Pendekatan Analisis dan Pemodelan

Perencanaan Transportasi
1. Analisis Trip Generation
2. Analisis Trip Distribution

Gambar UTMS 4 Tahap (Black, 1981)

Koleksi Data
Zona model
Survai invent. jaringan

Trip Generation
O-D
Trip Distribution

Jaringan Transport

Survai Trip t0

Total Matrix O-D

Modal Split

Biaya Perjalanan

MAT Angk.Umum
MAT Angk.Pribadi
Route Choice
Arus Jaringan

A. Trip Generation
-

Tahapan dalam pemodelan yang mengestimasikan jumlah

pergerakan OD sebagai fungsi dari land use, jenis dan
intensitas aktivitas ruangnya (bangkit dan tarikan suatu
aktivitas).

Hasilnya berupa perhitungan jumlah kendaraan, orang atau

barang per satuan waktu, mis: smp/jam atau harian.

Jumlah dan jenis bangkitan lalulintas dari setiap land use

merupakan fungsi dari parameter sosial dan ekonomi (Black,
1978). Contoh di USA:
. 1 ha perumahan menghasilkan 60-70 pergerakan kendaraan per minggu;
. 1 ha perkantoran menghasilkan 700 pergerakan kendaraan per hari;
. 1 ha tempat parkir umum menghasilkan 12 pergerakan kendaraan per hari;

Model-model Trip Generation

(memiliki karakteristik)
-

Baik untuk penggunaan langsung (misalnya: penentuan luas

sarana parkir, kapasitas jalan, dll) maupun sbg bagian dari
pemodelan yang lebih luas.
Menentukan jumlah pergerakan di zona tertentu dan pada waktu
tertentu (misalnya pergerakan harian, morning peak hour, dll)
Dapat disagregasi menurut jenis pergerakan, jenis moda, dan
tujuan perjalanan tertentu, dsb.

Metode analisis yang sering digunakan:

1.
Metode Perluasan Faktor (expansion factor method)
2.
Metode Rerata Perjalanan (trip rate method)
3.
Metode Regresi (regression method)

(1) Metode Perluasan Faktor (expansion factor method)

Oi = Oit x Exp t
Oi : Jumlah perjalanan dari zona i pada tahun estimasi rencana
Oit : Jumlah perjalanan dari zona i pada tahun perencanaan
Exp t : Expansion factor periode -t

Pemahaman metode:

Sangat simpel

Membutuhkan data tahun dasar dan faktor ekspansi yang dapat

diandalkan pada semua zona

Tidak sensitif terhadap perubahan kebijakan

Contohnya: jumlah perjalanan (smp/jam) dari zona asal

(2) Metode Rerata Perjalanan

(trip rate method)
Pemahaman metode:

Modelnya sangat sederhana dalam menghitung trip rates (misalnya jumlah

trip pada peak hour/rumah)

Asumsinya: trip rates konstan sepanjang waktu

Mengabaikan perubahan pada bangkitan pergerakan dan perubahan
kebijaksanaan
Model yang populer: cross clasification atau category analysis

Prosedurnya:
1. Pilih parameter terkait (misalnya struktur rumah tangga, kepemilikan
kendaraan atau pendapatan)
2. Tentukan nilai kritis dari masing-masing parameter tersebut (misalnya 6
struktur RT, 3 kelompok pemilikan kendaraan, dan 5 level income).
3. Gunakan data hasil survai untuk menghitung rerata trip rates (misalnya
jumlah trip pada jam puncak /RT) untuk setiap sel pada matrix cross
classification (6x3x5 = 90 sel)
4. Prediksi jumlah rumah tangga pada setiap sel untuk zona yang
bersangkutan
5. Kalikan dengan trip rate pada sel yang berkesesuaian, kemudian
jumlahkan seluruh hasilnya sehingga diperoleh total trips
6

(3) Metode Regresi (base regression method: Y = A + BX)

Asumsi : fixed function form

Perbedaan mendasar antara zonal regression (aggregate) dengan household
regression (disaggregate) adalah:
- zonal regression : explanatory variable adalah rerata zona atau total (misalnya
rerata income, total populasi) sehingga data mudah diperoleh:
contoh: Oi = 0,351 Pi + 0,145 Hi + 0,253 Ci
Oi = Jumlah trip yang berasal dari zona i tahun 2005
Pi = Populasi zona i tahun 2005
Hi = Jumlah rumah tangga zona i tahun 2005
Ci = Jumlah mobil zona i tahun 2005

intersep besar kurang mendekati realita butuh peubah lain dlm model tsb.
- household regression yaitu perhitungan secara terpisah untuk setiap rumah
tangga menggunakan data disaggregat. Perhitungan untuk zona adalah
penjumlahan dari rumah tangga.
contoh: Oh = 0,91 + 1,44 Eh + 1,07 Ch
Oh = perjalanan bekerja yang berasal dari rumah tangga h
Eh = jumlah orang bekerja dari rumah tangga h
Ch = jumlah mobil di rumah tangga h
maka: Oi = Oh
H di zona I

- household regression memerlukan survai rumah tangga, tetapi lebih baik dari

zonal regression karena lebih unggul secara statistik dan lebih transferable
7

Proses umum model bangkitan pergerakan

dengan metode regresi linear (Tamin, 2000)
Zona

Data sosial ekonomi (N=CV.Z/E)

1
2
3
4
5
6
7
8

Kandidat peubah bebas (X)

Uji Korelasi (r)

Data trip end (Y)

Alternatif fungsi
Y

Uji Statistik dan

Uji Kewajaran

Tidak

Ya

Bangkitan Total Pemilikan

trip/hari (Y) kendaraan (X)
5.500
200
300
50
1.300
500
200
100
400
100
1.200
400
900
300
1.000
400

1.400

Y = A + BX
Y = 89,9 + 2,48

1.200

Model bangkitan pergerakan

1.000
800

Y dan X hubungannya linear

Perubahan 1 satuan nilai X mengakibatkan nilai Y = 2,48 satuan

Persamaan dgn intersep tinggi (galat cukup tinggi), disebabkan:
- Y dan X tidak linear
- meskipun nilai X = 0, masih terdapat bangkitan sebesar 89,9
beridikasi ada peubah lain kuat berpegaruh, mis, sosek pelaku
- Terdapat kesalahan dlm pengumplan data

600
400
200
0

X
100

200

300

400

500

Grafik: Hubungan Bangkitan Pergerakan dan Pemilikan Kandaraan

Regresi Non Linear Bangkitan Pergerakan

(Y = A+B1X1+C2X2++BzXz)

Dipersyaratkan:
Y berkorelasi linear dgn X, jika tdk harus ditransformasi
Efek X terhadap Y adalah penjumlahan & tidak berkorelasi kuat sesama X (residual error)
Variansi Y terhadap garis regresi harus sama untuk semua nilai X
Nilai Y terdistribusi Normal, minimum mendekati normal
Nilai X sebaiknya mudah diproyeksikan
Koefisien determinasi (R2): garis regresi dan sejumlah data yang digunakan mendapatkannya
Koefisien Korelasi (r): nilai kuat tidaknya hubungan Y dgn X, atau sesama X (-1r+1)
Uji t-test: menguji nilai signifikansi dari nilai (r)
Contoh: Jumlah bangkitan dan peubah pergerakan per kabupaten di Jabar, 1995
Bangkitan
Perjalanan

Jumlah
Penduduk

Jumlah
R.Sakit

Y1

X1

X2

X3

X4

X5

X6

Pandeglang

12.035.567

926.316

470

5.706

582

1.053.924

Lebak

7.647.167

963.307

387

2.418

971.543

Bogor

39.564.090

3.592.646

10

1.581

10.421

1.036

6.464.158

Cianjur

13.658.862

1.766.413

765

5.204

1.322

1.992.958

Bandung

85.239.366

3.471.886

10

2.406

12.324

316

7.514.143

Kabupaten

Panjang Jalan Jumlah Unit Jumlah Kamar PDRB (Juta

Hotel
diaspal
perdagangan
Rupiah)

Matriks Korelasi peubah bebas dan tidak bebas

Peubah X2 dan X4 (r) = 0,8, korelasi cukup tinggi & sama, persyaratannya X4 harus
dibuang, X2 terpilih karena relatif lebih kuat dengan Y1.
Tabel Matriks korelasi (r) antara X dan Y
PEUBAH (TAHAP 1)

Y1

X1

X2

X3

X4

X5

X6

Jumlah bangkitan (O1)

