Teori Dasar Pemilihan Moda

1. Fungsi Utilitas
Model pemilihan moda didekati dari pilihan orang terhadap utilitas moda.
o Utilitas merepresentasi suatu keunggulan atau daya tarik suatu barang
komoditas, yang termasuk di dalamnya juga moda transportasi, dimana
setiap barang komoditas tersebut memiliki utilitas yang merupakan
gabungan dari atribut yang melekat (Kanafani, 1983).
o Sementara menurut Hartono (2004), utilitas didefinisikan sebagai tingkat
kepuasan tertentu yang diperoleh seorang konsumen dari mengkonsumsi
sejumlah barang-barang tertentu.

Dengan asumsi terdapat perbedaan pilihan di antara pengguna

transportasi, kemudian dibuat model pembagian proporsi pengguna
untuk moda yang tersedia. Pembagian penggunaan moda terbentuk dari
perbedaan pilihan terhadap utilitas yang merupakan gabungan dari
atribut moda yang menjadi pilihan.
Bentuk sederhana dari model utilitas yang sering digunakan dalam analisis
transportasi adalah bentuk linier sederhana seperti nampak dalam persamaan
(2.1).

U i a0i a1i X 1i a2i X 2i ... ani X ni

(2.1)

dengan :

: adalah utilitas dari pilihan i

Ui

X 1i ,

...,

X ni

a1 , ..., a n

: adalah atribut yang melekat pada pilihan i

: adalah koefisien dari model, dan

a0

adalah konstanta

model.
o Sifat unik pandangan individu terhadap utilitas suatu komoditas (moda)
pada kenyataannya dapat mencakup semua atribut, sebagai akibat dari
perbedaan karakteristik individual (misalnya tingkat pendapatan),
sehingga nilai relatif antar individu dapat berbeda sesuai perbandingan
antara harga masing-masing atribut (misalnya ongkos) dibandingkan
terhadap pendapatan.
o Setiap individu dapat dikatakan memiliki utilitas sendiri-sendiri, hal ini
merupakan kesulitan bagi pemodelan.
o Perbedaan ini dapat didekati melalui pengelompokan (agregasi), dari
perbedaan individu menjadi perbedaan kelas atau kelompok.
o Model pemilihan moda diturunkan dengan dasar kecenderungan bahwa
setiap orang yang memiliki pilihan akan memilih moda yang terbesar
utilitasnya bagi dirinya.
Frickers (2004) menuliskan fungsi utilitas moda seperti pada persamaan (2.2)
berikut:
U m a0m a1m X 1m a2m X 2m ... anm X nm

(2.2)

dimana :

Um

adalah utilitas dari moda m,

sedangkan

X 1m ,

...,

X nm

adalah atribut yang melekat atau menjadi ciri

pada moda m, yang merupakan variabel terukur yang membantu

menjelaskan bahwa pelaku perjalanan dengan atribut tertentu akan
memilih moda m, misalnya waktu perjalanan atau ongkos.
Suku persamaan
yang dapat diukur

a1 X 1 ,

...,

an X n

pada persamaan (2.2) merupakan utilitas

(Vm ) .

Sedangkan adalah suatu peubah acak untuk memasukan ke dalam

hitungan faktor-faktor yang dapat mempengaruhi keputusan pelaku
perjalanan dimana faktor-faktor tersebut tidak mudah diukur atau
diamati (unobserved).
Dengan demikian maka persamaan (2.2) dapat ditulis kembali menjadi :
Um = Vm +

(2.3)

Model pilihan moda yang mudah dan sering digunakan adalah model
pilihan diskrit, yakni model logit-multinomial.

Model diperoleh melalui asumsi bahwa faktor ketidakpastian yang

mempengaruhi individu dalam mengambil pilihan keputusannya ( ),
terdistribusi sesuai Distribusi Gumbel.

o Kemudian dengan mengambil pada rata-rata atau nilai harapan sama

dengan nol (=0), model pilihan moda menjadi sederhana seperti pada
persamaan (2.4) berikut:

Pm

exp(Vm )
exp(V j )

(2.4)

j 1, k

Dengan :
Pm adalah probabilitas pelaku perjalanan untuk memilih moda m dari himpunan
moda tertentu yang dapat dipilih,

Vm adalah utilitas terukur moda m,

j = 1, k menyatakan himpunan moda yang dapat dipilih.

2.1.2.

