannya
menjadi :
=
Dengan pengembangan lebih lanjut dan menghilangkan konstantanya, maka persamaan diatas
menjadi:
=
Dalam kasus sampel sangat kecil (
d.
Misalkan prior merupakan data jumlah perjalanan yang berasal dari zona i ke zona tujuan d
mengikuti sebaran poisson dengan jumlah perjalanan rata-rata yang sudah diketahui dinyatakan
dalam
26
Dengan fungsi kecenderungan sama dengan persamaan (2.102) dan k sebagai konstanta
yang baru adalah:
=
Jika persamaan diatas diganti dengan fungsi logaritmik naturalnya, maka fungsi tujuannya
menjadi :
Dengan pengembangan lebih lanjut dan menghilangkan konstantanya, maka persamaan diatas
menjadi:
=
Karena data perjalanan hasil penaksiran
diduga bahwa bentuk faktorial pada persamaan (2.112) merupakan suatu bilangan nyata.
Selanjutya dilakukan pendekatan dengan fungsi Gamma, sehingga bentuk faktorial menjadi:
=G
Untuk nilai
yang positif besar, fungsi Gamma pada persamaan (2.113) dapat didekati
27
, persamaan
diatas menjadi:
]
G
Akhirnya fungsi tujuannya menjadi:
=
Untuk mencari nilai maksimumnya turunan persamaan diatas harus sama dengan nol.
=
dimana:
=
28
Nilai
Nilai
Nilai
(
)
, dan
, dan
untuk fungsi hambatan Tanner dapat dihitung dengan menggunakan persamaan (2.51)
(2.53).
2.
3.
Dengan menggunakan nilai m , ulangi tahap (1) dan (2) untuk mendapatkan nilai h
seperti disyaratkan, sampai nilai konvergen (nilia h mencapai nilai yang sangat kecil)
29
2.8
Metode entropy maksimum adalah untuk mendapatkan informasi seluruh status mikro yang
akan terjadi dengan peluang yang sama serta konsisten dengan informasi status makronya.
Wilson (1970) menjelaskan bahwa status mikro
sebagai berikut:
=
jumlah status yang ada dalam sistem tersebut yang mendukung terbentuknya sebaran
Jika
. Jadi,
adalah jumlah cara yang dianut setiap individu untuk mengatur dirinya sehingga
dihasilkan sebaran
, maka peluang
Dalam beberapa kasus, terdapat informasi tambahan dalam bentuk informasi awal satus meso,
misalnya data matriks hasil pengamatan, maka persamaan diatas menjadi
30
=
Secara matemtais, fungsi tujuan metode ini adalah :
=
Untuk mencari nilai maksimumnya turunan persamaan diatas harus sama dengan nol.
=
dimana:
=
Nilai
Nilai
,
,
31
Nilai
, dan
, dan
, dan
untuk fungsi hambatan Tanner dapat dihitung dengan menggunakan persamaan (2.51)
(2.53).
2.
3.
Dengan menggunakan nilai m , ulangi tahap (1) dan (2) untuk mendapatkan nilai h
seperti disyaratkan, sampai nilai konvergen (nilia h mencapai nilai yang sangat kecil)
32