KUMPULAN RANGKUMAN JURNAL

PENERAPAN DISTRIBUSI PROBABILITAS DALAM

ANALISIS STATISTIKA

TUGAS MATA KULIAH STATISTIK TERAPAN

KUMPULAN RANGKUMAN JURNAL

PENERAPAN DISTRIBUSI NORMAL, DISTRIBUSI POISSON,
DISTRIBUSI BINOMIAL, DAN DISTRIBUSI BURR DALAM ANALISIS
STATISTIKA

PENDAHULUAN
Statistika banyak diterapkan dalam berbagai disiplin ilmu, baik ilmu-ilmu
alam (misalnya astronomi dan biologi maupun ilmu-ilmu sosial (termasuk
sosiologi dan psikologi), maupun di bidang bisnis, ekonomi, dan industri). Pada
kesempatan ini penulis merangkum tentang penerapan distribusi normal,
Distribusi poisson, dan distribusi burr dari beberapa jurnal.
Statistika adalah ilmu yang mempelajari bagaimana merencanakan,
mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data.
Singkatnya, statistika adalah ilmu yang berkenaan dengan data. Atau statistika
adalah ilmu yang berusaha untuk mencoba mengolah data untuk mendapatkan
manfaat berupa keputusan dalam kehidupan. Istilah ‘statistika’ (bahasa Inggris:
statistics) berbeda dengan ‘statistik’ (statistic). Statistika merupakan ilmu yang
berkenaan dengan data, sedang statistik adalah data, informasi, atau hasil
penerapan algoritma statistika pada suatu data.

STUDI PUSTAKA
Definisi Distribusi Normal
 Distribusi normal, disebut pula distribusi Gauss, adalah distribusi
probabilitas yang paling banyak digunakan dalam berbagai
analisis statistika. Distribusi normal baku adalah distribusi normal yang
memiliki rata-rata nol dan simpangan baku satu. Distribusi ini juga dijuluki kurva
lonceng (bell curve) karena grafik fungsi kepekatan probabilitasnya mirip dengan
bentuk lonceng. Distribusi normal memodelkan fenomena kuantitatif pada ilmu
alam maupun ilmu sosial. Beragam skor pengujian psikologi dan
fenomena fisika seperti jumlah fotondapat dihitung melalui pendekatan dengan
mengikuti distribusi normal. Distribusi normal banyak digunakan dalam berbagai
bidang statistika, misalnya distribusi sampling rata-rata akan mendekati normal,
meski distribusi populasi yang diambil tidak berdistribusi normal. Distribusi
normal juga banyak digunakan dalam berbagai distribusi dalam statistika, dan
kebanyakan pengujian hipotesis mengasumsikan normalitas suatu data.

Definisi Distribusi Poisson

Dalam teori probabilitas dan statistika, distribusi Poissonadalah distribusi
probabilitas diskret yang menyatakan peluang jumlah peristiwa yang terjadi pada
periode waktu tertentu apabila rata-rata kejadian tersebut diketahui dan dalam
waktu yang saling bebas sejak kejadian terakhir. (distribusi Poisson juga dapat
digunakan untuk jumlah kejadian pada interval tertentu seperti jarak, luas, atau
volume).

DefinisiDistribusi Binomial

Dalam teori probabilitas dan statistika, distribusi binomial adalah distribusi

probabilitas diskret jumlah keberhasilan dalam n percobaan ya/tidak
(berhasil/gagal) yang saling bebas, dimana setiap hasil percobaan memiliki
probabilitas p. Eksperimen berhasil/gagal juga disebut percobaan bernoulli.
Ketika n = 1, distribusi binomial adalah distribusi bernoulli. Distribusi binomial
merupakan dasar dari uji binomial dalam uji signifikansi statistik.Distribusi ini
seringkali digunakan untuk memodelkan jumlah keberhasilan pada jumlah
sampel n dari jumlah populasi N. Apabila sampel tidak saling bebas (yakni
pengambilan sampel tanpa pengembalian), distribusi yang dihasilkan
adalah distribusi hipergeometrik, bukan binomial. Semakin besar N daripada n,
distribusi binomial merupakan pendekatan yang baik dan banyak digunakan.

Definisi Distribusi Burr

Dalam teori probabilitas , statistik dan ekonometri , distribusi Burr Type

XII atau hanya distribusi Burr [1] adalah distribusi probabilitas
berkelanjutan untuk variabel acak non-negatif. Ia juga dikenal sebagai distribusi
Singh-Maddala [2] dan merupakan salah satu dari sejumlah distribusi yang berbeda
yang kadang-kadang disebut " distribusi log-logistik umum". Ini paling sering
digunakan untuk memodelkan pendapatan rumah tangga (Lihat: Pendapatan
rumah tangga di AS dan bandingkan dengan grafik magenta di kanan

Rangkuman Jurnal Analisis Dan Simulasi Sistem Antrian Bus Rapid Transit
(BRT) Trans-Jakarta Pada Halte Transit BNN.

