BAB II Metode Penaksiran Model Gravity

BAB II
METODE PENAKSIRAN MOLEL GRAVITY
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)
(fungsi eksponensial negatif)
(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
=
. Metode didasarkan pada persyaratan berikut:

=
c* adalah rerata dari sebaran panjang pergerakan hasil pengamatan dan
adalah jumlah
pergerakan dari setiap pasangan zona. Proses perhitunngan metode ini sebagai berikut:
1.
Mulai pengulangan pertama dengan menyatakan m = 0 dan menentukan nilai awal

0 = 1/c*.
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.
Jika m =1, hitung nilai baru dengan persamaan berikut:
(2.9)
atau jika m > 1, dapatkan nilai baru dengan persamaan:
=
4.
(2.10)
Ulangi tahap (2) dan (3) sampai konvergensi tercapai
Hyman menyimpulkan bahwa nilai juga bisa didapat secara empiris dengan persamaan
berikut ;
=
Dengan k = 2 3, dan
(2.11)
= nilai rata rata Cid
2.4
Metode Analisis Regresi Linier
2.4.1 Fungsi Hambatan eksponensial negatif

=
(2.12)
)
(2.13)
)
)
(2.14)
(2.15)
(2.16)
Persamaan (2.16) identik dengan persamaan linier Yi = A + BXi dengan mengasumsikan

ln (Tid) = Yi, dan Cid = Xi. Maka dengan menggunakan regresi linier parameter A dan B dapat
dihitung dan dihasilkan nilai A = ln (Ai.Bd.Oi.Dd) dan B = - .
=
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
Tabel. 2.2. Data Matriks pergerakan (Tid)

Zona
1
2
3
4
Dd
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.
2.4.2 Fungsi Hambatan Pangkat

=
(
.
)
=
(
(2.20)
)
)
=
=
(2.19)
(2.21)
.
.
(2.22)
(2.23)
Persamaan (2.23) identik dengan persamaan lonier Yi = A + BXi dengan mengasumsikan

ln (Tid) = Yi, dan ln Cid = Xi.
Maka dengan menggunakan regresi linier parameter A dan B
dapat dihitung dan dihasilkan nilai A = ln (Ai.Bd.Oi.Dd) dan B = - .

CONTOH:
Dengan menggunakan data pada contoh sebelumnya diperoleh hasil sebagai berikut:
Tabel. 2.4. Prosedur perhitungan dengan menggunakan analisis regresi linier (fungsi hambatan
pangkat).
Cid
(1)
5
20
35
50
15
10
50
25
55
25
10
30
25
15
45
5
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
8,281. Maka nilai = 1,670.
2.4.3 Fungsi Hambatan Tanner

=
(
.
=
(2.24)
)
)
(2.25)
=
=
(2.26)
(2.27)
(2.28)
Persamaan (2.23) identik dengan persamaan linier Yi = A + BXi dengan mengasumsikan

ln (Tid) = Yi, dan lnCid + Cid= Xi. Maka dengan menggunakan regresi linier parameter A dan B
dapat dihitung dan dihasilkan nilai A = ln (Ai.Bd.Oi.Dd) dan B = - .
CONTOH:
Dengan menggunakan data pada contoh sebelumnya diperoleh hasil sebagai berikut:
Tabel. 2.5. Prosedur perhitungan dengan menggunakan analisis regresi linier (fungsi
hambatan Tanner).
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
TOTAL
RERATA
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
5,514. Maka nilai = 0,078.
2.5
Metode Penaksiran Kuadrat Terkecil (KT)
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.
2.5.1. Metode Kalibrasi Newton-Rapson

Metode ini didasarkan pada pendekatan nilai f() dengan menggunakan deret Taylor. Nilai f()
didekati dengan menggunakan garis singgung f() pada nilai . Titik potong garis singgung ini
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)
Jika 0 adalah nilai untuk pendekatan solusi (0 + h), maka