Model Deterministik Vs Stokastik

o Setiap individu dalam proses pemilihan moda akan mempertimbangkan

atribut pelayanan moda yang ditawarkan kepadanya, yang akan
berbeda antara individu satu dengan lainnya, tergantung pada kondisi
sosioekonomi dan preferensinya.
o Preferensi individu bervariasi tidak hanya pada atribut pelayanan yang
dianggap penting, melainkan juga pada bobot relatif yang diberikan pada
berbagai atribut.

Model deterministik merupakan model yang mengasumsikan bahwa

pengguna moda transportasi

dalam membuat alternatif pilihannya

memiliki informasi secara lengkap dan masuk akal.

10

o Dalam pendekatan disagregat, proses pengambilan keputusan

digambarkan dengan memanfaatkan konsep kurva tak berpilihan
(indifference curve) yaitu kurva yang menggambarkan nilai utilitas bagi
seseorang seperti terlihat pada Gambar 2.1.
o Kurva ini menggambarkan titik kombinasi pilihan dimana individu merasa
tidak berbeda, karena sejumlah kurva mewakili preferensi dari individu
tertentu.
o Individu merasa tidak berbeda pada semua kombinasi atribut pada satu
kurva yang sama tetapi berbeda pada kurva yang lain.
Waktu
(t)

Gambar 2.1. Kurva Tak Berpilihan

(Diambil dari : Kanafani ,1983)

Biaya (c)
cA

cB

o Sementara dalam kenyataannya, karena ketidakmampuan manusia

memperoleh informasi secara lengkap, baik mengenai alternatif maupun
atribut dari alternatif, maka perlu dimasukkannya unsur error atau
residual yang bersifat random (stokastik).
o Seperti terlihat pada persamaan (2.2), setiap utilitas akan memiliki dua
parameter yang terukur dan tidak terukur. Unsur yang tidak terukur,
termasuk di dalamnya kesalahan pemodel dan unsur tidak rasional
lainnya, diatasi dengan memasukan faktor error (
(Kanafani, 1983).

11

 Unsur tidak rasional merupakan sesuatu yang unik dalam memodel

pilihan moda, karena bisa jadi dua individu dengan atribut sama dan
mempunyai set pilihan yang sama mungkin memilih pilihan yang
berbeda, dan beberapa individu tidak selalu memilih alternatif yang
terbaik.
Oleh karena itu Meyer dan Miller (1984) dan Kanafani (1983),
berpendapat bahwa bagaimanapun juga fungsi utilitas harus terdiri atas
dua komponen, yaitu :
komponen sistematis (yaitu utilitas yang dapat diamati, yang sama
dengan fungsi utilitas pada ekonomi mikro konvensional) dan
komponen random (yang mengatasi akibat-akibat dari adanya
variasi dalam persepsi dan selera pelaku perjalanan, kesalahan
spesifikasi dalam fungsi utilitas dan kesalahan pengukuran persepsi
oleh pengambil keputusan atau analisis).
2.2. Teori Perilaku Pemilihan Individu Terhadap Komoditas
Sebuah pilihan terhadap suatu komoditas dapat dipandang sebagai hasil dari
proses pemilihan yang berurut yang melalui tahapan-tahapan (Kanafani,
1983) :
pendefinisian masalah pilihan,
alternatif-alternatif yang tersedia,
evaluasi terhadap atribut dari alternatif-alternatif,
pilihan,
dan pelaksanaan terhadap pilihan

12

o Sebagai contoh seorang yang memilih moda transportasi ke tempat

kerja.
o Moda-moda pilihan yang tersedia merupakan alternatif

yang harus

dipilih.
o Misalkan ada tiga moda, yakni angkutan umum, mobil, dan sepeda
motor.
o Dari ketiga moda itu masing-masing memiliki atribut yang berbeda
dalam hal waktu tempuh, biaya, dan kenyamanan.
o Setiap individu akan memilih moda dengan bantuan informasi atribut
yang ada pada setiap moda dan memutuskan pilihan moda sesuai
dengan aturan pemilihan apakah menghendaki waktu tempuh cepat,
biaya murah, atau kenyamanan yang menjanjikan.
o Dapat ditarik kesimpulan bahwa dalam teori pemilihan terdapat elemenelemen yang saling berkait, yakni :
pengambil keputusan,
alternatif pilihan,
atribut dari alternatif, dan
aturan pemilihan.
2.2.1. Pemilihan Continuous
o Gambar 2.2 menggambarkan suatu set pilihan continuous untuk tiga
barang konsumsi (q1, q2, dan q3).

