Analogi/ Pendekatan
d12
Oi Dd
f(cid) = 1/ did^2 = fid
Khusus untuk perjalanan dalam daerah perkotaan, dan lebih khusus lagi
dalam hal perjalanan dengan kendaraan bermotor, sebaran pergerakan
mempunyai bentuk umum seperti yang diperlihatkan pada gambar 5.5
Terlihat bahwa terdapat hanya sedikit perjalanan jarak pendek, yang diikuti
dengan sejumlah besar jarak menengah.
Dengan semakin meningkatnya jarak atau biaya, jumlah perjalanan
kembali menurun.
Dengan mengacu pada gambar 5.4, fungsi eksponensial dan pangkat cukup
baik untuk menggambarkan bagian kanan kurva sebaran, tetapi tidak
untuk bagian kirinya. Kedua bagian ini dapat diwakili secara baik dengan
fungsi Tanner.
Fungsi hambatan
F(Cid) = exp (-ß Cid)
ß =0.095
Dengan menganggap fungsi hambatan mengikuti fungsi eksponensial-
negatif, didapat matriks exp(-ß Cid) seperti terlihat pada tabel 5.15 dengan
menganggap nilai ß = 0.095.
Model PCGR
Dalam model ini, total pergerakan global hasil bangkitan pergerakan
harus sama dengan total pergerakan yang dihasilkan dengan pemodelan;
begitu juga, bangkitan pergerakan yang dihasilkan model harus sama
dengan hasil bangkitan pergerakan yang diinginkan. Akan tetapi, tarikan
pergerakan tidak perlu sama.
Untuk jenis ini, model yang digunakan persis sama dengan persamaan
(5.28), tetapi dengan syarat batas yang berbeda, yaitu:
Setelah menghitung nilai Ai untuk setiap i, setiap sel matriks dapat
dihitung dengan menggunakan persamaan (5.28) sehingga menghasilkan
matriks akhir seperti pada tabel 5.17.
Terlihat bahwa persyaratan awal dipenuhi, yaitu total pergerakan yang
dihasilkan model (t) harus sama dengan total pergerakan yang didapat
dari hasil bangkitan pergerakan (T). Selain itu, terlihat juga bahwa total
pergerakan yang berasal dari setiap zona asal harus selalu sama dengan
total pergerakan (yang dibangkitkan) yang diperkirakan oleh tahap
bangkitan pergerakan.
Model ACGR
Dalam hal ini, total pergerakan secara global harus sama dan juga tarikan
pergerakan yang didapat dengan pemodelan harus sama dengan hasil tarikan
pergerakan yang diinginkan. Sebaliknya, bangkitan pergerakan yang didapat
dengan pemodelan tidak harus sama. Untuk jenis ini, model yang digunakan
persis sama dengan persamaan (5.28), tetapi dengan syarat batas yang
berbeda, yaitu
Model DCGR
Dalam hal ini, bangkitan dan tarikan pergerakan harus selalu sama
dengan yang dihasilkan oleh tahap bangkitan pergerakan. Model yang
digunakan persis sama dengan persamaan (5.28), tetapi dengan syarat
batas:
Kedua faktor penyeimbang Ai dan Bd harus menjamin bahwa total ‘baris’
dan ‘kolom’ dari matriks hasil pemodelan harus sama dengan total ‘baris’
dan ‘kolom’ dari matriks hasil bangkitan pergerakan. Proses pengulangan
nilai Ai dan Bd dilakukan secara bergantian. Hasil akhir akan selalu sama,
dari manapun pengulangan dimulai (‘baris’ atau ‘kolom’). Dalam ilustrasi
ini, pengulangan dimulai dengan menganggap nilai awal B1 = B2 = B3 =
B4=1. Hasil akhir juga tidak tergantung pada nilai awal. Nilai awal dapat
berupa nilai berapa saja asal lebih besar nol. Hal ini hanya akan
berpengaruh pada jumlah pengulangan untuk mencapai konvergensi.
Semakin besar perbedaan antara nilai awal dengan nilai akhir, semakin
banyak jumlah pengulangan yang dibutuhkan untuk mencapai
konvergensi. Tabel 5.19 memperlihatkan nilai Ai dan Bd pada setiap
pengulangan.