=
(2.32)
Pendekatan deret Taylor sampai tingkat pertama untuk persamaan simultan ini menghasilkan
=
(2.33)
Dengan memasukkan persamaan (2.32) ke dalam persamaan (2.33) didapat:

(
Nilai
dan nilai
(2.34)
dapat dihitung. Persamaan tersebut dapt dihitung dengan metode
eliminasi matriks Gauss-Jordan, sehingga nilai h dapat ditentukan melalui persamaan berikut :
=
(2.35)
Selanjutnya nilai h ini digunakan untuk mendapatkan nilai pendekatan berikut :

=
(2.36)
2.5.2. Bagan Alir Prosedur Kalibrasi Metode Newton-Rapson

MULAI
BACA : Oi, Dd
Nilai awal parameter
HITUNG : Fungsi hambatan
)
(eksponensial negatif, pangkat, tanner)
HITUNG : Faktor Penyeimbang

)
(Sesuai dengan batasan yang digunakan)
HITUNG :
)
(Sesuai dengan metode yang digunakan)
=
=
h0
tidak
ya
CETAK : nilai akhir
CETAK : nilai akhir
10
2.5.3. Model Gravity tipe tanpa batasan

Untuk model gravity tanpa batasan dan fungsi hambatan eksponensial negatif dapat dilakukan
dengan metode kalibrasi Newton-Rapson sebagai berikut:
1.
Mulai pengulangan pertama dengan menyatakan m = 0 dan menetapkan suatu nilai = 0

Dengan menggunakan nilai tersebut hitung nilai h dengan menggunakan persamaan (2.35)
berikut:
=
(
dimana:
=
=
=
(2.38)
Karena Ai = 1 dan Bd = 1; maka :

=
=
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
dengan persamaan (2.42), yang nilainya kemudian digunakan
lagi untuk menghitung kembali nilai

nilai
dan
dengan persamaan (2.41). Proses ini diulangi sampai
menghasilkan nilai tertentu (konvergen).
= .
)
Kita dapat mengihitung nilai
dengan persamaan (2.44), yang nilainya kemudian digunakan
lagi untuk menghitung kembali nilai

nilai
dan
dengan persamaan (2.43). Proses ini diulangi sampai
menghasilkan nilai tertentu (konvergen).

=
)
=
)
(2.45)
(2.46)
(2.47)
Untuk Fungsi hambatan pangkat digunakan persamaan berikut:

=
)
=
)
(2.48)
(
(2.49)
(
(2.50)
12
Untuk Fungis hambatan Tanner digunakan persamaan berikut:

(
=
)
2.
(2.51)
(2.52)
(2.54)
Buat m = m + 1, dan tetapkan nilai m dengan menggunakan persamaan berikut:

=
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)
2.5.3. Model Gravity tipe batasan-bangkitan

Untuk model gravity tipe batasan-bangkitan dan fungsi hambatan eksponensial negatif dapat
dilakukan dengan metode kalibrasi Newton-Rapson sebagai berikut:
1.

berikut:
=
(
nilai
dan
dihitung dengan menggunakan persmaan (2.36) dan (2.37).

=
karena
Bd = 1,
(2.56)
(2.57)
= .
13
= .
Nilai
, dan
untuk fungsi hambatan eksponensial-negatif dapat dihitung dengan
menggunakan persamaan (2.45) (2.47). Nilai
, dan
untuk fungsi hambatan
pangkat dapat dihitung dengan menggunakan persamaan (2.48) (2.50). Nilai

)
, dan
untuk fungsi hambatan Tanner dapat dihitung dengan menggunakan persamaan (2.51)
(2.53).
2.

=
3.
2.5.4. Model Gravity tipe batasan-tarikan

Untuk model gravity tipe batasan-tarikan dan fungsi hambatan eksponensial negatif dapat
dilakukan dengan metode kalibrasi Newton-Rapson sebagai berikut:
1.
14
berikut:
=
(
nilai
dan

=.
Ai = 1,
karena
(2.62)
(2.63)
)
= .
= .
Nilai
, dan
, dan

)
, dan
(2.53).
2.