Jurnal ini berisi tentang Penelitian mengenai Sistem Antrian Bus Rapid
Transit (BRT) trans-jakarta pada halte transit BNN, Antrian bus Trans-Jakarta
menurut peneliti sangat cocok dilakukan analisis karena terjadinya fenomena
antrian yang terjadi di Halte BNN dapat mengganggu aktifitas pengguna jasa yang
menggunakan bus Trans-Jakarta. Tujuan dari penelitian ini adalah untuk
menentukan gambaran penggunaan model antrian yang tepat dalam sistem antrian
bus Trans-Jakarta di Halte BNN dan mengetahui ukuran kinerja sistem antrian
dalam bus Trans-Jakarta di Halte Trans-Jakarta. Untuk mencapai tujuan tersebut
peneliti melakukan pengamatan terhadap antrian yang terjadi pada bus Trans-
Jakarta. Penelitian dilakukan pada jam sibuk (07.00 – 08.00) dan (17.00 – 19.00)
dengan alasan bahwa bis Trans-Jakarta yang beroperasi lebih banyak dan sering
terjadi antrian panjang. Data yang digunakan dalam penelitian ini adalah data
primer yang diperoleh dari pengamatan langsung di Halte BNN selama 2 minggu
berturut-turut. Selain itu untuk mendukung hasil penelitian diperlukan juga data
sekunder yang diperoleh dari BRT maupun Pemerintah Daerah DKI Jakarta.
Tahapan dalam melakukan metode analisis data pada penelitian ini dilaksanakan
dengan langkah-langkah pada Metode Antrian Kondisi Real dan Metode Antrian
Kondisi Simulasi.
Pengujian distribusi pola kedatangan dan pelayanan dilakukan untuk menentukan
model antrian yang sesuai dengan keadaan yang terjadi di lapangan berdasarkan
data yang telah dikumpulkan.
Asumsi sebaran distribusi pada Halte BNN adalah tingkat kedatangan
merupakan distribusi poisson dan tingkat pelayanan merupakan distribusi
eksponensial, untuk mengetahui apakah asumsi tersebut benar atau tidak, maka
dilakukan pengujian distribusi terhadap data yang telah didapatkan dari observasi
di halte BNN.
Pengujian kesesuaian distribusi dapat dilakukan dengan menggunakan salah satu
program pengujian distribusi yaitu Easyfit 5.5. Easy Fit dapat menentukan
apakah distribusi sesuai atau tidak dengan memasukkan data tingkat kedatangan
dan tingkat pelayanan ke dalam program

Analisis Kinerja Sistem Antrian Real

Rata-rata tingkat kedatangan dan rata-rata tingkat pelayanan telah

diketahui. Maka Kinerja sistem antrian dapat dihitung menggunakan rumus teori
antrian dengan bantuan software Excel Module Quantitative decision making with
spreadsheet applications oleh Lawrence L. Lapin dan William D. Whisler.
Model sistem antrian yang terjadi di Halte Transit BNN yaitu model antrian
pelayanan tunggal (M/M/1):(FIFO/~/~) dan Single Channel-Single Server.

Model Sistem Antrian Simulasi Halte Transit BNN

Model sistem antrian ini digunakan karena antrian yang terjadi ketika server
hanya satu sebesar 1.8409 bus per menit dan dengan waktu pelayanan sebesar 37
detik. Simulasi antrian dengan menambahkan server menjadi dua buah diharapkan
waktu pelayanan kurang dari SPM (20 detik) yaitu menjadi 18.5 detik.
Berdasarkan pertimbangan di atas, maka simulasi antrian dilakukan dengan
menggunakan dua server.
Sistem antrian yang digunakan oleh Halte BNN adalah Single Channel-Multi
Server yaitu sistem antrian hanya terdapat satu tempat pelayanan dan memiliki
lebih dari satu jalur layanan yang diberikan sehingga bus yang menerima layanan
bisa langsung keluar. Tingkat kedatangan merupakan distribusi Poisson dan
tingkat pelayanan merupakan distribusi eksponensial.

Analisis Kinerja Sistem Antrian Simulasi

Rata-rata tingkat kedatangan dan rata-rata tingkat pelayanan telah
diketahui. Maka Kinerja sistem antrian dapat dihitung menggunakan rumus teori
antrian dengan bantuan software Excel Module Quantitative decision making with
spreadsheet applications oleh Lapin dan Whisler (2001).
Model sistem antrian yang terjadi di Halte Transit BNN yaitu model antrian
pelayanan ganda (M/M/2):(FIFO/~/~) dan Single Channel-Multi Server
Setelah kinerja sistem model antrian real maupun simulasi telah dihitung,
maka didapat perbandingan antara kedua model antrian tersebut. Hal ini
dilakukan agar diketahui seberapa besar pengaruh terhadap kinerja sistem pada
halte BNN.
Berdasarkan Tabel 3 menunjukkan bahwa rata-rata jumlah bus yang berada dalam
sistem antrian, baik yang berada dalam baris antrian maupun bus yang sedang
dilayani adalah sebanyak 3 bus menjadi 1 bus. Rata-rata jumlah bus yang berada
dan menunggu dalam baris antrian adalah sebanyak 2 bus menjadi 0,1 bus. Waktu
rata-rata yang dihabiskan oleh tiap bus dalam keseluruhan sistem antrian dari
menunggu dan dilayani adalah 2,2 menit menjadi 0,7 menit. Waktu rata-rata yang
dihabiskan oleh bus untuk menunggu dalam antrian sampai dilayani adalah 1,6
menjadi 0,09 menit. probabilitas bahwa halte sedang sibuk sehingga bus harus
menunggu untuk dilayani adalah sebesar 72% menjadi 36%.
Kesimpulan yang dapat diambil dari jurnal ini adalah Model Antrian Nyata
(Real) yang diperoleh adalah model (M/M/1):(FIFO/~/~), dengan waktu antar
kedatangan berdistribusi eksponensial, waktu pelayanan berdistribusi
eksponensial, dengan jumlah server satu dan disiplin antrian bus yang pertama
datang yang pertama dilayani, jumlah pelanggan dalam sistem antrian dan ukuran
populasi pada sumber masukan adalah tak terhingga. Model Antrian Simulasi
yang diperoleh adalah model (M/M/21)(FIFO/~/~), dengan waktu antar
kedatangan berdistribusi eksponensial, waktu pelayanan berdistribusi
eksponensial, dengan jumlah server dua dan disiplin antrian bus yang pertama
datang yang pertama dilayani, jumlah pelanggan dalam sistem antrian dan ukuran
populasi pada sumber masukan adalah tak terhingga. Dari hasil analisis data
model antrian nyata (model pelayanan tunggal) dapat diketahui bahwa dengan
rata-rata tingkat kedatangan (λ) sebesar 1,18 bus per menit dan rata-rata tingkat
pelayanan (μ) sebesar 1,64 bus per menit. Maka, Panjang antrian dalam sistem (L)
= 3 bus menyebabkan fenomena antrian dalam sistem serta rata-rata waktu
pelayanan sebesar 37 detik melebihi dari ketetapan prosedur Standar Pelayanan
Minimal. Serta pemanfaatan server menjadi 72%. Dari hasil data model antrian
simulasi (model pelayanan ganda) dapat diketahui panjang antrian dalam sistem
antrian (L) menjadi 1 bus dengan waktu pelayanan 18,5 detik. Serta pemanfaatan
server menjadi sebesar 36%.
Saran yang diberikan oleh peneliti adalah dengan adanya hasil pembahasan
tersebut maka perbandingan menunjukkan adanya perubahan kinerja sistem ketika
dilakukan simulasi dengan menambah server menjadi dua. Trans-Jakarta telah
melakukan pengoprasian koridor XI sehingga dapat mempengaruhi mobilitas
penumpang yang akan melakukan perjalanan dengan menggunakan Trans-Jakarta
serta pernyataan Udar Prisono selaku Kepala Dinas Perhubungan bahwa pada
tahun 2012 akan ada penambahan armada bus gandeng sebanyak 178 unit bagi
koridor 1 – 8. Bus koridor 7 termasuk dalam daftar koridor yang akan dilakukan
penambahan bus. Penambahan bus tersebut diperkirakan dapat menambah antrian
menjadi semakin panjang. Alasan tersebut semakin memperkuat dilakukannya
penambahan dua server untuk kinerja sistem bus yang lebih baik. Walaupun biaya
pembangunan yang harus dikeluarkan untuk penambahan server sebesar Rp
500.000.000. tetapi pengeluaran biaya tersebut mampu menciptakan peningkatan
performa karena dapat memenuhi prosedur Standar Pelayanan Minimal (SPM)
yang ditetapkan, mengatasi fenomena antrian yang terjadi dalam sistem antrian
model nyata dan mempersiapkan kemungkinan bertambahnya panjang antrian bus
dalam sistem karena penambahan bus pada koridor 7 yang merupakan salah satu
bus koridor yang dilayani oleh Halte Transit BNN.
Rangkuman Jurnal Metoda Simulasi Bagi Perhitungan Kebutuhan Jumlah
Tempat Duduk Pada Fasilitas Reservasi Tiket.