Y1

1,00

Jumlah penduduk

X1

0,73

1,00

Jumlah R. Sakit

X2

0,69

0,37

1,00

Panjang jalan aspal

X3

0,81

0,86

0,31

1,00

Jumlah perusahaan perdagangan

X4

0,59

0,38

0,80

0,35

1,00

Jumlah kamar hotel berbintang

X5

0,50

0,29

0,80

0,19

0,75

1,00

PDRB

X6

0,68

0,75

0,60

0,57

0,49

0,43

1,00

10

Hasil pemodelan bangkitan pergerakan dengan metode:

- 5 peubah kombinasi, 3 kombinasi dengan koefisien regresi (+), sisanya koefisien (-);
- Nilai R2 (-0,749) cukup tinggi dibandingkan kombinasi lain;
- Nilai konstanta (intersep) tidak banyak berbeda dengan model kombinasi lain;
PEUBAH

Hub.

Intersep

K O M B I NAS I

Para
-meter

2 (terbaik)

5 (terbaik)

-6.727.467

-9.083.243

-6.688.372

-8.277.712

-9.081.142

-8.402.539

Jumlah Pddk

(+)

X1

-2.92

13.28

-2,97

13.14

13.28

12.96

Jumlah R. Sakit

(+)

X2

2.183.350

2.611.123

2.165.015

2.189.583

2.612.354

2.039.309

Panjang jalan

(+)

X3

28.546

28.621

Jlh perusahaan

(+)

X4

-218

1,28

-223

-109

Hotel *****

(+)

X5

-213

-4.913

-4909

PDRB

(+)

X6

0.44

-0.85

0,45

-0,69

-0,85

-0,65

R2

0,886

0,749

0,886

0,740

0,749

0,739

F-Stat

23,417

11,357

29,656

14,232

14,943

19,843

R2

0,886

0,886

0,883

0,882

0,665

0,662

F-Stat

23,417

29,656

37,779

52,196

21,856

45,029

R2

0,894

0,886

0,884

0,881

0,880

0,481

F-Stat

23,417

23,396

37,966

51,750

80,427

21,277

Metode
Coba-Coba
Metode Tipe 1
Metode Tipe 2

11

Trip Distribution
-

Tahapan dalam pemodelan yang menghubungkan interaksi antara land use,

jaringan transportasi dan arus lalulintas, mis: rumah kantor; rumah
pasar; rumah sekolah, dst

Pola spasial arus lalulintas adalah fungsi dari land use dan sistem jaringan
transportasi, besarannya berupa penumpang/jam; kendaraan/jam = garis level
spasial: 0-1000; 1000-5000 dst

Mengambarkan garis kejadian arah pergerakan, namun tidak mencerminkan

rute pergerakan sebenarnya digunakan.

Kecenderungan semakin dekat jarak pemisah ruang (land use), arus lalulintas
pergerakan semakin meningkat.

Hal lain ikut berpengaruh: waktu, biaya dan faktor tersamar: kenyaman,
keamanan, sistem jaringan, sistem pergerakan (moda, dll), hambatan trip, dst.

Hambatan perjalanan (jarak) dapat dieliminir dengan kemajuan

teknologi/rekayasa sistem jaringan dan pergerakan (hemat waktu dan biaya),
namun tidak mampu mengurangi jarak, mis. Tol Cipularang.
12

Trip Distribution (metode MAT, Tamin, 2000)

Metode
Langsung

Wawancara tepi jalan

Wawancara rumah
Metode Bendera
Metode foto udara
Metode ikut kend.

Metode Analogi:
Metode
Konvensional

Metode
Tdk Langsung

Tanpa batasan (seragam) Tid = tid.E

Satu batasan (bangkit atau T id = tid.Ei
tarikan pergerakan saja) Tid = tid.Ed
Dua batasan:
Tid = tid. Ei + Wd
- Rerata
- Fratar
2
- Detroit
- Furness

Metode MAT

Metode Sintetis:
Metode dari infor. Lalin:
Metode
Non Konvensional
Oi = Tid ; Dd = Tid T = Oi = Dd = Tid
d

Tid = total trip zona i tujuan d

Oi = jumlah trip dari zona I
Dd = jumlah trip menuju zona d
(model dgn dua batasan - gambar)

i d

Estimasi Matriks Entropi

Maksimum (EMEM)
Model Estimasi Kebut.
Transportasi (MEKT)