=
15
3.
2.5.5. Model Gravity tipe batasan-bangkitan-tarikan

Untuk model gravity tipe batasan-bangkitan tarikan dan fungsi hambatan eksponensial negatif
dapat dilakukan dengan metode kalibrasi Newton-Rapson sebagai berikut:
1.

berikut:
=
(
nilai
dan

=
(2.68)
dan
)
(2.69)
6
= .
= .
16
Nilai
, dan
, dan

)
, dan
(2.53).
2.

=
3.
seperti disyaratkan, sampai nilai konvergen (nilia h mencapai nilai yang sangat kecil)
17
2.6
Metode penaksiran kemiripan-maksimum (KM)
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
adalah parameternya, bisa diajukan pertanyaan:
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:
=
Yang disebut fungsi kemiripan dari
. Karena fungsi L berbentuk perkalian, lebih
mudah jika dinyatakana dalam bentuk logaritmik natural

=
Secara formal, persyaratan untuk mendapatkan nilai pendekatan dengan kemiripan maksimum
adalah:
Nilai penaksiran dengan kemiripan maksimum (penaksir kemiripan maskimum)
dari adalah nilai yang memaksimumkan fungsi kemiripan
Nilai parameter
dapat dicari dengan membuat turunan

=
sama dengan nol.
18
2.6.1
Metode penaksiran kemiripan maksimum jenis I (KM 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
untuk sejumlah sampel tertentu yang
mengikuti sebaran multinomial dapat ditulis sebagai berikut:

=
Nilai
dinyatakan sebagai konstanta k. Misalkan
adalah peluang untuk
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
=
untuk setiap pasang zona i dan zona d adalah:

)
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
yang paling sesuai dengan data pengamatan (
. Jadi fungsi tujuan (objective
function) dari metode ini adalah:

)
=
dengan batasan total pergerakan
=
Dengan mengambil fungsi logaritmik naturalnya, maka persamaan (2.84) dan (2.85) menjadi:
7
Dengan memasukkan persamaan (2.81) ke (2.86), diperoleh:

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
Metode penaksiran kemiripan maksimum jenis II (KM 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
mewakili faktor proporsi sampel untuk setiap pasang asal-tujuan atau
bagian dari populasi yang diamati.
20
Jadi
adalah pengamatan sejumlah peubah acak yang tersebar mengikuti sebaran poisson
dengan rataan masing-masing

tujuan, nilai
dengan rataan
. Dengan hipotesis bahwa untuk setiap pasangan asal-
didapatkan dari pengamatan suatu kejadian yang mengikuti proses poisson

, maka peluang gabungan untuk mendapatkan matriks
)
adalah:
Dengan menerapkan metode penaksiran kemiripan maksimum, maka fungsinya menjadi:

)
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 seragam, atau dengan kata lain
= , maka fungsi tujuan metode ini
dapat ditulis sebagai berikut:

=
Terlihat bahwa persamaan (2.93) sama dengan persamaan (2.88).
21
2.6.3
Penurunan Model
Persamaan (2.88) dan (2.93), dapat dicapai bila turunan fungsi tujuannya sama dengan nol. Oleh
karena itu :
=
Persamaan (2.94) adalah sistem persamaan simultan dengan parameter
1
yang tidak diketahui.
Penyelesaian dengan metode kalibrasi Newton-Rapsom dam teknik eliminasi matriks GaussJordan dapat digunakan.
2.6.4 Model Gravity tipe tanpa-batasan

Untuk model gravity tipe tanpa-batasan dan fungis hambatan eksponensial negatif, prosedur
dapat dilakukan sebagai berikut:
1.

berikut:
=
(
dimana:
=
22
Nilai
Nilai
Nilai
(
)
dapat dihtung dengan menggunakan persamaan (2.38), (2.41)., (2.43)
dapat dihitung dengan menggunakan persamaan (2.39), (2.42)., (2.44)

, dan
, dan

)
, dan
(2.53).
2.