Jurnal ini berisi tentang Penelitian mengenai metoda simulasi perhitungan

kebutuhan jumlah tempat duduk pada fasilitas reservasi tiket kereta api. Metode
yang dilakukan pada metoda simulasi ini adalah pengumpulan data sekunder dan
data primer. Penelitian menghasilkan metoda simulasi bagi perhitungan kebutuhan
jumlah tempat duduk berdasarkan data asumsi. Data yang digunakan dengan
asumsi jumlah penumpang yang datang untuk melakukan reservasi tiket kereta
api(KA) sebesar 20 orang.
Proses simulasi perhitungan tempat duduk bagi reservasi tiket kereta api
(KA) harusmelalui beberapa tahapan. Tahapan-tahapan yang harus dilalui mulai
dari datang/masuk (IN)sampai dengan keluar (OUT) adalah sebagai berikut: 1).
Pos pengambilan tiket, 2). Pospengisian formulir, 3). Proses loket kosong, apabila
loket penuh harus duduk terlebih dahuludan apabila loket kosong dapat langsung
dilayani. Tahapan-tahapan yang harus dilalui olehpemesan tiket kereta api dapat
ditunjukkan pada gambar dibawah ini:

Gambar Proses Simulasi Pemesanan Tiket Kereta Api

Kajian analisa statistik pada penelitian ini menggunakan beberapa Distibusi

yaitu Distribusi selang waktu kedatangan (headway) ditentukanmengikuti
Distribusi Poisson dengan λ sebesar 3 menit dan ditunjukkan pada Tabel-
Gambar1. Distribusi waktu pengambilan tiket ditentukan mengikuti Distribusi
Titik dengan t sebesar1 menit dan ditunjukkan pada Tabel-Gambar 2. Distribusi
waktu pengisian formulirditentukan mengikuti Distribusi Normal dengan μ
sebesar 4 menit dan ditunjukkan padaTabel-Gambar 3. Distribusi waktu dilayani
di loket ditentukan mengikuti Distribusi Normalyang ditentukan dengan μ sebesar
7 menit dan ditunjukkan pada Tabel-Gambar 4.
Selanjutnya data diolah menggunakan Program Microsoft Excel dengan fungsi if
(logika). Kesimpulan yang dapat diambil dari jurnal ini adalah Jumlah tempat
duduk yang harus disediakan bagi 20 orang pemesan tiket keretaapi sejumlah 2
tempat duduk. Penelitian berdasarkan data asumsi. Oleh karena itudiperlukan
penelitian lanjutan berupa penerapan metoda simulasi dengan menggunakan
datayang sebenarnya.

Rangkuman Jurnal
Impact of road-surface condition on rural highway safety: A multivariate
random parameters negative binomial approach

Jurnal ini membahas tentang pengaruh dari kondisi permukaan jalan

terhadap keselamatan pengguna jalan, dengan menguji hipotesis bahwa kekasaran
perkerasan umumnya memilikidampak yang kurang berarti atau tidak terlalu
berpengaruh pada keselamatan pengguna jalan dan besarna resiko berbeda pada
semua ruas jalan. Untuk melakukan kajian lebih lanjut tentang hipotesis tersebut
peneliti memodelkan kecelakaan menjadi tiga tingkat keparahan kecelakaan dan
lima tingkat kondisi permukaan jalan.
Model yang dikembangkan menggunakan parameter acak multivariat
spesifikasi negatifbinomial untuk memperhitungkan heterogenitas dan korelasi
yang tidak teramati di antaraberbagai tingkat keparahan kecelakaan.
Jurnal ini menggunakanmodel multivariate random parameter negatif binomial
(MRPNB) untuk menganalisisdampak kondisi perkerasan pada keselamatan jalan
raya. (2012b) dan Shi and Valdez (2014) menggambarkan kerangka umum dari
model binomial multivariat negatif denganjumlah yang diharapkan dari tabrakan
dengan ʎ, dan tingkat keparahan k dandalam jurnal ini digunakan level fatal,
cedera,dan tanpa cedera.
Kondisi permukaan perkerasan digambarkan dengan menggunakan parameter
IRI(International Roughness Index) yaitu Excellent (60 <IRI 100), Good (100
<IRI 125), Good – Fair (125 <IRI 150),Fair(150 <IRI 200), Poor(IRI>
200).Indikator kondisi permukaan perkerasan, IRI, diukur dalam satuan inci per
mil (dalam / mil) atau meter per kilometer(m / km).
Jurnal ini meneliti dampak kondisi perkerasan dan faktor-faktor lain termasuk
fitur geometrik dan lalu lintas, karakteristik pada keselamatan jalan raya pedesaan
di berbagai kondisi permukaan jalan yang berbeda. Hal ini dilakukan untuk
tigatingkat keparahan kecelakaan - fatal, cedera, dan tidak ada cedera. Data
tersebut mewakili ratusan bagian jalan di dalam layanan, dantingkat keselamatan
jalan raya di setiap bagian dinyatakan dalam jumlah masing-masing jenis
kecelakaan di sepanjang bagian yang diberikan masing-masingtahun dalam
periode analisis yang ditentukan. Data pada dasarnya bersifat multivariat; Oleh
karena itu, pemodelan setiap tingkat keparahansecara terpisah, sementara tidak
memperhitungkan korelasi kemungkinan antara jumlah kecelakaan di tingkat
keparahan kecelakaan bisadiharapkan menjadi bermasalah. Menggunakan
pendekatan pemodelan univariat untuk penghitungan tabrakan berkorelasi dapat
menyebabkan kurang tepatperkiraan untuk faktor risiko yang terkait dengan
tingkat keparahan yang berbeda. Dalam hal ini, untuk pemodelan frekuensi
kecelakaan, pendekatan pemodelan multivariat digunakan untuk analisis. Untuk
menjelaskan heterogenitas yang tidak teramati dan korelasi antara tiga tingkat
keparahan kecelakaan, model MRPNB diperkirakan untuk masing-masing dari
tiga subclass pedesaanjalan raya (Interstate, State State roads dan U.S. roads)
karena kelas jalan ini umumnya berbeda satu sama lain dalam hal geometric
standar, kualitas trotoar, dan volume lalu lintas.
Hasilnya konsisten dengan intuisi teknik dan juga dengan indikasi apriori
dari penelitian sebelumnya. Sejumlahlalu lintas dan kovariat geometrik jalan
ditemukan secara signifikan memengaruhi jumlah kerusakan, pada berbagai
tingkat keparahan,dan melintasi berbagai kondisi permukaan perkerasan jalan raya
pedesaan. Untuk jalan dengan trotoar dalam kondisi buruk, lebih sedikitFaktor
geometri jalan yang ditemukan menjadi signifikan dibandingkan dengan trotoar
yang dalam kondisi sangat baik. Hasilumumnya mendukung hipotesis bahwa
kecenderungan kecelakaan umumnya menurun karena kondisi perkerasan
meningkat dari yang buruk (IRI tinggi) untuk kondisi baik (IRI rendah). Namun,
jurnal ini juga menetapkan bahwa untuk jalan dalam kondisi buruk,
efeknyapengurangan lebih lanjut atau peningkatan kondisi dapat memiliki efek
dikotomis pada jumlah kecelakaan.Selain itu, hasil menunjukkan bahwa untuk
sebagian besar jenis kecelakaan dan sebagian besar kategori kondisi perkerasan,
dampak dari kondisi perkerasanpada keselamatan jalan pedesaan umumnya serupa
dalam arah tetapi tidak dalam besarnya. Namun dalam hal-hal tertentu,
arahpengaruh ditemukan berlawanan. Secara khusus, hasil menunjukkan bahwa
jalan negara dengan trotoar dalam kondisi buruk menghasilkan frekuensi
kecelakaan cedera yang lebih besar dibandingkan dengan jalan non-negara dalam
kondisi serupa. Selain itu, jalan raya dua lajurdengan jalan dalam kondisi buruk
memiliki frekuensi kecelakaan tanpa cedera yang lebih rendah dibandingkan
dengan jalan raya dengan empat atau enam lajur.Untuk jalan dengan trotoar dalam
kondisi sangat baik, lebih banyak lajur dikaitkan dengan frekuensi cedera yang
lebih tinggi dan tidak ada cedera.Model-model yang mewakili masing-masing
kondisi perkerasan menunjukkan bahwa efek keamanan kondisi perkerasan
berbeda-beda terhadap tingkat kondisi perkerasan; dengan pengecualian dari
model kondisi perkerasan yang buruk, model menunjukkan bahwa parameter
fixed-effects sesuai untuk variabel kondisi perkerasan (IRI). Dalam model kondisi
perkerasan yang buruk,Hasilnya menunjukkan bahwa variabel kondisi perkerasan
memiliki parameter acak terdistribusi normal dan oleh karena itu mengarah pada
interpretasi yang mencerminkan kedua efek yang berlawanan (yaitu, peningkatan
kondisi perkerasan dalam rentang kondisi tersebut menyebabkanfrekuensi yang
lebih tinggi dari kecelakaan dalam situasi tertentu dan frekuensi yang lebih rendah
dalam situasi lain). Pengamatan yang terakhirefek tidak hanya mencerminkan
fenomena kompensasi risiko tetapi juga memperkuat gagasan bahwa perilaku
pengemudi erhadap kondisi operasi secara signifikan dapat heterogen.Untuk
setiap tingkat keparahan kecelakaan, jurnal ini mengkonfirmasikan hasil
penelitian baru-baru ini bahwa pengaruh kondisi perkerasan padakeselamatan
berbeda di seluruh kondisi perkerasan yang berbeda. Untuk kecelakaan tanpa
cedera dan cedera, ditentukan bahwa semakin tinggikelas fungsional jalan (dari
jalan negara ke interstate), semakin besar sensitivitas keselamatan terhadap
perubahan di kondisi perkerasan; Namun, jurnal ini mengamati kecenderungan
yang berlawanan untuk kecelakaan fatal.Karena dampak yang ditunjukkan dari
kondisi perkerasan pada keselamatan jalan raya, program pelestarian perkerasan
dapat memberikan peluang yang sangat baik untuk secara substansial mengurangi
jumlah kecelakaan di jalan raya. Menurut Zimmerman danLarson (2005) dan
Mahoney et al. (2006), dengan memasukkan langkah-langkah keamanan ke dalam
sistem manajemen perkerasannya jugasebagai rencana jangka panjangnya,
lembaga dapat menggunakan pendekatan sistematis untuk mengidentifikasi dan
memprioritaskan pelestarian kebutuhanperkerasan. Kerangka konseptual dalam
dua studi ini berpendapat perlunya memasukkan kinerja keselamatan dalam
perencanaan jangka panjangdan manajemen perkerasan. Hasil jurnal ini dapat
memberikan masukan terhadap aplikasi tersebut. Selanjutnya,model yang
dikembangkan dapat membantu insinyur jalan raya mengukur tidak hanya
manfaat keselamatan proyek pelapisan jalan pedesaan tetapijuga konsekuensi
keselamatan dari kondisi permukaan jalan yang memburuk yang timbul dari
pemeliharaan yang ditunda atau tidak dilakukan.
 Ada banyak pengetahuan yang bisa diperoleh dengan melanjutkan
penelitian di bidang ini. Pertama, pada masa yang akan datang bisa
menyelidikijangkauan kemungkinan interaksi yang lebih besar antar variabel.
Kedua, peneliti masa depan bisa mendapatkan dan memasukkanlebih banyak data
tentang faktor tabrakan lain selain faktor teknis. Ketiga, pekerjaan bisa
diperpanjang ke jalan raya perkotaandi mana lebih banyak faktor ada yang dapat
mempengaruhi kecelakaan jalan raya. Akhirnya, peneliti selanjutnya bisa bekerja
untuk memperhitungkan heterogenitas spasial dan temporal dalam parameter acak
kerangka multivariate.

Kesimpulan secara singkat tentang jurnal ini yaitu pemodelan

menunjukkan
bahwa untuk perkerasan dalam kondisi fair ataukondisi baik, parameter kondisi
permukaan memiliki efek tetap pada frekuensi kecelakaan atau tidak
mempengaruhi terjadi atau tidaknya kecelakan,terlepas dari tingkat keparahan
kecelakaan. Namun, untuk trotoar dalam kondisi buruk, variabel kondisi dalam
model crash memiliki parameter acak yang signifikan yang
biasanyadidistribusikan. Bagian positif dariparameter fungsi kepadatan
menunjukkan kekasaran yang lebih tinggi (kondisi yang lebih buruk) umumnya
meningkatkan frekuensi tabrakan yang diharapkan,kemungkinan karena
pengemudi dapat kehilangan kendali atas kendaraan mereka. Bagian negatif
menunjukkan kekasaran permukaan yang lebih tinggi umumnya dikaitkan dengan
yang lebih rendahfrekuensi tabrakan yang diharapkan, kemungkinan karena
pengemudi umumnya cenderung mengemudi lebih hati-hatidi perkerasan dengan
kondisi sangat buruk (manifestasi perilaku). Model yang dikembangkan dapat
membantu insinyur jalan raya mengukur tidak hanya manfaat keselamatan
jalanmenyelesaikan proyek tetapi juga konsekuensi keselamatan dari kondisi
permukaan jalan yang memburukakibat keterlambatan pemeliharaan perkerasan.