13

o Seseorang dapat memilih ketiga macam barang konsumsi tersebut

secara bersamaan, namun demikian total probabilitas memilih ketiga
barang konsumsi tersebut yakni P1.q1 + P2.q2 + P3.q3 adalah tetap satu.
o Tidak demikian halnya dengan memilih konsumsi moda transportasi.
Dari berbagai alternatif moda yang ada, seseorang hanya memilih satu di
antaranya untuk moda transportasi, yang dalam hal ini dikatakan bahwa
pilihan ini bersifat diskrit.

2.2.2. Pemilihan Diskrit

Pilihan seseorang terhadap moda transportasi yang berupa pilihan diskrit,
digambarkan dengan fungsi utilitas yang dapat ditulis sebagai berikut :

U (.)

U(q1,q2,q3)

(2.5)

q3
p1q1+p2q2+p3q3 =1

q1

q2

Gambar 2.2. Set Pilihan Continuous

(Diambil dari : Ben-Akiva dan Lerman, 1985)

14

o Konsep analisis pemilihan diskrit menggunakan prinsip maksimisasi

utilitas (utility maximization).
o Pengambil keputusan untuk memilih pilihan dari alternatif yang tersedia
berupa barang/jasa adalah dengan utilitas tertinggi.
o Mengingat sangat tidak mungkin menganalisis model pemilihan diskrit
dari alternatif pilihan yang ada dari seluruh individu, sehingga diperlukan
pendekatan dengan memakai konsep utilitas random (random utility)
(Ben-Akiva dan Lerman, 1985).

jika moda 1 yang dipilih

sebaliknya

jika moda 2 yang dipilih

sebaliknya

jika moda 3 yang dipilih

sebaliknya

q1 =

q2 =

q3 =

Dari tiga pilihan moda yang ada, katakan q1, q2, q3, hanya satu yang dapat
dipilih, yang dengan demikian maka kemungkinan dua moda yang lainnya
adalah nol, yang dapat ditulis sebagai berikut :

Uq1 (1,0,0) ; Uq2(0,1,0) ; Uq3 (0,0,1)

15

(2.6)

o Mengingat bahwa set pilihan bersifat diskrit, maka tidak mungkin

menggunakan teknik maksimisasi untuk menurunkan fungsi permintaan.
o Dengan demikian representasi diskrit terhadap alternatif mengharuskan
pendekatan analitis yang berbeda, yakni dengan fungsi utilitas.
o Dari contoh pemilihan terhadap tiga moda seperti tersebut di atas, fungsi
utilitas diekspresikan sebagai atribut-atribut dari alternatif-alternatif
seperti berikut ini.

U1 = U (t1,c1,k1),
U2 = U (t2,c2,k2),

(2.7)

U3 = U (t3,c3,k3),

dengan :

t : atribut waktu tempuh

c : atribut biaya
k : atribut kenyamanan

o Fungsi U (.), yang merupakan pemetaan nilai atribut dalam skala utilitas,
adalah nomor urutan fungsi utilitas.
o Sebagai contoh untuk pemilihan alternatif 1 yang akan dipilih jika dan
hanya jika : U1 >U2 dan U1 >U3 .
o Dua alternatif akan tidak berbeda bilamana utilitas keduanya sama atau
kecil sekali perbedaannya.
o Sebagai contoh jika U1 =U2 dan U1 >U3 , maka akan terjadi kesamaan
dalam memilih moda 1 dan moda 2.

16

Kesulitan utama sehubungan dengan masalah utilitas adalah bagaimana

mengasumsikan suatu bentuk fungsi utilitas. Selama ini fungsi utilitas lebih
sering diasumsikan sebagai berikut :
U1 = - 1t1 - 2c1 + 3k1 ,
U2 = - 1t2 - 2c2 + 3k2 ,

(2.8)

U3 = - 1t3 - 2c3 + 3k3 ,

o Nilai parameter-parameter 1, 2, 3 dari atribut waktu tempuh, biaya,
dan kenyamanan, yang lebih besar dari nol merupakan ekspresi dari
pelaku perjalanan.
o Parameter menggambarkan sensitivitas dari atribut terhadap perubahan
nilai yang terjadi, semakin besar nilainya maka akan semakin sensitif
sebuah atribut terhadap perubahan.
o Aplikasi dari teori ini adalah untuk menilai seberapa besar pelaku
perjalanan akan merespon adanya perubahan pada suatu moda melalui
besarnya perubahan nilai parameter.
o Pendekatan ini disebut sebagai revealed preferences dengan sistem
pengandaian terjadinya perubahan utilitas moda.
o Mengingat bahwa utilitas adalah nomor urutan, dimensi pencarian
dapat dikurangi dengan mendefinisikan kembali utilitas.
U1 = - 1t1 - c1 + 3k1 ,
U2 = - 1t2 - c2 + 3k2 ,

(2.9)

U3 = - 1t3 - c3 + 3k3 ,

17

Pembagian dengan konstanta yang positif (2) tidak merubah rangking. Untuk
penyederhanaan asumsikan bahwa 3=0, dengan demikian pilihan moda 1
atas moda 2 dinyatakan secara tidak langsung bahwa :
1( t1 t2)

c2- c1

(2.10)

jika
t1 t2 > 0 dan juga c2- c1 > 0

(2.11)

diperoleh batas atas :

1

c 2 c1
t1 t 2

(2.12)

Pada observasi berikutnya anggap, sebagai misal, moda 3 mengalami

perbaikan pada waktu tempuh dan biaya sehingga pelaku perjalanan memilih
moda 3 atas moda 1 sehingga :

1( t3 t1)

c1- c3

(2.13)

jika
t3 t1 < 0 dan juga c1- c3 < 0

(2.14)

diperoleh batas bawah :

c3 c1
t1 t 3

(2.15)

Apabila terjadi ketidakperbedaan antar moda misalnya moda 1 dan moda 2

mempunyai nilai yang sama pada waktu tempuh dan biaya, maka dapat
diasumsikan tidak ada perbedaan antara dua alternatif moda tersebut.

18

U1 = U2

1 =

(2.16)

c 2 c1
t1 t 2

(2.17)

2.3. Model Untuk Pilihan

o Untuk memprediksi bahwa suatu alternatif akan terpilih, nilai utilitasnya
harus dapat dibedakan dari pilihan-pilihan alternatif dan
ditransformasikan ke dalam suatu nilai probabilitas antara 0 dan 1.
o Terdapat beberapa transformasi matematis yang dapat digunakan yang
secara tipikal tujuan penerapannya adalah untuk mendapatkan
penggambaran kurva bentuk S, antara lain Logit dan Probit.

Asumsikan sebuah pilihan dari suatu pola aktivitas p, yang merupakan bagian
dari set pilihan P, yang direpresentasikan dengan model random utilitas,
dapat ditulis :
U p Vp p

; dengan

(2.18)

pP

Sebuah utilitas Up akan terdiri dari komponen sistematik Vp dan komponen

random p. Di dalam model logit, p mengikuti distribusi Gumbel sedangkan
pada model probit mengikuti distribusi Normal. Probabilitas p yang akan
dipilih pada model logit dirumuskan seperti berikut ini.

19

prob( p)

exp( PV p )

exp(

p l P

Vp l )

, pP

(2.19)

dengan P adalah skala parameter.

Sedangkan rumusan matematis model probit untuk kasus binary adalah sebagai
berikut :
2

x 2 2 x x
x2
1

1
1 2


exp

2

2(1 ) 1
1 2
2
V2 V1 x1

dx dx
P1
2
1
2

2 1 2 (1 )

dengan :

P1
V1
V2
X1
X2

:
:
:
:
:
:

(2.20)

Probabilitas aternatif 1
Komponen sistematik utilitas alternatif 1
Komponen sistematik utilitas alternatif 2
Atribut 1
Atribut 2
koefisien korelasi dari atribut X1 dan X2
variansi dari X1
variansi dari X2

Persamaan (2.20) dibangun dengan distribusi dari vektor error () sebagai

berikut:

dengan :

MNV (0, )
MNV

Multivariate normal, dengan = 0 dan

: Matrik kovarian, mengikuti bentuk :

20

 12

1 2

1 2

2
2

(2.21)

o Model pilihan diskrit tidak dapat dikalibrasi dengan teknik pendekatan

kurva standar yang umum dipakai, karena peubah tidak-bebasnya Pi
adalah probabilitas yang tidak teramati (antara 0 dan 1)
o dan pengamatan-pengamatan adalah pada pilihan-pilihan para individu
(baik 0 maupun 1).
o Pengecualian dari hal ini adalah model-model untuk kelompok individual
yang homogen, atau dimana perilaku setiap individu telah tercatat
dalam beberapa kali, sebab frekuensi pilihan yang telah teramati juga
merupakan variabel antara 0 dan 1.
2.5. Model Multinomial Logit
o

Model multinomial logit merupakan model simpel dari model random

utility.

Seperti diketahui bahwa dalam persamaan fungsi utilitas terdapat dua

komponen sebagai penyusunnya yakni komponen yang deterministik
dan komponen error.

Persamaan berikut ini merupakan persamaan fungsi utilitas :

Ut,i = V(St) + V(Xi) + V(St ,Xi) + ti

21

(2.33)

dengan :
Ut,i

: Utilitas untuk alternatif i untuk individu t

V(St)

: komponen utilitas deterministik yang berkaitan dengan

karakteristik individu t

V(Xi)

: komponen utilitas deterministik yang berkaitan dengan atribut

alternatif pilihan i

V(St ,Xi) :

komponen utilitas deterministik interaksi antara yang

berkaitan dengan atribut alternatif pilihan i dan karakteristik
individu t

ti

Komponen utilitas yang bersifat random atau komponen error

Model logit dibangun atas dasar asumsi, yakni :

o komponen error terdistribusi dalam distribusi Gumbel,
o komponen error adalah terdistribusi secara bebas dan identik antar
alternatif (IID= independently and identically distributed), dan
o komponen error adalah terdistribusi secara bebas dan identik antar
individu yang diteliti (IIA = independence of irrelevant alternatives).

Berbeda dengan model logit,

o model multinomial probit (MNP) komponen error terdistribusi dalam
distribusi normal.
o Secara teori dan praktek distribusi normal bagus untuk aplikasi
pemodelan. Namun demikian sulit digunakan untuk analisis pilihan
karena menyangkut masalah-masalah numerik.

22

o MNP hanya dapat dihitung dengan integrasi multi dimensi dan juga ada
masalah dalam interprestasi.
o Kasus khusus dari MNP yakni jika komponen error didistribusi secara
bebas (tanpa covarian) dan identik (variansi sama), estimasi yang
diperoleh dan hasil prediksinya sangat mendekati model multinomial
logit.
o Model multinomial logit dengan distribusi Gumbel dipilih karena
keuntungan dalam perhitungan dalam konteks dimana maksimisasi
adalah penting, mendekati perkiraan distribusi normal (Gambar 2.3 dan
2.4)
o dan menghasilkan bentuk yang tertutup (yakni model probabilitas dapat
dihitung tanpa menggunakan integrasi numerik atau metode simulasi)
model pemilihan probabilistik (Koppelman dan Bhat, 2006).
Gumbel memiliki fungsi distribusi kumulatif dan kepadatan probabilitas
sebagai berikut:
F( ) = exp{-exp[-( )]}

(2.34)

f( ) = x {exp[- ( )]}x exp{-exp[-( )]}

(2.35)

dengan

= skala parameter yang menentukan variansi dari distribusi

= lokasi (mode) parameter

= komponen error atau disturbance (atau biasa diberi notasi )

23

Mean dan variansi dari distribusinya adalah :

Mean =

(2.36)

2
6 2

(2.37)

probabilitas

Variansi =

0,577

Fungsi Kepadatan Probabilitas

untuk Distribusi Normal dan
Gumbel (mean dan variansi sama)

Gambar 2.4.
Fungsi Distribusi Kumulatif untuk
Distribusi Normal dan Gumbel
(mean dan variansi sama)

(Diambil dari: Koppelman dan Bhat, 2006)

(Diambil dari: Koppelman dan Bhat, 2006)

Gambar 2.3.

Asumsi kedua dan ketiga menetapkan lokasi dan variansi dari distribusi hanya
sebagai dan yang mengindikasikan lokasi dan variansi dari distribusi
normal.
Ketiga asumsi secara struktur matematis dikenal sebagai model multinomial
logit (MNL) yang memberikan probabilitas pilihan dari setiap alternatif sebagai
fungsi sistematik dari seluruh alternatif.
Rumusan umum dari pilihan alternatif i dari set alternatif J adalah :

24

Pr(i) =

exp(Vi )

(2.38)

j1 exp(V j )
J

dengan Pr(i) = probabilitas pengambil keputusan memilih alternatif i

Vi

= komponen sistematik utilitas dari alternatif i

Vj

= komponen sistematik utilitas dari alternatif j

Fungsi eksponential digambarkan pada Gambar 2.10 menunjukkan hubungan

antara exp(Vi) dan Vi. Perlu dicatat bahwa exp(Vi) selalu bernilai positif dan
naik secara monoton.

Gambar 2.5. Hubungan antara Vi dan exp(Vi)

(Diambil dari: Koppelman dan Bhat, 2006)

Model multinomial logit memiliki beberapa persyaratan. Diilustrasikan untuk

sebuah kasus pengambil keputusan yang memiliki tiga alternatif yang tersedia
yakni mobil (MB), motor (MTR), dan angkutan umum (AU), maka probabilitas
untuk alternatif mobil sebagai contoh adalah:

Pr(MB)

exp(VMB )
exp(VMB ) exp(VMTR ) exp(VAU )

25

(2.39)

Dimana VMB, VMTR, dan VAU adalah komponen sistematik dari utilitas mobil,
motor, dan angkutan umum. Perlu diperhatikan bahwa nilai probabilitas akan
meningkat dengan meningkatnya komponen sistematik utilitas apabila utilitas
yang lain dipertahankan konstan.
2.5.1. Estimasi Model
Model logit dikembangkan dengan merumuskan spesifikasi model dan
mengestimasi nilai parameter dari atribut-atribut setiap fungsi utilitas
sedemikian sehingga antara model dan data observasi adalah fit atau
berkesesuaian.
2.5.1.1. Estimasi Model Secara Grafis
Berikut ini diilustrasikan konsep dasar estimasi model menggunakan model
pilihan biner dengan dua variabel dan tanpa konstanta (Kopelman dan Bhat,
2006).
Vcar = 1xWaktu tempuhCar +2xBiayaCar

(2.40)

VBus = 1xWaktu tempuhBus +2xBiayaBus

(2.41)

o Diasumsikan bahwa untuk bus waktu tempuh lebih tinggi dan biaya lebih
rendah dibandingkan dengan mobil.
o Pelaku perjalanan memilih moda berdasarkan nilai relatif terhadap
waktu tempuh dan biaya.
o Orang yang menganggap bahwa nilai waktu lebih tinggi daripada biaya
akan memilih mobil, sedangkan yang menganggap bahwa nilai waktu
tempuh lebih rendah daripada biaya akan memilih bus.

26

o Konsep ini dapat dilihat pada Gambar 2.6. Jika garis iso-utility cukup
curam maka beberapa garis iso-utility adalah di bawah bus dan di atas
mobil (kasus 1) berakibat rendahnya nilai waktu dan bus menjadi moda
yang dipilih.
o Sebaliknya jika garis iso-utility agak datar maka beberapa garis iso-utility
adalah di bawah mobil dan di atas bus (kasus 2) berakibat tingginya nilai
waktu dan mobil menjadi moda yang dipilih.
Konsep garis iso-utility dapat digunakan secara grafis mengestimasi
parameter model dengan menggunakan data pilihan yang diobservasi.
Gambar 2.7 memperlihatkan data pilihan hasil observasi untuk dua
pelaku perjalanan.
Pelaku perjalanan pertama memilih bus dan pelaku perjalanan kedua
memilih mobil.
Tujuannya adalah untuk mendapatkan garis iso-utility dengan slop yang
cukup curam agar bus berada di atas mobil dan slop yang agak datar agar
bus berada di bawah mobil.
Gambar ini juga menunjukkan bahwa terdapat beberapa garis iso-utility
dengan kemiringan yang berlainan yang menggambarkan kondisi tingkat
kepuasan.
Dapat dilihat bahwa hanya dengan dua variabel saja telah cukup rumit,
sehingga untuk data dengan banyak variabel diperlukan metoda estimasi.
Metoda maksimum likelihood adalah metoda untuk memperoleh
parameter model dengan memaksimumkan fungsi likelihood.

27

Kasus 1: Persepsi Pelaku Perjalanan

Waktu lebih penting daripada biaya
Waktu Rendah

Waktu Rendah

Kasus 1: Persepsi Pelaku Perjalanan

Biaya lebih penting daripada waktu

Utilitas Lebih Besar

Mobil

Utilitas Lebih Besar

Mobil

Bus

Bus
Biaya Rendah

Biaya Rendah

Gambar 2.6. Garis Iso-Utility Pelaku Perjalanan untuk Sensitif Biaya Vs Sensitif Waktu
(Diambil dari: Koppelman dan Bhat, 2006)

Waktu Rendah

Individu 1 memilih Bus

Individu 1 memilih Mobil
Mobil 2

Mobil 1

Bus 1

Bus 2
Biaya Rendah

Gambar 2.7. Estimasi Garis Iso-Utility dengan Data Pilihan Observasi

(Diambil dari: Koppelman dan Bhat, 2006)