=
3.
23
2.7
Metode penaksiran inferensi-bayes (IB)
2.7.1 Pengembangan Metode

a.
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
sebagai fungsi sebaran peluang paramater atau sebaran
awal .
Jika diketahui suatu himpunan data pengamatan
acak suatu populasi X dengan fungsi sebaran
sebaran adalah
yang mewakili sampel
, dengan mengasmusikan bahwa parameter
, maka peluang akan diamati suatu himpunan data hasil penagamatan ini
sebagai berikut:
=
Menurut teorema Bayes, sebaran
yang baru menjadi:

[
Dengan konstanta normalisasi k adalah:
=
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
Untuk mendapatkan nilai taksiran dengan kemiripan maksimum dari
dicari nilai
yang
memaksimumkan fungsi sebaran gabungan posterior.

=
Atau
=
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
populasi yang diamati.

Jadi
adalah pengamatan sejumlah peubah acak yang tersebar mengikuti sebaran poisson
dengan rataan masing-masing

tujuan, nilai
dengan rataan
. Dengan hipotesis bahwa untuk setiap pasangan asal-
didapatkan dari pengamatan suatu kejadian yang mengikuti proses poisson

, maka peluang gabungan untuk mendapatkan matriks
)
adalah:
Dengan konstanta normalisasi k adalah:

)
25
c.
Probabilitas gabungan posterior tanpa informasi awal
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:
normalisasi, maka menurut persamaan (2.97) sebaran

)
=
menjadi :
=
menjadi:
=
Dalam kasus sampel sangat kecil (
, suku kedua persamaan diatas dapat diabaikan,
maka fungsi tujuan metode ini dapat ditulis sebagai berikut:

=
d.
Peluang gabungan posterior dengan informasi awal
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
. Sehingga suatu sebaran prior sebagai berikut:
26
Dengan fungsi kecenderungan sama dengan persamaan (2.102) dan k sebagai konstanta
yang baru adalah:
normalisasi, maka menurut persamaan (2.97) sebaran

)
=
menjadi :
menjadi:
=
Karena data perjalanan hasil penaksiran
merupakan hasil perhitungan model gravity, dapat
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
dengan rumus Stirling menjadi:

)
Dengan mengambil bentuk logaritmik naturalnya menjadi:
27
Dengan menghilangkan bagian konstanta dan untuk sampel sangat kecil (
, persamaan
diatas menjadi:
]
G
Akhirnya fungsi tujuannya menjadi:
=
Untuk mencari nilai maksimumnya turunan persamaan diatas harus sama dengan nol.
=
2.7.2 Model Gravity tanpa batasan

1.

berikut:
=
(
dimana:
=
28
Nilai
Nilai
Nilai
(
)

, dan
, dan

)
, dan
(2.53).
2.

=
3.
29
2.8
Metode penaksiran entropy-maksimum (EM)
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
yang terkait dengan status meso
sebagai berikut:
=
Asumsi dasar pendekatan ini adalah peluang sebaran
yang terjadi sebanding dengan
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
yang terjadi sebanding
Dengan melogaritmikan persamaan diatas menjadi:

=
Dengan menggunakan pendektan Stirling,

a =a
Persamaan diatas menjadi:

=
Karena
merupakan konstanta, bisa dihilangkan dari persamaan, sehingga :

=
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.
=
2.8.2 Model Gravity tanpa batasan

1.

berikut:
=
(
dimana:
=
Nilai
Nilai
,
,
31
Nilai
, dan
, dan

)
, dan
(2.53).
2.