Rangkuman Jurnal
Fosgerau’s travel time reliability ratio and the Burr distribution
 Pada jurnal ini menjelaskan tentang bagaimana analisis statistic tentang
waktu perjalanan lebih tepat menggunakan dsitribusi Burr.
Ringkasan penelitian ini yaitu sebagai berikut: Penelitian internasional
baru-baru ini telah melihat pengembangan metode untuk memasukkan keandalan
waktu perjalanan sebagai faktor terpisah dalam analisis ekonomi proyek
transportasi, termasuk penilaian variabilitas waktu perjalanan. Metode penilaian
Fosgerau mencakup pertimbangan keandalan waktu perjalanan dalam analisis
biaya-manfaat dengan menambahkan variasi waktu perjalanan ke serangkaian
biaya perjalanan umum. Hal ini membutuhkan:
(1) Unit pengukuran yang didefinisikan untuk variabilitas waktu
perjalanan
(2) Perkiraan kuantitas variabilitas waktu perjalanan, dan
(3) Identifikasi biaya untuk wisatawan per unit variabilitas waktu
perjalanan.
Unit pengukuran yang dipilih adalah standar deviasi dari distribusi waktu
perjalanan, dan nilai unit pengukuran ini dapat ditentukan relatif terhadap nilai
rata-rata waktu perjalanan dengan rasio keandalan yang bergantung pada
parameter preferensi pengguna (terkait dengan penghindaran risiko) dan bentuk
ekor bagian atas dari fungsi distribusi kumulatif (cdf) dari distribusi waktu
perjalanan. Bentuk ini diwakili oleh integral yang pasti dari invers dari cdf.
Mendefinisikan bentuk cdf dan fungsi inversinya difasilitasi jika distribusi dapat
didefinisikan oleh fungsi aljabar eksplisit. Distribusi Burr (tipe XII) adalah satu
distribusi dengan fitur ini, dan telah digunakan untuk berhasil mewakili data
waktu tempuh yang teramati. Makalah ini menjelaskan distribusi Burr,
menunjukkan bahwa dapat memberikan representasi yang baik dari data waktu
tempuh yang diamati, dan menjelaskan bagaimana hal itu dapat digunakan untuk
mengembangkan ekspresi yang tepat untuk rasio keandalan dan dengan demikian
dapat membantu penggunaan metode untuk penilaian keandalan waktu perjalanan.
Beberapa distribusi statistik telah diusulkan untuk merepresentasikan data
waktu tempuh yang teramati.Asimetri distribusi berarti distribusi normal
(Gaussian) tidak mungkin cocok dengan data yang diamati. Distribusi alternatif
umum yang mengakomodasi beberapa condong positif, seperti distribusi log-
normal, telah diusulkan sebagai langkah pertama yang masuk akal (misalnya Pu
2011). Penelitian awal penulis pada topik ini (Richardson dan Taylor 1978; Taylor
1982) menunjukkan bahwa distribusi log-normal dapat sesuai dengan beberapa set
data yang tersedia, tetapi ada kekurangan data distribusi waktu perjalanan individu
di abad ke-20. abad dan ukuran sampel dari set data yang tersedia relatif kecil
karena kesulitan historis dalam mengumpulkan waktu perjalanan individu.
Penelitian yang lebih baru menunjukkan bahwa distribusi log-normal umumnya
kurang cocok untuk distribusi waktu perjalanan (misalnya lihat Fosgerau dan
Karlstrom (2010) dan Kim dan Mahmainani (2015)). Teknologi pengumpulan
data modern memungkinkan pengumpulan kumpulan data substansial pada
variabilitas waktu perjalanan (misalnya Van Lint dan Van Zuylen (2005),
Fosgerau dan Fukuda (2012), Susilawati dkk., (2013), Kim dan Mahmassani 2015
dan Delhomme et al., (2015)), yang telah menunjukkan dengan jelas kemiringan
berat bagian atas yang kuat dan berat dalam distribusi variabilitas waktu
perjalanan. Hal ini menyebabkan pertimbangan distribusi lain, seperti:
• Distribusi stabil (Fosgerau dan Fukuda, 2012), yang menyediakan metode yang
kuat untuk mewakili variasi dalam waktu perjalanan tetapi dalam istilah praktis
menderita ketidakmampuan untuk menulis persamaan formulir tertutup untuk
distribusi, bahkan untuk pdf-nya. Ketidakmampuan ini adalah kerugian
substansial dalam lingkungan kebijakan di mana tingkat transparansi yang tinggi
dalam analisis dan penalaran sekarang dituntut
• Distribusi gamma dan senyawa-gamma. Kim dan Mahmassani (2015)
mendemonstrasikan bagaimana menggunakan distribusi senyawa-gamma untuk
secara bersamaan mewakili variasi dalam waktu perjalanan sehari-hari untuk
wisatawan individu dan antara kendaraan yang melakukan perjalanan di jalan
pada saat yang sama, dan
• The Burr type XII distribusi, yang telah terbukti mewakili variasi yang diamati
dalam waktu perjalanan sehari-hari dengan potensi untuk menghubungkan ini
dengan variabel keadaan lalu lintas (Susilawati et al., 2013). Satu masalah dengan
aplikasi dari beberapa distribusi statistik ini dalam penilaian keandalan waktu
perjalanan menggunakan metode Fosgerau adalah bahwa mereka mungkin tidak
memiliki hasil analitik untuk fungsi distribusi kumulatif mereka (cdf) F (x) atau
untuk inverse cdf F −1 (P). Ini adalah kasus untuk distribusi stabil dan distribusi
gamma, sehingga dapat mempersulit perhitungan nilai persentil dan definisi
eksplisit dari cdf terbalik dengan distribusi tersebut. Satu distribusi yang memiliki
bentuk aljabar yang tepat untuk cdf dan inverse cdf adalah distribusi tipe XII Burr
(Burr 1942), selanjutnya digambarkan sebagai distribusi Burr. Distribusi ini telah
menemukan penggunaan yang luas di banyak bidang teknis di mana distribusi
data miring umumnya diamati, seperti ilmu pengetahuan aktuaria dan rekayasa
keandalan. Belakangan ini distribusi ini juga telah digunakan dalam studi
variabilitas waktu perjalanan, mis. Susilawati et al., (2013), di mana ia
ditunjukkan untuk menyesuaikan beberapa set data variabilitas waktu perjalanan.