Terlihat pada pengulangan ke 10, nilai Ai untuk setiap i dan nilai Bd untuk
setiap d tidak lagi mengalami perubahan (atau telah mencapai
konvergensi). Setelah tercapai konvergensi dengan mendapatkan nilai Ai
dan B untuk setiap i dan d, maka setiap sel matriks dapat dihitung dengan
menggunakan persamaan (5.28) sehingga menghasilkan matriks akhir
seperti yang terlihat pada tabel 5.20.
Penggunaan model gravity
Biasanya, jika informasi survei baik dan tersedia, model jenis DCGR sangat
baik untuk digunakan. Kadang-kadang biaya komputer juga menentukan
pemilihan jenis model. Akan tetapi, dengan kemajuan teknologi komputer
yang pesat, terutama dalam hal kecepatan proses, biaya tidak lagi menjadi
hambatan.
Secara umum, sebaiknya model DCGR yang digunakan pada kasus yang
ramalan bangkitan dan tarikan pergerakannya cukup baik di masa
mendatang. Jika ramalan bangkitan dan tarikan pergerakannya berbeda,
tidak ada alasan menggunakan model yang harus mendapatkan total
‘baris’ dan ‘kolom’ yang sama sehingga dapat dipilih model yang lebih
sederhana yang mungkin lebih baik dan lebih murah.
Untuk tujuan perjalanan seperti dari rumah ke tempat kerja dan dari
rumah ke sekolah, dapat dipastikan bahwa taksiran bangkitan dan tarikan
pergerakan akan lebih tepat dibandingkan dengan tujuan perjalanan lain,
misalnya dari rumah ke tempat belanja. Contoh alasan yang sangat
sederhana adalah: jika terdapat 1.000 lapangan pekerjaan dalam suatu
zona, dapat dikatakan akan terdapat 1.000 pergerakan yang tertarik ke
zona tersebut, dari mana pun mereka berasal
Dengan kata lain, jika lapangan pekerjaan pada suatu zona tertentu dapat
diperkirakan dengan baik, maka pergerakan (bekerja) ke daerah tersebut
akan dapat diramalkan juga dengan baik. Akan tetapi, jika terdapat 10.000
m tempat perbelanjaan dalam suatu zona, tidaklah mudah untuk
memastikan berapa perjalanan yang akan menuju ke zona tersebut
Hal itu dapat berubah dengan dilakukannya perubahan sistem
transportasi, yang jelas akan mengubah aksesibilitas dari zona tersebut
dan mengubah hubungan antara luas lantai dengan tarikan pergerakan.
Dengan kata lain, walaupun luas lantai dapat diramalkan dengan tepat,
tidak mudah meramalkan tarikan pergerakan secara tepat.
Secara umum, bangkitan pergerakan berbasis rumah lebih dapat
diyakini kebenarannya dibandingkan dengan tarikan pergerakan. Oleh
karena itu, dalam kebanyakan kajian, pergerakan berbasis rumah
biasanya menggunakan model PCGR atau model DCGR. Model DCGR
sering digunakan untuk memodel pergerakan berbasis rumah; baik
untuk tujuan bekerja maupun pendidikan. Akan tetapi, untuk jenis
pergerakan ini, persamaan model ACGR biasanya lebih tepat karena
berdasarkan pada peubah yang mudah dihitung (misalnya populasi)
Model PCGR dapat digunakan untuk pergerakan berbasis rumah dengan
berbagai tujuan pergerakan, sedangkan model ACGR lebih mudah
dispesifikasi dan dikalibrasi, misalnya tujuan belanja dan bisnis. Untuk
pergerakan berbasis bukan rumah, baik model PCGR maupun ACGR
tidak biasanya dapat diramalkan secara pasti sehingga model UCGR
(atau model faktor pertumbuhan) yang biasanya digunakan.
Aksesibilitas antar zona dinyatakan dengan biaya perjalanan antar zona adalah
sebagai berikut:
Diminta :
Hitung distribusi pergerakan (Matrik Asal Tujuan) pada masa akan datang dengan
menggunakan Model:
(a). Unconstrained Gravity Model,
(b). Production Constrained model,
(c). Attraction Constrained Gravity Model,