Analisis Lalu-lintas

Pergerakan
Kuliah ke 7
SI-3141 Rekayasa Prasarana Antar-moda
Tahapan Penetapan Peran/Fungsi
Pelabuhan/Bandara

Kegiatan Pengumpulan
Data

Analisis
Analisis Lalu-Lintas
Kondisi Tapak

Analisis Kebutuhan
Analisis Prasarana
Tataguna Lahan

Analisis
Kapasitas
Lay-out Planning

Basic Design

Analisis Kelayakan
Analisis Pergerakan
• Dilakukan untuk setiap komponen pergerakan yang ada
di dalam sistem prasarana antar-moda
• Disebut juga sebagai “Traffic Forecasting” atau “Demand
Forecasting”
• Output yang dihasilkan : Estimasi pergerakan pada “time
horizon” yang dicanangkan
• Hasilnya digunakan sebagai acuan bagi analisis
kebutuhan prasarana
Time Horizon

2020 2025 2030 2035 2040

Sekarang
Time Horizon
Arah dan Pola Pergerakan

Pergerakan Eksternal
Pergerakan External
Sisi-laut/udara

Sisi-darat
Pergerakan
internal
Pergerakan di Prasarana Antarmoda

• Pergerakan External
– Pergerakan dari/ke Pelabuhan/Bandara
– Pergerakan dari/ke Pelabuhan/Bandara
• Pergerakan internal di areal Prasarana Antarmoda
Pergerakan di Prasarana Antarmoda
external-Flow

internal-Flow

Hub-Port

external-Flow
Pergerakan di Prasarana Antarmoda
external-Flow

internal-Flow

external-Flow
Pergerakan di Prasarana Antarmoda
external-Flow

internal-Flow

End-Port

external-Flow
Pergerakan pd Hub, Sub-Hub & End-Port

Transhipment/tr
ansit Hub-Port

Sub-Hub-Port

Through Traffic
End-Port
Prinsip Dasar Analisis Lalu-lintas
Data
Empirik

2020 2025 2030 2035 2040

Sekarang
Time Horizon
Prinsip Dasar Analisis Lalu-lintas
• Data empirik masa lalu merupakan acuan yang digunakan
untuk meramalkan (forecast) pola dan intensitas lalu-lintas di
masa mendatang.
• Makin sedikit jumlah data empiric masa lalu, makin rendah
tingkat akurasi hasil peramalan.
• Makin panjang “ time horizon”, makin rendah tingkat akurasi
• Makin kecil tingkat agregasi, makin rendah tingkat akurasinya
Traffic Forecasting

• Forecasting adalah “sulit”

• Forecasts selalu “salah”
Traffic Forecasting
• Proses forecasting yang dilakukan untuk menghasilkan
lalu-lintas dengan akurasi yang tinggi akan akan
membutuhkan usaha dan sumber daya yang cukup
besar (biaya yang besar)
• Hasil forecasting dengan akurasi yang rendah
menyebabkan over capacity atau under capacity :
– Over capacity : mubazir
(biaya Kerugian yang besar)
– Under capacity : kemacetan
 Biaya Forecasting vs Tingkat Akurasi
Biaya

Optimal

Tingkat Akurasi
Metoda Forecasting

• Metoda Kualitatif (Qualitative Approaches)

• Metoda Kuantitatif (Quantitative Approaches)
Metoda Kualitatif

• Didasarkan pada judgment mengenai faktor2 yg

mempengaruhi traffic
• Tidak memerlukan data traffic, karenanya sangat
sering digunakan pada pengembangan
pelabuhan/bandara baru
• Metoda bervariasi tingkat kecanggihannya, mulai dari
metoda ilmiah sampai dengan metoda intuitif
Metoda Kualitatif
intuitive hunches
• Educated guess
• Executive committee consensus
• Delphi method
• Survey of traffic force
• Survey of users
• Historical analogy
• Market research scientifically conducted surveys
Metoda Kuantitatif
• Didasarkan pada asumsi bahwa faktor2 yang
mempengaruhi traffic pada masa lalu, akan
berpengaruh pula pada traffic pada masa yang akan
datang (“history will tend to repeat itself”)
• Analisis pola traffic masa lalu merupakan acuan yang
baik untuk forecasting
Metoda Kuantitatif

• Analisis Time Series

• Model Econometric
• Time series adalah sekumpulan data/angka di mana
pola keteraturan (susunan ataupun urutannya) menjadi
penting untuk diketahui
• Analisis time series pada dasarnya berusaha
mengidentifikasi pola yang terjadi
• Jika pola telah diketahui, maka hal ini dapat dijadikan
untuk forecast
• Data Time Series biasanya merupakan data traffic yang
dikumpulkan secara periodik
Model Time Series

• Trend Regression
• Moving Average
• Exponential Smoothing
• ARIMA models
 Model econometric

• Menggunakan prinsip ilmu ekonomi dalam

melakukan traffic forecasting
• Prinsip dasarnya adalah berusaha memahami
perilaku manusia dalam kehidupan keseharian,
termasuk dalam aktifitas pergerakan.
• Selanjutnya pemahaman thd perilaku ini digunakan
dalam traffic forecasting.
 Asumsi yang digunakan
• Dalam melakukan aktifitasnya manusia berperilaku
rasional, dan selalu berusaha untuk memaksimalkan
manfaat (dan meminimalkan mudharat).
• Hal yang sama dilakukan dalam melakukan aktifitas
pergerakan. Manusia akan berusaha melakukannya
dengan tujuan memaksimalkan manfaat atau
meminimalkan mudharat.
• Ukuran yang digunakan dalam usaha tersebut di atas
adalah “Utility”.
 Hynterland

Untuk pelabuhan/bandara yang termasuk klasifikasi

“end port” kawasan Hynterland adalah sbb :
Traffic Outflow

Besarnya traffic out dan traffic

in dipengaruhi oleh kondisi
dan karakteristik sosial Traffic Inflow
ekonomi Hynterland
Kawasan
Hynterland

Traffic = f (x1, x2, x3,...xi)

xi : kondisi sosial/ekonomi ke i
 Hynterland
Luas Kawasan Hynterland untuk pelabuhan/bandara jenis “End
port” dipengaruhi oleh :
– Jarak pelabuhan terdekat
– Kondisi prasarana transportasi darat (jalan dan kereta api)
– Tingkat pelayanan pelabuhan/bandara

A
B

Hynterland B
Hynterland A
 Pelabuhan/Bandara tipe “Hub”
F1
F2
Hynterland untuk masing-masing
F5
pergerakan memiliki definisi yang berbeda
:
F6 Hynterland F3= Hynterland F4 =
Hynterland F7= Hynterland F8 =
F9 Kawasan Lokal di sekitar pelabuhan
F10 Hynterland F5= Hynterland F6 =
Penjumlahan dari Hynterland dari
pelabuhan2 di hirarki di bawahnya
Hynterland F1= Hynterland F2 =
Hynterland F3 + Hynterland F6
F8
F3 F4 F7

Traffic F5= f (x51, x52, x53,...x5i)

x5i : kondisi sosial/ekonomi ke i dari Hynterland 5

Apa yang mempengaruhi besarnya pergerakan yang berasal
dari suatu zona (Hynterland) ?

• Jumlah populasi per satuan luas (org/Ha)

• Tingkat Aktifitas Ekonomi Masyarakat (PDRB)
• Tingkat pendapatan keluarga
• Tingkat kegiatan industri
• Kerapatan jaringan jalan (km-jalan per Km2)
• Aksesibilitas
• Lain-lain
• Time series adalah sekumpulan data/angka di mana
pola keteraturan (susunan ataupun urutannya) menjadi
penting untuk diketahui
• Analisis time series pada dasarnya berusaha
mengidentifikasi pola yang terjadi
• Jika pola telah diketahui, maka hal ini dapat dijadikan
untuk forecast
• Data Time Series biasanya merupakan data traffic yang
dikumpulkan secara periodik
Komponen2 Time Series
Komponen2 Time Series
 Trends ditunjukkan dengan garis miring dengan gradien
menanjak atau menurun
 Seasonality merupakan pola perubahan data yang
berulang pada perioda tertentu (kurang dari satu tahun)
 Cycle merupakan pola perubahan data yang berulang pada
perioda yang lebih dari satu tahun.
 Irregular variations merupakan perubahan/lonjakan dari
data series akibat dari event2 yang bersifat
“extraordinary”
 Random fluctuation adalah fluktuasi yang bersifat acak
ataupun hal yang sulit diketahui sebabnya
Komponen2 Time Series
Metoda Analisis

• Time Series dapat dianggap terdiri dari dua

komponen utama : Pattern + Noise
• Pattern, digunakan untuk forecast
• Noise, sepenuhnya acak dan tdk dapat
diforecast
Tingkat Akurasi dan Bias
• Tingkat akurasi adalah ukuran yang menunjukkan
seberapa dekat hasil forecast dibandingkan data
observasi
• Bias adalah kecenderungan yang terus menerus dari
hasil forecast, bisa “over-predict” atau “under-
predict”.
• Bias dapat dijadikan indikasi bahwa prosedur yang
digunakan tidak sesuai
Fit vs Forecast
• Model forecast yang telah berhasil memprediksi
hasil yang hampir sama dengan data masa lalu, tidak
otomatis akan menghasilkan prediksi di masa depan
yang akurat.
• Bisa saja model yang canggih dikembangkan dan
menghasilkan “goodness of fit” yg bagus dg data
masa lalu, tetapi tetap saja belum tentu
menghasilkan prediksi yg akurat
Optimalitas Forecast
• Forecast dikatakan telah optimal jika semua pola aktual telah
diketahui. Sebagai hasilnya, kesalahan yang mungkin terjadi
dari forecast adalah disebabkan karena "unforecastable"
noise.
• Secara teknis, suatu forecast dikatakan optimal jika “the mean
squared forecast error” equals the variance of the noise term
in the long run.
• Perlu dicatat bahwa forecast yang optimal tidak berarti akan
menghasilkan forecast yang sempurna. Kesalahan forecast
tetap saja akan terjadi.
Fluktuasi Acak (Random fluctuations)
• Nonstationary
– mean, variance and covariance vary over time
• Stationary
– constant mean over time, and
– constant variance over time
• White Noise
– constant mean (of zero),
– constant variance,
– no covariance (independent data exhibiting no autocorrelation),
– normally distributed
Pola Musiman (Seasonal Patterns)

Length of Time Before Number of Seasons in

Length of Season
Pattern Is Repeated Pattern
Year Quarter 4
Year Month 12
Year Week 52
Month Day 30
Week Day 7
Trend Regression
Trend Regression
• A straight ( or curved) line drawn through
historical data
• “taking a ruler through your data”
When To Use
 Steady rise or decline in data
 Time or software constraint
 Need easy explanation
 Little data
Trend Regression
Advantages
 Very simple
 Can be done in Excel
Disadvantages
• Assumes future is exactly like past
• All history is created equal
• One bad data point can greatly affect forecast
A. Simple Linear Regression
• Linear regression analysis establishes a relationship
between a dependent variable and one or more
independent variables.
• In simple linear regression analysis there is only one
independent variable.
• If the data is a time series, the independent variable is
the time period.
• The dependent variable is traffic
A. Simple Linear Regression
• Regression Equation
This model is of the form:
Y = a + bX
Y = dependent variable (traffic)
X = independent variable (time)
a = y-axis intercept
b = slope of regression line
A. Simple Linear Regression

• Constants a and b
The constants a and b are computed using the
following equations:
a=
 x  y- x xy
2

n  x -(  x)
2 2

n xy-  x  y
b=
n  x 2 -(  x)2
A. Simple Linear Regression

• Once the a and b values are computed, a future value

of X can be entered into the regression equation and
a corresponding value of Y (the forecast) can be
calculated.
Example: Small Airport Traffic

 Simple Linear Regression

At a small airport traffic have grown steadily over
the past six years, as evidenced below. Use time
series regression to forecast the traffic for the next
three years.

Year Traffic (1000s) Year Traffic (1000s)

1 2.5 4 3.2
2 2.8 5 3.3
3 2.9 6 3.4
Example: Small Airport Traffic

• Simple Linear Regression

x y x2 xy
1 2.5 1 2.5
2 2.8 4 5.6
3 2.9 9 8.7
4 3.2 16 12.8
5 3.3 25 16.5
6 3.4 36 20.4
Sx=21 Sy=18.1 Sx2=91 Sxy=66.5
Example: Small Airport Traffic

• Simple Linear Regression

91(18.1)  21(66.5)
a 2
 2.387
6(91)  (21)

6(66.5)  21(18.1)
b  0.180
105

Y = 2.387 + 0.180X
Example: Small Airport Traffic
• Simple Linear Regression
Y7 = 2.387 + 0.180(7) = 3.65 or 3,650
Y8 = 2.387 + 0.180(8) = 3.83 or 3,830
Y9 = 2.387 + 0.180(9) = 4.01 or 4,010
Note: Traffic is expected to increase by 180
per year.
B. Seasonalized Time Series Regression Analysis

 Select a representative historical data set.

 Develop a seasonal index for each season.
 Use the seasonal indexes to deseasonalize the data.
 Perform linear regression analysis on the deseasonalized
data.
 Use the regression equation to compute the forecasts.
 Use the seasonal indexes to reapply the seasonal
patterns to the forecasts.
Example: Train Passengers Traffic

• Seasonalized Times Series Regression Analysis

An analyst at X Airport wants to develop next year’s
quarterly forecasts of train passenger traffic. He
believes that the most recent 8 quarters of train traffic
(shown on the next slide) are representative of next
year’s traffic.
Airport Train Passenger Traffic

Train Traffic Train Traffic

Example: Train Passengers Traffic
• Seasonalized Times Series Regression Analysis
– Representative Historical Data Set
Year Qtr. (pax mil.) Year Qtr. (pax mil.)
1 1 7.4 2 1 8.3
1 2 6.5 2 2 7.4
1 3 4.9 2 3 5.4
1 4 16.1 2 4 18.0
Example: Train Passengers Traffic

 Seasonalized Times Series Regression Analysis

 Compute the Seasonal Indexes
Quarterly Traffic
Year Q1 Q2 Q3 Q4 Total
1 7.4 6.5 4.9 16.1 34.9
2 8.3 7.4 5.4 18.0 39.1
Totals 15.7 13.9 10.3 34.1 74.0
Qtr. Avg. 7.85 6.95 5.15 17.05 9.25
Seas.Ind. .849 .751 .557 1.843 4.000
Example: Train Passengers Traffic

• Seasonalized Times Series Regression Analysis

– Deseasonalize the Data
Quarterly Traffic
Year Q1 Q2 Q3 Q4
1 8.72 8.66 8.80 8.74
2 9.78 9.85 9.69 9.77
Example: Train Passengers Traffic
• Seasonalized Times Series Regression Analysis
– Perform Regression on Deseasonalized Data
Yr. Qtr. x y x2 xy
1 1 1 8.72 1 8.72
1 2 2 8.66 4 17.32
1 3 3 8.80 9 26.40
1 4 4 8.74 16 34.96
2 1 5 9.78 25 48.90
2 2 6 9.85 36 59.10
2 3 7 9.69 49 67.83
2 4 8 9.77 64 78.16
Totals 36 74.01 204 341.39
Example: Train Passengers Traffic
• Seasonalized Times Series Regression Analysis
– Perform Regression on Deseasonalized Data
204(74.01)  36(341.39)
a 2
 8.357
8(204)  (36)
8(341.39)  36(74.01)
b 2
 0.199
8(204)  (36)

Y = 8.357 + 0.199X
Example: Train Passengers Traffic

 Seasonalized Times Series Regression Analysis

 Compute the Deseasonalized Forecasts
Y9 = 8.357 + 0.199(9) = 10.148
Y10 = 8.357 + 0.199(10) = 10.347
Y11 = 8.357 + 0.199(11) = 10.546
Y12 = 8.357 + 0.199(12) = 10.745
Note: Average traffic are expected to increase by
0.199 million per quarter.
Example: Train Passengers Traffic

 Seasonalized Times Series Regression Analysis

 Seasonalize the Forecasts
Seas. Deseas. Seas.
Yr. Qtr. Index Forecast Forecast
3 1 .849 10.148 8.62
3 2 .751 10.347 7.77
3 3 .557 10.546 5.87
3 4 1.843 10.745 19.80