Kesimpulan dari jurnal ini adalah Rasio keandalan Fosgerau sekarang

secara luas diakui sebagai parameter kunci dalam analisis variabilitas waktu
perjalanan dan telah direkomendasikan untuk digunakan dalam penilaian
keandalan waktu perjalanan (OECD 2016). Sebagaimana dijelaskan dalam
Fosgerau (2016) rasio ditentukan dari parameter preferensi (pengguna) α, βand γ
dan, sebagaimana diperkuat dalam makalah ini, dengan bentuk ekor bagian atas
dari distribusi waktu perjalanan yang distandardisasi. Unit pengukurannya adalah
standar deviasi dari distribusi waktu perjalanan, dan ia menyediakan metrik
variabilitas waktu perjalanan yang tidak bergantung pada waktu perjalanan rata-
rata. Perhitungan rasio keandalan membutuhkan enumerasi integral dari cdf invers
dari distribusi waktu perjalanan. Perhitungan ini difasilitasi jika fungsi invers
dapat digambarkan secara analitis sebagai ekspresi aljabar yang tepat. Distribusi
Burr adalah salah satu distribusi statistik yang memiliki formula yang tepat untuk
kedua cdf dan cdf inversnya. Ini berarti bahwa nilai-nilai persentil dapat dengan
mudah dihitung untuk distribusi ini, yang berguna dalam menentukan nilai-nilai
dari metrik keandalan waktu perjalanan (seperti modifikasi FHWA Buffer Index 4
dan indeks kemiringan dan diferensial Delft) yang didasarkan pada nilai persentil.
Sementara integrasi aljabar eksplisit dari inverse Burr cdf tampaknya tidak
mungkin, integrasi numerik adalah dan ini dapat dengan mudah dilakukan
mengingat adanya persamaan bentuk tertutup untuk F −1 (P) dengan parameter c,
k dan θ, dan nilai yang ditentukan untuk parameter preferensi α, βdan γdari model
penundaan jadwal Small, seperti yang digambarkan dalam contoh kerja dan
aplikasi studi kasus yang disediakan dalam makalah ini. Ini adalah keuntungan
yang berbeda dari distribusi Burr, karena banyak dari distribusi kandidat yang lain
tidak memiliki ekspresi bentuk tertutup untuk cdf mereka, apalagi cdf invers
mereka. Makalah ini telah menunjukkan kedua fungsi dari distribusi Burr untuk
mewakili distribusi data miring seperti data waktu perjalanan, dan aplikasi yang
mudah digunakan untuk perhitungan rasio keandalan. Contoh studi kasus yang
diberikan dalam makalah menunjukkan bahwa distribusi Burr dapat memberikan
representasi yang wajar dari distribusi waktu perjalanan yang diamati.
Penggunaan distribusi Burr dapat memfasilitasi penghitungan mudah indeks
keandalan Fosgerau dan dengan demikian membantu dalam penggunaan ukuran
waktu perjalanan ini dalam evaluasi ekonomi proposal transportasi seperti yang
diusulkan oleh Fosgerau (2016).

Rangkuman Jurnal
Strategies to Improve the Efficiency of a Multimodal Interdependent
Transportation System in Disasters

Penelitian pada jurnal ini menggunakan Distribusi Poisson dalam analisis

tingkat kedatangan. Ringkasan dari jurnal ini yaitu tentang strategi untuk
meningkatkan efisiensi dalam pemilihan moda trasnportasi dengan
mempertimbangkan faktor keselamatan akibat bencana yang mungkin terjadi
selama melakukan perjalan dengan menggunakan moda transportasi tersebut.
Memeriksa efisiensi dan keandalan sistem interdependen dalam bencana
cukup menantang karenakompleksitas yang terkait dengan sifat dinamis dari pola
komuter, pembentukan titik choke, dan kekacauan yang dihasilkandari bencana
yang dapat mempengaruhi perilaku pilihan rute orang dalam menghadapi evakuasi
mendesak. Untuk lalu lintas jalan banyakInsinyur transportasi menggunakan
sistem panduan rute sebagai alat untuk mengelola lalu lintas jauh dari daerah
bencana. Denganketidakpastian dalam jaringan jalan raya saat bencana, efisiensi
sistem sangat penting dalam perencanaan manajemen bencana. Dalamkerangka
multimodal, makalah ini menawarkan strategi yang berbeda untuk meningkatkan
efisiensi sistem transportasi di berbagaisituasi bencana ketika poin choke
terbentuk. Contoh ilustratif disajikan untuk menunjukkan penerapan daristrategi.
Kesimpulan dari penelitian ini adalah penjelasan masalah transportasi
klasik, dirumuskan dan disajikan solusi untuk mengidentifikasi titik-titik choke
juga
sebagai pengguna saran (kendaraan dan transit) pada rute yang diinginkan yang
tersedia untuk memfasilitasi pilihan pengguna. Konsep menggunakanIndeks
keinginan untuk tujuan ini disajikan. Sementara pendekatan yang digunakan
menunjukkan hasil yang menjanjikan, hasil awal lebih banyak pekerjaan yang
perlu dilakukan dalam menerapkan model ini untuk jaringan jalan raya perkotaan
kehidupan nyata sepertiBaltimore City dan Washington DC menggunakan data
nyata. Ini akan membutuhkan pengumpulan data skala besar. Namun, kami yakin
model yang dihasilkan akan bermanfaat dalam membantu pengambil keputusan
dalam menentukandi mana mengalokasikan sumber daya selama bencana, untuk
memfasilitasi evakuasi lebih cepat serta mengidentifikasi jalur dengan efek paling
kecilpada kegiatan evakuasi yang dapat digunakan untuk membawa sumber daya
mitigasi bencana.

Rangkuman Jurnal
Estimating Travel Time Distribution Under Different Traffic Conditions

Pada penelitian ini menggunakan distribusi Burr XII, dilengkapi dengan

parameter skala yang diperkenalkan olehSingh dan Maddala (1976) untuk
memodelkan waktu perjalanan lebih dari lima tingkat layanan. Bagian selanjutnya
didedikasikan untuk datakoleksi.Perhitungan waktu perjalanan dan pemodelan
distribusi selama lima tingkat layanan juga disajikan, dan kalibrasi distribusi
waktu perjalanan ditingkatkan, menggunakan hubungan yang menghubungkan
waktu perjalanan.
Pengetahuan tentang distribusi waktu perjalanan sangat
diperlukan.Distribusi yang berbeda disajikan dalam literatur sebagai cara terbaik
untuk memodelkan distribusi waktu perjalanan.Richardson dan Taylor (1978),
Rakha et al., (2006), Pu (2010) dan Arezoumandi (2011) menyimpulkan untuk
Lognormaldistribusi. Polus (1979) menyimpulkan untuk distribusi Gamma;
Namun Al-Deek dan Eman (2006) mengusulkan Weibull satu. Taylor dan
Susilawati (2012) dan Susilawati dkk. (2012) mengadopsi distribusi Burr XII.
Keuntungan metode burr adalah bahwa ekornya sering cocok dengan yang
empiris. Aron dkk. (2012) disajikan perbandingan enam distribusi statistik yang
digunakan untuk memodelkan waktu perjalanan. Parameter distribusi ini
telahdiidentifikasi berdasarkan data real time yang dikumpulkan pada bagian
menenun dari jalan raya perkotaan Prancis A4-A86.