Model Opportunity (memenuhi kebutuhan

di Dd menghiraukan aksesibilitas)
Model Gravity (kebalikannya)
Model Gravity Opportunitiy (gabungan
keduanya cocok di wil & kota, lebih
realistis dengan banyak tujuan)

Cid = a1tvid + a2twid + a3txid + a4tnid + a5Fid + a6i +

Total Biaya trip digabungkan (fungsi linear)
13

Trip Distribution (Metode Analogi)

Keuntungan:

Mudah dimengerti dan digunakan

Hanya membutuhkan data MAT saat ini dan growth zona masa datang
Proses pengulangannya sederhana
Data aksesibilitas (jarak, waktu dan biaya) antarzona tdk diperlukan
Sangat fleksibel bagi: moda lain, tujuan trip dan selang waktu berbeda serta
digunakan untuk arah trip yang berbeda;
Sering dinyatakan absah bagi wilayah dengan growth yang stabil

Kelemahannya:

Membutuhkan masukan informasi data lengkap (tid) saat ini

Relatif sangat mahal dibutuhkan survai lengkap
Jumlah zona harus tetap, padahal estimasi masa datang kemungkinan
penambahan zona memungkinkan: diperlukan manipulasi dengan volume trip
cukup kecil = mis.1
Tidak memperhitungkan trip interzona (i=d) akan menimbulkan kesalahan
sehingga membutuhkan jumlahan pengulangan yang banyak
Menggunakan growth factor (high & low) saat ini yang memungkinkan dilakukan
proses pengulangan berlanjut dimasa datang & tidak realistis
Metode ini tidak disarankan digunakan pada wilayah dengan perubahan
aksesibilitas yang tinggi pada sistem jaringan (mis. Pelebaran dan pembangunan
jalan baru, jalan tol, dsb)
14

Model-model Trip Distribution

Bertujuan:

Memetakan besarnya perjalanan pada setiap pasangan O-D

Merupakan masukan untuk modal split atau trip assignment model
Karakteristiknya:
- menggunakan fraksi sampel untuk menentukan O-D:
. Misalnya: fraksi sample = 0,01; maka besarnya O-D sampel dikalikan 100
untuk menentukan O-D sesungguhnya
. Sampel matrix diperoleh dengan wawancara rumah tangga, tujuan
perjalanan, interview en route (roadside interview, public transport)
. Hati hati dengan masalah: double counting dan matriks parsialnya
- Updating Old Matrix : matriks yang pernah disusun dapat digunakan untuk
menyusun matrix baru (misalnya melalui expansion factor), bila pola perjalanan
dianggap tetap. Contohnya:

1. Growth Factor Method:

> sederhana, mudah dimengerti diproses
> sangat dipengaruhi pola matrix lama, kurang baik dalam perencanaan JP
> sel kosong di matrix lama, kemungkinan ada pada sel matrix baru
sesungguhnya
> tidak mengakomodasikan perubahan biaya dan kebijakan, dlll
15

1.1 Uniform Growth Factor

Oij = Oit x Expt
Exp t adalah faktor global yang dianggap valid untuk semua zona, misalnya trend masa
lalu atau angka resmi dari pemerintah.

Zonal Growth Factor (mengakomodasikan perbedaan antar zona)

- Singly Constrained Growth Factor :
. Origin Constrained GF: model ini digunakan bila kita memiliki perkiraan yang
baik dari pertumbuhan di asal namun tidak baik di tujuan

Oi
Oit =
Oi
. Destination constrained GF (kebalikan dari Origin constrained GF)

Dj
Ojt =
Dj
16

Uniform Growth Factor (lanjutan)

-

Doubly Constrained Growth Factor

Model ini digunakan jika terdapat perkiraan yang baik dari besarnya pertumbuhan di
asal dan tujuan
. Average Factor

Tij = Ttij x (Oi + Dj)

Oit + Dit

Tid = tid. Ei + Wd
2
. The Furness Method

Tid = tid . Ei

. Detroit Method

Tid = tid . Ei . Ed

. Fratar Method

Tid = tid.Ei.Ed (Li + L2)

2
17

Contoh Metode Analogi

Tanpa batasan (Tid = tid.E; E = T/t)