=
3.
32

BAB II Metode Penaksiran Model Gravity

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

BAB II Metode Penaksiran Model Gravity

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB II

METODE PENAKSIRAN MOLEL GRAVITY

(fungsi eksponensial negatif)

. Metode didasarkan pada persyaratan berikut:

c* adalah rerata dari sebaran panjang pergerakan hasil pengamatan dan

Mulai pengulangan pertama dengan menyatakan m = 0 dan menentukan nilai awal

Jika m =1, hitung nilai baru dengan persamaan berikut:

atau jika m > 1, dapatkan nilai baru dengan persamaan:

Ulangi tahap (2) dan (3) sampai konvergensi tercapai

= nilai rata rata Cid

Metode Analisis Regresi Linier

2.4.1 Fungsi Hambatan eksponensial negatif

Persamaan (2.16) identik dengan persamaan linier Yi = A + BXi dengan mengasumsikan

Tabel. 2.2. Data Matriks pergerakan (Tid)

2.4.2 Fungsi Hambatan Pangkat

Persamaan (2.23) identik dengan persamaan lonier Yi = A + BXi dengan mengasumsikan

Maka dengan menggunakan regresi linier parameter A dan B

dapat dihitung dan dihasilkan nilai A = ln (Ai.Bd.Oi.Dd) dan B = - .

2.4.3 Fungsi Hambatan Tanner

Persamaan (2.23) identik dengan persamaan linier Yi = A + BXi dengan mengasumsikan

Metode Penaksiran Kuadrat Terkecil (KT)

2.5.1. Metode Kalibrasi Newton-Rapson

Jika 0 adalah nilai untuk pendekatan solusi (0 + h), maka

Dengan memasukkan persamaan (2.32) ke dalam persamaan (2.33) didapat:

dapat dihitung. Persamaan tersebut dapt dihitung dengan metode

Selanjutnya nilai h ini digunakan untuk mendapatkan nilai pendekatan berikut :

2.5.2. Bagan Alir Prosedur Kalibrasi Metode Newton-Rapson

(eksponensial negatif, pangkat, tanner)

HITUNG : Faktor Penyeimbang

(Sesuai dengan batasan yang digunakan)

(Sesuai dengan metode yang digunakan)

2.5.3. Model Gravity tipe tanpa batasan

Mulai pengulangan pertama dengan menyatakan m = 0 dan menetapkan suatu nilai = 0

Karena Ai = 1 dan Bd = 1; maka :

dengan persamaan (2.42), yang nilainya kemudian digunakan

lagi untuk menghitung kembali nilai

dengan persamaan (2.41). Proses ini diulangi sampai

menghasilkan nilai tertentu (konvergen).

Kita dapat mengihitung nilai

dengan persamaan (2.44), yang nilainya kemudian digunakan

lagi untuk menghitung kembali nilai

dengan persamaan (2.43). Proses ini diulangi sampai

menghasilkan nilai tertentu (konvergen).

Untuk Fungsi hambatan pangkat digunakan persamaan berikut:

Untuk Fungis hambatan Tanner digunakan persamaan berikut:

Buat m = m + 1, dan tetapkan nilai m dengan menggunakan persamaan berikut:

2.5.3. Model Gravity tipe batasan-bangkitan

Mulai pengulangan pertama dengan menyatakan m = 0 dan menetapkan suatu nilai = 0

dihitung dengan menggunakan persmaan (2.36) dan (2.37).

untuk fungsi hambatan eksponensial-negatif dapat dihitung dengan

menggunakan persamaan (2.45) (2.47). Nilai

untuk fungsi hambatan

pangkat dapat dihitung dengan menggunakan persamaan (2.48) (2.50). Nilai

Buat m = m + 1, dan tetapkan nilai m dengan menggunakan persamaan berikut:

2.5.4. Model Gravity tipe batasan-tarikan

Mulai pengulangan pertama dengan menyatakan m = 0 dan menetapkan suatu nilai = 0

dihitung dengan menggunakan persmaan (2.36) dan (2.37).

untuk fungsi hambatan eksponensial-negatif dapat dihitung dengan

menggunakan persamaan (2.45) (2.47). Nilai

untuk fungsi hambatan

pangkat dapat dihitung dengan menggunakan persamaan (2.48) (2.50). Nilai

Buat m = m + 1, dan tetapkan nilai m dengan menggunakan persamaan berikut: