Transportasi

ESTIMASI MATRIKS ASAL TUJUAN PERJALANAN DARI DATA LALULINTAS

DENGAN METODE GRADIENT
(278T)

Syafi’i1

1
Jurusan Teknik Sipil, Universitas Sebelas Maret, Jl. Ir. Sutami 36 ASurakarta
Email: syafii@uns.ac.id;syafii_hn@yahoo.com

ABSTRAK
Matriks asal tujuan (MAT) perjalanan merupakan komponen penting dalam tahapan pembebanan
lalulintas (trip assignment). Estimasi MAT dengan cara konvensional memiliki beberapa kelemahan
dalam hal biaya yang mahal, mengganggu lalulintas, dan diperlukan waktu yang lama. Penelitian ini
bertujuan mengestimasi MAT dari data lalulintas Kota Surakarta dan mengetahui tingkat validitas
model. Formulasi model menggunakan minimisasi convexdengan pendekatan gradient. Perangkat
lunak EMME/3 digunakan dalam proses pembebanan lalulintas. Fenomena persimpangan
diakomodasi dengan memasukkan fungsi tundaan (delay function). Hasil penelitian menunjukkan
Total pergerakan Kota Surakarta sebesar 32.774 smp/jam. Pergerakan lalulintas didominasi oleh
pergerakan ekternal – internal (10.490 smp/jam) dan pergerekan internal-internal (9.478 smp/jam),
selain itu pergerakan kendaraan dari zona ekternal-ekternal juga relatif besar yaitu 6.476
smp/jam.Uji validasi dengan koefisien determinasi (R2) menunjukkan nilai R2 = 0,89. Hal ini
menunjukkan tingkat validitas dari model menunjukkan hasil yang baik.
Kata kunci: Matriks Asal Tujuan Perjalanan, lalulintas, gradient, EMME/3

1. PENDAHULUAN
Kemacetan di daerah perkotaan merupakan masalah yang serius yang dihadapi beberapa kota di Indonesia. Untuk
mengantisipisi masalah tersebut diperlukan perencanaan transportasi yang baik. Dalam konteks perencanaan
transportasi, model interaksi permintaan dan sediaan yang umum digunakan adalah model empat tahap (four-stages)
yang terdiri dari bangkitan lalu lintas, distribusi lalu lintas, pemilihan moda dan pembebanan / pemilihan rute.
Model interaksi tersebut didasarkan atas pontensi perjalanan antar zona (zonal-base trip). Pada tahap pembebanan,
volume lalu lintas yang dihasilkan pada setiap ruas sangat tergantung dari model pembebanan yang digunakan,
struktur jaringan jalan dan besarnya distribusi lalu lintas/ perjalanan yang direpresentasikan dengan matriks asal-
tujuan (MAT) perjalanan. MAT mencerminkan pola pergerakan (Tij) yang bergerak dari zona asal i ke zona tujuan j
di dalam suatu daerah tertentu dalam periode waktu tertentu.
Metode yang umum digunakan untuk mendapatkan MAT adalah dengan menggunakan kombinasi antara survey
wawancara ke rumah-rumah (home survey) dan survey di jalan (roadside), tetapi penggunaan metode ini sangat
mahal dan menggangu pengguna jalan. Selain itu metode ini membutuhkan waktu yang lama dan hasilnya sering
mengalami distorsi. Alternatif metode yang diusulkan untuk daerah studi yang lebih kecil adalah suvey nomor plat
kendaraan, pemotretan dari udara (aerial photography) dan car following, juga cenderung mahal.
Metode lain yang saat ini sering digunakan dan dikembangkan hingga saat ini adalah mendapatkan MAT
berdasarkan data lalu lintas. Karena metode ini relatif tidak mahal, dapat digunakan untuk berbagai macam tujuan,
dan automatisasinya relative cepat, maka metode ini sering digunakan.Prinsip dasar metode ini adalah
mengidentikasi, untuk setiap ruas tertentu, kemungkinan perjalanan antara setiap zona yang menggunakan ruas
tersebut, dan mengatur perjalanan untuk setiap pasangan zona sedemikian rupa sehingga aruslalulintas di ruas jalan
hasil model mendekati data lalu lintas dari pengamatan. Metode ini berupaya menghasilkan suatu matriks perjalanan
yang jika dibebani pada jaringan jalan akan menghasilkan kembali arus lalu lintas yang sedekat mungkin dengan
data lalu lintas dari pengamatan. Proses ini dilakukan secara pengulangan sampai memenuhi tingkat konvergensi
tertentu. Kriteria konvergensi yang digunakan disini adalah perbandingan antara arus lalu lintas dari hasil estimas
(model) dengan arus lalu lintas yang didapatkan di lapangan.
Pendekatan yang paling umum digunakan untuk mengestimasi MAT dari data lalu lintas adalah dengan
menggunakan maksimum entropy. Metode lain untuk menghasilkan MAT adalah dengan metode sintetis (Gravity,
Gravity opportunity, interverning opportunity). Penelitian ini berupaya mengestimasi MAT dari data lalulintas
dengan menggunakan metode gradient dan menguji tingkat validitas dari metode tersebut dengan cara
membandingkan antara volume lalulintas dari pengamatan (traffic count) dengan hasil proses pembenanan (model).

Konferensi Nasional Teknik Sipil 7 (KoNTekS 7)

Universitas Sebelas Maret (UNS) - Surakarta, 24-26 Oktober 2013 T - 231
Transportasi

Studi kasus pada penelitian ini adalah Kota Surakarta. Jaringan jalan yang dilibatkan dalam model adalah jaringa
jalan arteri dan kolektor. Fungsi tundaan(delay function) pada setiap ruas jalan diperhitungkan guna mengakomodir
fenomena tundaan dipersimpangan.

2. KAJIAN PUSTAKA
Persoalaan pokok pada MAT dari data lalulintas adalah identifikasi pasangan asal-tujuan yang menggunakan ruas
tertentu sebagai bagian dari perjalannya, variabel ini dinamakan Pija , yaitu proporsi perjalanan dari asal i ke tujuan j
yang menggunakan ruas a. Maka arus di ruas a (Va) adalah penjumlahan seluruh kontribusi perjalanan antara setiap
pasang zona ruas tersebut, secara matematis dinyatakan:

Va  Tij Pija (1)
ij

batasan; 0
Pija
1
Model persamaan (1) diatas memberikan hasil yang sempurna jika arus pada ruas a dari hasil pemodelan sama
dengan hasil pengamatan.

Wa  Va  Tij Pija (2)
ij
denganTij= matrisk perjalanan sebenarnya; Pija= proporsi perjalanan dari i ke j yang mengunakan ruas a; Va= arus di
ruas a dari hasil model; Wa= arus di ruas a dari hasil pengamatan.
Dalam prakteknya data lalu lintas dari hasil pengamatan jauh lebih sedikit dibandingkan jumlah Tij yang diketahui.
Dengan kondisi tersebut, tidak mungkin menentukan solusi yang unik terhadap masalah estimasi matriks perjalanan.
Oleh karena itu sebagian besar metode berusaha untuk mendapatkan matriks perjalanan Tij yang paling mirip (most
likely) yang memenuhi batasan persamaan diatas.
Fungsi objektif pada estimasi MAT terdiri dari dua type, pertama, arus lalu lintas hasil model mendekati data lalu
lintas dari pengamatan; kedua, mencari solusi matriks yang mendekati matriks sebelumnya (prior matrix). Terkait
dengan fungsi objektif ini beberapa metoda yang telah dikembangkan dapat diklasfikasikan sebagai berikut:
(a). Model maksimum entropy (entropy maximization), Willumsen (1978), Bell (1983), dan Brenninger-Gothe et al
(1989), Tamin (2000a), Tamin et.al (2000b) .
(b) Model meminimumkan informasi (information minimization model), model ini hampir sama dengan point (a).
Pada model ini distribusi MAT disesuaikan dengan informasi yang dihasilkan dari distribusi perjalanan pada
setiap ruas di jaringan jalan (Van Zuylen and Willumsen, 1980).
(c) Pendekatan statistik. Model ini berupaya mengakomodir kesalahan (error) dan/atau ketidakpastian terhadap
ketersediaan informasi. Model ini juga mempertimbangkan sifat probabilitas dari data lalu lintas yang diamati
dalam mengestimasi MAT. Pada pendekatan ini terdapat beberapa model yang telah dikembangkan. Tamin
(2008), Maher (1983), Pursula dan Pastinen (1993) mengusulkan metode estimasi inferensi Bayesian
(Bayesian inference) dimana elemen MAT dianggap terdistribusi multivariate normally.
(d) Pendekatan generalized least square (GLS). Nie, et al (2005) mengembangkan estimasi MAT dengan
memasukkan variable estimator lintasan arus di jaringan jalan melalui metode generalized least square (GLS).
Pendekatan ini berupaya memecahkan GLS yang dapat meminimumkan kesalahan pada data lalu lintas dari
hasil pengamatan dan MAT yang didasarkan pada pembebanan equilibrium. Namun, model yang diusulkan
memiliki kelemahan yakni model tersebut menghasilkan hasil yang baik bila diterapkan pada jaringan jalan
yang tidak terlalu besar.
(e) Noriega dan Florian (2009). menggunakan metode steepest descent dalam pembentukan matriks asal-tujuan
(MAT) dengan menggunakan EMME/2.

3. METODOLOGI
Metode Gradient
Metode gradientmerupakan masalah optimasi dengan fungsi tujuan (objective function) adalah meminimumkan
perbedaan antara volume hasil pengamatan dengan volume dari hasil proses pembebanan. Fungsi tujuan dari metode
ini secara matematis dinyatakan dalam persamaan berikut:
1
min Z
g   
va  vˆa 2
2 a Aˆ
(3)

dengan batasan
v  pembebanan
g  (4)

Konferensi Nasional Teknik Sipil 7 (KoNTekS 7)

T - 232 Universitas Sebelas Maret (UNS) - Surakarta, 24-26 Oktober 2013
 Transportasi

dengan g: MAT hasil estimasi; v a : volume lalulintas pada ruas jalan a hasil pemodelan; v̂ a : volume lalulintas pada
ruas a hasil pengamatan; A: kumpulan dari semua link pada jaringan; v : kumpulan dari volume link yang
dibebankan.
Estimasi MAT sebagaimana dirumuskan pada persamaan (3) sangat sulit untuk dipastikan, oleh karena itu biasanya
terdapat solusi optimal yang jumlahnya tak terbatas, yaitu kemungkinan MAT yang bila dibebani menghasilkan
volume lalulintas mendekati volume lalulintas hasil pengamatan. Model “tradisional” mengeliminasi setidaknya
sebagian dari masalah degenerasi dengan menggunakan fungsi tujuan Z(g) yang sesuai dengan ukuran jarak
f
g , gˆ  dan mengambil kesetaraan antara nilai-nilai yang diamati dan yang diperkirakan sebagai pembatas.
Meskipun pendekatan ini memunginkan untuk memilih MAT yang “terbaik” matrik yang diharapkan (berdasarkan
beberapa kriteria) diantara kondisi yang memadai pada volume yang diamati, pendekatan ini juga meningkatkan
kemajemukan yang menunjukkan masalah yang harus dipecahkan, dan dengan demikian memberikan kontribusi
yang besar dengan kenyataan bahwa model ini sangat sulit untuk digunakan pada masalah dengan skala yang
besar.Metode gradient memberikan penyelesaian dengan meminimalkan fungsi tujuan dan menyuguhkan solusi
MAT yang diharapkan.
Pada kasus yang paling sederhana, ketika mengambil gradien secara langsung terhadap variabel g, metode gradien
dapat dirumuskan sebagai berikut :
ĝ i untukl = 0,
g il 1
(5)
 Z
g  
gil  λl   untukl = 1, 2, 3, …
 gi  g il