28

2.5.1.2. Estimasi Parameter Model Secara Matematis

Estimasi model secara matematis untuk memperoleh nilai parameter dari
atribut atribut setiap fungsi utilitas pada model logit, menggunakan metode
maksimum likelihood.
o Model logit dikembangkan dengan merumuskan spesifikasi model dan
mengestimasi nilai parameter dari atribut-atribut setiap fungsi utilitas
sedemikian sehingga antara model dan data observasi adalah fit atau
berkesesuaian.
o Selanjutnya untuk penyelesaian model, diperlukan metoda estimasi
untuk mengkalibrasi parameter atribut, yang dalam model ini digunakan
metoda maksimum likelihood yakni suatu metoda untuk memperoleh
parameter model dengan memaksimumkan fungsi likelihood.
o
Langkah langkah yang dilakukan adalah dengan:
1. Membangun sebuah fungsi probabilitas gabungan dari sampel yang
diobservasi yang disebut sebagai fungsi likelihood
2. Memperkirakan nilai parameter dengan memaksimumkan fungsi likelihood
Fungsi likelihood untuk sebuah sampel dari sejumlah T individu dan untuk
sejumlah J alternatif adalah sebagai berikut :
L () =
dengan :

jt

( Pjt ( ))

jt

(3.1)

tT jJ

: Indikator pilihan dengan ketentuan,

bernilai 1 jika j dipilih oleh individu t

jt =

bernilai 0 jika tidak dipilih

29

Pjt

: probabilitas individu t memilih alternatif j

parameter yang diestimasi

o Nilai parameter-parameter akan mencapai maksimum jika fungsi
likelihood diturunkan dan kemudian menyamakannya dengan nol.
o Untuk lebih memudahkan perhitungan, maka fungsi likelihood dibuat
dalam bentuk logaritma agar bentuk perkalian berubah menjadi
penjumlahan, sehingga istilah penamaannya menjadi fungsi log
likelihood meskipun penurunanya dalam bentuk ln.
o Bentuk fungsi menjadi :
LL ()

= Log L () = jt .ln ( Pjt ( ))

(3.2)

tT jJ

( LL)
k

= jt . 1
P
tT jJ

jt

P jt ( )

(3.3)

Pengembangan penurunan berikutnya membutuhkan representasi fungsi

probabilitas, Pjt, yang dirumuskan sebagai berikut :

Pjt =

exp( X ljt )

exp( X
jl

l
jlt

(3.4)

dengan : Pjt : Probabilitas individu t terhadap choice set alternatif j

: parameter model
X ljt : Atribut model tinjauan dari individu t pada alternatif j

30

Pjt diturunkan terhadap maka menjadi :

Pjt

Pjt X ljkt Pj l t . X j l kt
jl

(3.5)

Substitusikan persamaan (3.5) ke (3.3) yang menghasilkan suatu penurunan

log-likelihood terhadap k sebagai berikut:

( LL)
k

= jt X ljkt Pj t .X j kt
tT jJ

jl

= jt Pj t . X ljt
l

(3.6)

tT jJ

Apabila persamaan (3.6) disamakan dengan nol, maka akan diperoleh nilai
parameter

yang terbaik. Hal ini adalah solusi nilai maksimum yang disajikan

bahwa turunan kedua adalah pasti negatif. Pada kasus ini turunan kedua loglikehood terhadap adalah :
2 ( LL)
l

= Pj t X ljt jt X t . X ljt jt X t

.l

(3.7)

tT jJ

persamaan (3.7) akan menghasilkan nilai negatif untuk seluruh nilai

Persamaan (3.6) dan (3.7) digunakan untuk menyelesaikan masalah

maksimum likelihood menggunakan sebuah variasi algoritma yang tersedia.

31

Selanjutnya dalam pemodelan ini digunakan program bantu NLOGIT Versi 4

dari Limdep. Perangkat lunak ini merupakan alat bantu pengolahan data
untuk mendapatkan estimasi koefisien dan parameter dari atribut model
dalam fungsi utilitas yang dibangun, dengan menggunakan metoda
maksimum likelihood. Output dari pengolahan data adalah berupa :
estimasi parameter model,

t- statistik dari masing-masing atribut,

dan log-likehood dari model.