Zona (MAT 4x4)

oi

Oi

Ei

10/18

60/106

80/141

50/88

200/353

300

1,50

80/141

20/35

100/178

50/88

250/440

250

1,00

20/35

130/229

10/18

50/88

210/370

420

2.00

100/176

80/141

60/106

20/35

260/458

650

2,50

dd

210/370

290/511

250/441

170/299

920/1620

Dd

420/420

435/435

250/250

515/515

Ed

2,0

1,5

1,0

3,03

1.620
1,76

18

Contoh Metode Analogi

Dengan Satu batasan bangkitan (Tid = tid.Ei) dan Tarikan (Tid = tid.Ed)

Zona (MAT 4x4)

oi

Oi

Ei

15/20

90/90

120/80

75/151

300/341

300/300

1,00/0,88

18/160

20/30

100/100

50/151

250/441

250/250

1,00/0,57

40/40

260/195

20/10

100/151

420/396

420/420

1,00/1,06

250/200

200/120

150/60

50/62

650/442

650/650

1,00/1,47

dd

385/420

570/435

390/250

275/515

1620

Dd

420/420

435/435

250/250

515/515

Ed

1,09/1,09

0,76/1,00

0,64/1,00

1,87/1,00

1.620
1,00

19

Contoh Metode Analogi

Dengan Metode Average Tid = tid. Ei + Wd
2
dari iterasi 1 ke 12
Zona (MAT 4x4)

oi

Oi

Ei

17,5/16

90,0/66

100,0/74

113,2/144

320,7/300

300/300

0,935/1,0

120,0/85

25,0/14

100,0/54

100,7/98

345,7/250

250/250

0,723/1,0

40,0/41

227,5/189

15,0/13

125,7/178

408,2/420

420/420

1.029/1,0

225,0/279

160,0/166

105,0/110

55,3/95

545,3/650

650/650

1,192/1,0

dd

402,5/421

502,5/435

320,0/250

394,9/515

1.619,9/1620

Dd

420/420

435/435

250/250

515/515

Ed

1,043/0,99

0,866/1,00

0,781/1,0

1.304/1,0

1.620/
1,001/1,0

Kelemahan Metode ini:

- Zona dengan growth rendah dari growth global menghasilkan nilai lebih besar dari estimasi,
demikian pula sebaliknya (tidak tersebar secara acak);
- Dibutuhkan proses iterasi yang banyak untuk mengurangi perbedaan, namun ketepatannya
semakin berkurang
- Metode ini jarang digunakan (Tamin, 2000)

20

Contoh Metode Analogi

Metode Fratar (Fratar, 1954)
Tid = tid.Ei.Ed.(Li + Ld)
2

Asumsi dasarnya:
- sebaran pergerakan masa datang setiap zona berbanding lurus dengan pergerakan sekarang
- menghasilkan 2 nilai setiap pergerakan (i-d dan d-i): nilai rata-rata dipakai sebagai pendekatan
pertama
- untuk setiap zona, jumlah pendekatan pertama dibagi dengan total pergerakan yang
diestimasikan (hasil dari bangkitan pergerakan) untuk mendapatkan growth baru disebut
pendekatan kedua.
- hasil pendekatan pertama dan hasil growth baru kemudian dirata-ratakan dan proses diulangi
hingga tercapai kesesuaian antara pergerakan yang dihitung dan yang diinginkan.
- Proses perhitungannya cukup rumit dan panjang proses pengulangannya
(tidak populer digunakan, Devinroy et al, 1963)

21

Contoh Metode Analogi: Metode Detroit

Tid = tid. Ei . Ed
E
Prosesnya sama dengan metode Average dan Fratar, dengan asumsi:
- walaupun jumlah pergerakan zona i meningkat sesuai dengan tingkat
pertumbuhan Ei harus disebarkan ke zona d sebanding dengan Ed
dibagi dengan pertumbuhan global (E);
- Namun lebih sederhana dibanding Fratar dgn jumlah iterasi lebih singkat
Zona

oi

Oi

Ei

17,0/16

76,7/68

68,1/75

129,0/141

290,8/300

300/300

1,031/1,00

90,9/82

17,0/15

56,8/61

86,0/92

250,7/250

250/250

0,997/1,00

45,4/40

221,5/189

11,4/12

172,0/180

450,3/421

420/420

0,933/1,00

284,0/283

170,4/164

85,2/101

86,0/102

625,5/650

650/650

1,039/1,00

dd

437,3/421

485,6/436

221,5/249

473,1/515

1.617,2/1.62
0

Dd

420/420

435/435

250/250

515/515

Ed

0,96/0,99

0,896/0,99

1,129/1,001

1,089/1,00

Proses iterasi 1 - 8

1.620
1,002/1,00
22

Metode Sintetis
The Gravity Model
Model ini digunakan jika tidak terdapat O-D matriks, tetapi data asal dan tujuan diketahui.
Tij = K. Oi.Dj. f(Cij)
K = Konstanta
Oi = Jumlah perjalanan yang berasal dari i
Dj = Jumlah perjalanan yang menuju ke j
f (Cij) = deterrence function (disutility of travel): jarak, waktu dan biaya umum

Hasil permodelan sangat ditentukan oleh f(C ij): semakin jauh jarak tujuan, maka semakin
rendah jumlah pergerakan.
Bentuk-bentuk deterrence function:
1. Reciprocal M/Cij
2. Power function Cij-n
3. Negative exponential e-Cij
4. combined function Cjn.e-Cij
No. 2 dan 3 merupakan bentuk yang populer digunakan. Alasannya
parameter (m, n, ) dikalibrasi dari data pada tahun dasar, misalnya dengan metoda least
square regression.

23

The Gravity Model

Permasalahan praktis

Penanganan zona eksternal

- internal trip zona antar internal trip zona eksternal trip zona antar eksternal trip zona
(traffic through): pesoalan jamak di wilayah dan kota serta butuh biaya yang besar, mis JORR,
JOOR, jalan lingkar tengah dsb (aksesibilitas antarwilayah)
- memodelkan kasus zona eksternal dengan antarzona internal atau intrazonal : (1)
wawancara trip titik inlet dan outlet dari dan ke wilayah kajian = informasi trip zona eksternal.
(2) trip zona eksternal dihilangkan dari matriks total menjadi matriks baru yang berisi trip
antarzona internal saja, (3) memodelkan kedua jenis pergerakan secara terpisah, (4)
ramalkan trip masa datang masing2 zona: zona eksternal dengan furness (growth) dan zona
internal dengan model sintetis = model gravity, (5) kemudian ramalan kedua zona digabung
untuk mendapatkan total matriks masa datang yang baru.

Pergerakan intrazona internal

Intrazona internal

Antarzona internal

Antarzona internal & Antarzona eksternal

Tujuan pergerakan
trip kerja gravity model doubly const; trip belanja gravity model singly const

24

The Gravity Model

Permasalahan praktis (lanjutan)

Matrikx dengan banyak sel kosong

600 zona (360.000 sel) 3.600.000 trip (1sel:10 trip) tinggi & rendah trip antarzona
proses sample (mis: 10%) bertambah probability sel kosong estimasi trip yad sulit
lakukan : (1) gabungkan beberapa zona yang ada menjadi zona baru bukan sel kosong (sel
kosong menjadi berkurang; (2) masukkan nilai trip yang kecil (mis. Nilai 1 trip) ke setiap sel
kosong yang ada.
Bangkitan Tarikan dan Asal Tujuan
- Zona bangkitan rumah (HBT) kantor, pasar, sekolah, bisnis lain (nHBT)
atau kebalikannya : nHBT HBT
- Pengaruh MAT 6-jam, MAT 24-jam, MAT sibuk/non sibuk sangat penting
Upaya:
(1) Hasilkan trip MAT dengan tujuan tertentu (mis. Tujuan kerja), asumsi satu arah sibuk pagi
(2) Kumpulkan trip MAT dengan tujuan sama kerja, berdasarkan pembagian jam kerja, shift,
atau tujuan pergerakan lain.
(3) atau melakukan survai langsung untuk menghitung % MAT setiap arah trip, misalnya:
pada jam sibuk pagi adalah 65% trip (bangkitan-tarikan) dan 35% trip (tarikan-bangkitan)
Faktor K
Contoh: zona kaws. Industri zona perumahan karyawan (dibangun dlm kaws). Tidak
membutuhkan K (aksesibilitas in gravity model), sehingga sulit diketahui besaran trip-nya.
Dibutuhkan K parameter tambahan dalam model gravity: T = K .A .O .B .D .exp (- Cij)
id

id

25