λ l harus dipilih cukup kecil untuk memastikan bahwa jalur yang diikuti oleh g cukup dekat dengan jalur gradien
l

yang sebenarnya. Untuk pendekatan yang lebih realistis,metode gradient harus didasarkan pada perubahan relatif
permintaan sebagaimana diyatakan dalam persamaan berikut.
ĝ i untuk l = 0,
g il 1
(6)
  Z
g   
gil 1  λl  
 untuk l = 1, 2, 3,
 
  gi  g il 

Lokasi Penelitian dan Data

Studi kasus pada penelitian ini adalah Kota Surakarta. Kota Surakarta terletak di Propinsi Jawa Tengah bagian
selatan memiliki kepadatan lalu lintas yang cukup tinggi. Secara geografis Surakarta terletak pada 110’45’15’ –
110’45’35’ BT dan 70’36’00’ – 70’56’00’ LS berbatasan dengan daerah tingkat II yang lain, yaitu di sebelah Utara
berbatasan dengan Kabupaten Karanganyar dan Kabupaten Boyolali, sebelah Selatan dengan Kabupaten Sukoharjo,
sebelah Barat dan Timur dengan Kabupaten Sukoharjo dan Karanganyar.Luas wilayah Surakarta kurang lebih
2
44.040 km yang terbagi dalam lima kecamatan dan terdiri dari 51 kelurahan. Peta administratif batas kelurahan di
wilayah Kota Surakarta dapat dilihat pada Gambar 1.

Zona merupakan representasi dari suatu sistem tata guna lahan suatu wilayah. Pembagian zona mengacu pada sistem
pembagian wilayah secara administratif pemerintahan yaitu dengan batas kelurahan. Pada peneitian ini terdapat 65
zona yang terdiri dari 51 zona internal (seluruh kelurahan Kota Surakarta) dan 14 zona eksternal (kelurahan sekitar
di luar Kota Surakarta). Setiap zona diwakili oleh satu pusat zona atau yang dapat disebut sebagai centroid, yang
kemudian dihubungkan ke salah satu simpul jaringan jalan (node) dengan penghubung (centroid connector).
Kemudian ditentukan titik-titik koordinat seluruh simpul ruas jalan dan pusat zona tersebut. Jaringan jalan yang
ditinjau pada penelitian ini adalah jaringan jalan Arteri dan kolektor.
Survei volume lalu lintas dilakukan pada jam puncak pagi (06.00-08.00). Ruas jalan yang disurvei adalah ruas jalan
yang banyak digunakan oleh setiap pasangan zona asal-tujuan yang dianggap dapat mewakili kondisi jaringan jalan
di Kota Surakarta. Untuk mengantisipasi pergerakan yang berasal dari atau menuju keluar daerah kajian, maka
survei juga dilakukan pada ruas jalan yang terletak di batas Kota Surakarta. Peta jaringan jalan Kota Surakarta dan
lokasi survey dapat dilihat pada Gambar 2. Data sekunder didapatkan dari instansi terkait yang berada di wilayah
Kota Surakarta meliputi peta administrasi Kota Surakarta, peta pembagian zona Kota Surakarta, peta dan data
jaringan jalan Kota Surakarta dari DPU Kota Surakarta

Konferensi Nasional Teknik Sipil 7 (KoNTekS 7)

Universitas Sebelas Maret (UNS) - Surakarta, 24-26 Oktober 2013 T - 233
Transportasi