Untuk mengetahui signifikansi model, maka perlu dilakukan penghitungan
langkah-langkah secara statistik sebagai berikut :
1. Menghitung nilai Chi-square ( 2 ),
o yakni nilai batas kurva daerah penolakan dari model dengan
memperhitungkan faktor (level of acceptance) model dan derajat
kebebasan yang merupakan selisih jumlah parameter antara basemodel
dan model estimate.
o Gambar 3.6 adalah contoh hasil perhitungan akhir nilai Chi-square
sebesar 3,841 dengan = 0,05 dan derajat
dihitung

dengan

fungsi

pada

kebebasan satu yang

program

Microsoft

CHIINV(0.05,1), dan nilai -2LL sebesar 113,72372.

32

Exel

Daerah penolakan

3,841
113,72372
Gambar 3.5. Contoh Pengujian -2 LL Chi-square

o Nilai Chi-square kemudian dibandingkan dengan nilai -2LL,

o jika nilai -2LL melebihi nilai Chi-square ( 2 ) dengan nilai signifikansi
tertentu () serta degrees of freedom (selisih jumlah parameter antara
estimate model dan base model), maka pemodel menolak hipotesis nol
bahwa model tidak lebih baik daripada base model atau dengan kata lain
model adalah signifikan.
o Pada contoh Gambar 3.5 menunjukkan bahwa model adalah signifikan.
2. Menghitung nilai -2LL yang merupakan selisih dari loglihood base model
(model hanya dengan konstanta saja) dan estimate model (model yang
dibangun), yang dirumuskan sebagai berikut :
-2LL =

-2 (LL basemodel LL estimate

3. Menghitung nilai
2

2 (pseudo-R

model)

(3.8)

), yang dirumuskan sebagai berikut :

= 1 Log likelihood (basemodel )

(3.9)

Log likelihood (estimate)

Nilai likelihood estimate merupakan nilai yang dihasilkan program dari

fungsi utilitas yang dibangun dengan memperhitungkan atribut-atribut

33

model, sedangkan nilai likelihood base model adalah nilai yang dihasilkan
program dari fungsi utilitas yang dibangun hanya dengan
memperhitungkan konstanta saja
4. Menghitung nilai %-correct prediction untuk menguji tabel perbandingan
prediksi pemilihan dari hasil pemodelan dan dari data. Nilai yang
dihasilkan, yang merupakan perbandingan dari jumlah prediksi model
dengan jumlah data observasi, memberikan indikasi, sedekat apa model
dapat menjelaskan data.
3.4.3. Contoh Estimasi Parameter dari Maksimum Likelihood
Pada contoh ini dicoba untuk kasus pemodelan binomial yakni dengan dua
alternatif moda. Terdapat dua pilihan moda antara mobil dan bus yang
diestimasi, yang dipilih oleh tiga orang, dan agar lebih simpel dianggap hanya
satu variabel yang berpengaruh yakni :
Vmobil =

1 xWaktu tempuhmbl

(3.10)

VBus

1 xWaktutempuhBus

(3.11)

Misalkan data yang diperoleh dari observasi adalah seperti pada Tabel 3.5.
Tabel 3.5 Contoh Atribut Perjalanan Dua Moda
Individu

Waktu tempuh mobil

Waktu tempuh bus

Pilihan

30 menit

50 menit

mobil (moda 1)

20 menit

10 menit

mobil (moda 1)

40 menit

30 menit

bus

(moda 2)

Mengacu pada model logit, probabilitas untuk moda yang diobservasi untuk
tiap individu adalah :

34

Individu 1 (P11)

exp(30 )
1

exp(30 ) exp(50 ) 1 exp( 20 )

(3.12)

Individu 2 (P12)

exp( 20 )
1

exp( 20 ) exp(10 ) 1 exp( 10 )

(3.13)

Individu 3 (P23)

exp(30 )
1

exp(30 ) exp( 40 ) 1 exp(10 )

(3.14)

Perumusan log-likelihood adalah sebagai berikut :

LL = jt x ln( Pjt )
j 1, 2i 1, 2, 3

= {1xln(P11) + 0xln(P21)} + {1xln(P11) + 0xln(P22)}+

{0xln(P13)+ 1xln(P23)}
= ln (P11) + 1xln(P12) + ln(P23)
= ln

1
+
1 exp( 20 )

ln

1
1
+
1 exp( 10 ) 1 exp(10 )

(3.15)

Untuk mendapatkan nilai persamaan (3.15) diturunkan terhadap dan

dipersamakan dengan nol, sebagai berikut :

0 =

20
10
10
+
+
(1 exp( 20 )).exp( 20 ) (1 exp( 10 )).exp( 10 )
(1 exp(10 )).exp(10 )

dengan cara coba-coba (trial and error), diperoleh nilai = 0,02756

35