Gambar 1. Peta Adimistrasi Kota Surakarta

Gambar 2. Peta Jaringan Jalan Kota Surakarta dan Lokasi Titik Survei Lalulintas
Tahap Penelitian dan Analisis Data
Dalam program EMME/3 pembuatan jaringan jalan ini dilakukan melalui Network Editor.Data yang harus
dimasukan antara lain moda, node, link, koordinat, kapasitas arus, lebar jalan, tipe jalur. Perhitungan kapasitas ruas
jalan menggunakan Manual Kapasitas Jalan Indonesia (MKJI 1997).Setelah jaringan jalan selesai dibuat, langkah
selanjutnya memasukkan matriks awal ke dalam program EMME/3 melalui Emme prompt console. Emme prompt
console merupakan teks model yang digunakan untuk melakukan berbagai garis perintah. Bentuk dari teks model
ini berupa ‘module’. Emme prompt console ini mencakup detail model kebutuhan, assignment network, perhitungan
matriks dan the emme macro language untuk melalukan otomatisasi.Dalam proses pembuatan matriks baru metode

Konferensi Nasional Teknik Sipil 7 (KoNTekS 7)

T - 234 Universitas Sebelas Maret (UNS) - Surakarta, 24-26 Oktober 2013
 Transportasi

pendekatan yang digunakan adalah metode gradientdengan cara membuat program baru dalam bentuk macro yang
dilekatkan (embedded) dalam software EMME/3. Untuk menguji tingkat validitas dilakukan perbandingan antara
volume arus lalulintas dari hasil pengamatan dan model dengan menggunakan koefisien determinasi (R2). Bagan alir
proses diatas ditampilkan pada Gambar 3.

Matriks Awal NETWORK Traffic Count

(Prior Matrix) (EMME/3)

Estimasi Matriks
(SD)

MAT Baru

Assignment

Arus lalu lintas

Tidak

Konvergen
Va ≈ Va’

Ya

Uji Validasi

Gambar 3. Bagan alir teknik analisis data (Estimasi Matriks EMME/3)

4. PEMBAHASAN
Estimasi MAT
Analisis data dengan metodegradient menghasilkan MAT Kota Surakarta pada jam puncak pagi hari tahun
2013didapatkan total pergerakan sebesar 32.774 smp/jam. Bila dilakukan agregasi zona internal dan ekternal, yaitu
51 zona internal diagregasi menjadi 5 zona internal dengan batas zona adalah batasan administrasi kecematan dan
zona ekternal dilakukan agregasi dari 14 zona menjadi 4 zona, pola pergerakan lalulintas di Kota Surakarta dapat
dilihat dalam bentuk garis keinginan (desire line) sebagaimana ditampilkan pada Gambar 4. Pergerakan lalulintas
didominasi oleh pergerakan ekternal – internal (10.490 smp/jam) dan pergerekan internal-internal (9.478 smp/jam)
seperti ditunjukkan juga pada Gambar 5. Hal ini menunjukkan pergerakan kendaraan pada saat jam puncak pagi hari
didominasi oleh masyarakat yang berdomisili di luar Kota Surakarta, dan menuju Kota Surakarta sebagai tempat
tujuan pergerakannya (kantor, sekolah, dan lainnya). Hal yang penting pula adalah pergerakan kendaraan dari zona
ekternal-ekternal relatif besar yaitu 6.476 smp/jam. Kondisi ini mengindikasikan bahwa cukup banyak pergerakan
kendaraan yang menjadikan Kota Surakarta bukan sebagai tempat tujuan akhir suatu perjalanan, sehingga
diperlukan suatu rute luar kota yang tidak melalui ruas jalan di pusat kota.

Konferensi Nasional Teknik Sipil 7 (KoNTekS 7)

Universitas Sebelas Maret (UNS) - Surakarta, 24-26 Oktober 2013 T - 235
Transportasi

Gambar. 4. Garis Keinginan (desire line) MAT Kota Surakarta

%%" % "" "'%
#" #'
(%%'

&'%" &'%"  
 

&'%" "'%"


"'%" &'%" 

"'%" "'%"  

  



(! 
%%"
&!$!

Gambar 5.Pergerakan Perjalanan antar Zona Kota Surakarta

Uji Validasi
Uji validasi dengan koefisien determinasi (R2) dilakukan dengan membandingkanvolume lalulintas hasil
pengamatan (traffic count)dan arus hasil pembebanan seperti ditunjukkan pada Gambar 6. Dari hasil perhitungan
menunjukkan nilai R2 = 0,89. Hal ini menunjukkan tingkat validitas dari model menunjukkan hasil yang baik. Galat
yang terjadi sebesar 11% dimungkinkan terjadi karena terbatasnya jumlah titik pengamatan. Hasil lain yang
diperoleh adalah nilai gradien maksimum yang dihasilkan pada iterasi ke-10 adalah 0,7, langkah optimal yang
dihasilkan (λ) adalah 1,3; sedangkan fungsi objektif yang dihasilkan adalah 1865.

Konferensi Nasional Teknik Sipil 7 (KoNTekS 7)

T - 236 Universitas Sebelas Maret (UNS) - Surakarta, 24-26 Oktober 2013
 Transportasi

3000

2500
y = 0,97x - 15,1
R² = 0,89
2000
Hasil Model

1500

1000

500

0
0 500 1000 1500 2000 2500 3000
Volume dari Traffic Count

Gambar 6. Grafik Uji Validasi Volume Lalu Lintas

5. KESIMPULAN
Berdasarkan analisis dan pembahasan yang telah dilaksanakan untuk mengestimasi MAT kota Surakarta dari data
lalu lintas dengan metode gradient, dapat diambil kesimpulan sebagai berikut:
 Total pergerakan Kota Surakarta sebesar 32.774 smp/jam. Pergerakan lalulintas didominasi oleh
pergerakan ekternal – internal (10.490 smp/jam) dan pergerekan internal-internal (9.478 smp/jam), selain
itu pergerakan kendaraan dari zona ekternal-ekternal juga relatif besar yaitu 6.476 smp/jam.
 Uji validasi dengan koefisien determinasi (R2) menunjukkan nilai R2 = 0,89. Hal ini menunjukkan tingkat
validitas dari model menunjukkan hasil yang baik.

DAFTAR PUSTAKA
Bell, M.G.H (1983). The Estimation of an origin-destination matrix from traffic counts. Transportation Science 17
(2), 198-217.
Brenninger-Gothe, M., Jornsten, K.O., Lundrgen, J.T. (1989) Estimation of origin-destination matrices from traffic
counts using multiobjectives programming formulation. Transportation Research 23B (4), 257-269.
Maher, M.J. (1983). Inference on trip matrics from observation on link volumes: a bayesian statistical approach.
Transportation Research 17 B (6). 309-324
Nie, Y., Zhang, H.M., Recker, W.W (2005). Inferring origin–destination trip matrices withdecoupled GLS path flow
estimator.Transportation Research Part B 39.pp. 497–518.
Pursula, M., Pastinen, V. (1993). A Bayesian approach to update traffic flow from traffic counts. In: Daganzo, C.F.
(Ed). Transporation andTraffic Theory Elsevier Science Publication B. V., pp. 507-522.
Tamin, O.Z. (2000a) The Comparison of several estimator for calibrating Transport Demand Models from Link
Volumes, Jurnal Transport, FSTPT, 2(1), Tahun II, 49-58.
Tamin, O.Z., Santoso, Susilo (2000b) The Development of Maximum Entropy (ME) Estimator for Calibrating
Transport Demand Models based on Link Volumes Information, Proceeding of the 2nd Asia Pacific Conference
and Exhibition on Transportation and Environment, Beijing, China.
Tamin, O.Z. (2008) Perencanaan Pemodelan dan Rekayasa Transportasi, penerbit ITB.
Van Zuylen, H., and Willumsen, L. (1980). The most likely trip matrix estimated from traffic counts, Transportation
Research 14B, 281-283.
Willumsen, L.G (1978). Estimation of O-D matrix from traffic count: a review. Working paper 99, Institute for
Transport Studies, University of Leeds.

Konferensi Nasional Teknik Sipil 7 (KoNTekS 7)

Universitas Sebelas Maret (UNS) - Surakarta, 24-26 Oktober 2013 T - 237