Rangkuman Jurnal
Modelling travel time reliability with the Burr distribution

Jurnal ini menunjukkan distribusi Burr sebagai model statistik yang berguna untuk
mewakili keandalan waktu perjalanan melalui studi tentangvariabilitas sehari-hari
dalam waktu perjalanan pada perjalanan di daerah perkotaan. Distribusi ini
memiliki bentuk dan kemampuan yang fleksibel.Hasil ini menyediakan sarana
untuk mempelajari keandalan waktu perjalanan secara lebih rinci, dan sejalan
dengan penelitian terbaru tentang indeks perjalanankeandalan waktu. Distribusi
Burr dapat diolah secara aljabar, yang berarti bahwa nilai persentil dapat dihitung
secara langsung.Dengan cara ini berbagai metrik keandalan waktu perjalanan,
seperti FHWA Buffer Index dan parameter kemiringan Delft dapatdihitung dari
parameter Burr yang dipasang. Ini membuka jalan untuk memasukkan keandalan
sebagai pertimbangan dalam ekonomianalisis, menggunakan metrik yang dapat
lebih mencerminkan sifat variabilitas waktu perjalanan. Contoh studi kasus,
menggambarkan metode komputasi yang diusulkan untuk metrik keandalan waktu
tempuh.
Comtoh Pengaplikasian Distribusi Burr.
ALTTRDAT berisi variasi hari-ke-hari dalam waktu perjalanan di beberapa rute
melalui Adelaidedaerah metropolitan. Pengumpulan data waktu perjalanan
dimulai pada tahun 2007 di rute pertama, Glen OsmondRute jalan. Rute lain telah
ditambahkan secara progresif sejak saat itu dan sekarang adaenam rute terpisah.
Data dikumpulkan menggunakan data GPS, menyediakan sumber yang kaya dari
data waktu perjalanan untuk setiap rute dan untuk bagian yang didefinisikan
(tautan) di dalamnya. Pengamatan selama beberapa hari, minggu, dan
bulanmemungkinkan pengembangan distribusi waktu perjalanan memanjang yang
mencerminkan variasi hari-demi-hari dalam perjalanan yang dialami oleh
komuter, dan dengan demikian memberikan pengalaman dan persepsi mereka
tentang rute. The GlenRute Osmond Road ditunjukkan dengan warna merah pada
Gambar 1. Ini dibagi menjadi tujuh tautan, dan Tautan 3 dan 5 ditampilkan
padapeta.
Rute Glen Osmond Road adalah 5.920 km panjang. 2.204 km pertama (dari awal,
di ujung selatan, keJalan Fullarton - lihat Gambar 1) adalah jalan arteri satu jalur
empat lajur melewati sebagian besar jalan(pemukiman dengan kepadatan rendah).
Bagian dari Fullarton Road ke Greenhill Road (Link 3 pada Gambar 1) jugajalan
arteri satu jalur empat lajur, tetapi melalui area komersial / ritel campuran. Tautan
ini adalah 1.064 kmpanjang. Jalan Greenhill ke Teras Selatan (0,776 km) adalah
jalan arteri yang terbagi empat jalur melalui taman-taman. A 60Batas kecepatan
km / jam berlaku untuk semua bagian rute sebelumnya ini, dan pembatasan
clearway berlaku di pagi haripuncak (waktu hari untuk waktu perjalanan berjalan)
sehingga parkir di pinggir jalan dilarang pada waktu itu. Sisa darirute terletak di
distrik pusat bisnis Adelaide (CBD) dan batas kecepatan 50 km / jam berlaku di
sana. Tautan 5 (lihatGambar 1) berada di sepanjang Hutt Street, sebuah jalan kafe
/ restoran yang populer, yang merupakan empat jalur lalu lintas yang dibagi
dengan sudutparkir di setiap sisi. Bagian rute ini sepanjang 0,791 km. Sisa 1.085
km dari rute terus berlanjutCBD di jalan raya jalur satu lajur tunggal atau jalan
raya jalur empat lajur (keduanya dengan terpisahjalur parkir). Ada 17 set sinyal
lalu lintas di sepanjang rute, dan semua tautan kecuali yang terakhir berakhir pada
sinyal lalu lintas. Tautan terakhir berakhir di pintu masuk parkir mobil. Distribusi
Burr telah dipasangkan ke data untuk rute lengkap, dan ke tautan individu di rute
tersebut,menggunakan kemungkinan maksimum untuk memperkirakan parameter
distribusi. Tabel 2 menunjukkan estimasi parameter danhasil uji goodness of fit
untuk rute dan untuk Link 3 dan 5. Beberapa metrik waktu perjalanan - Buffer
Time Indexdan Delft metrics - dihitung menggunakan estimasi parameter Burr
kemudian ditunjukkan pada Tabel 3.Nilai λmelebihi satu menunjukkan condong
ke kanan (bagian atas) dari distribusi, dan nilaisemakin tinggi, semakin besar
kemiringan. λ Menunjukkan penyebaran data tentang median, dan nilai 0,6908
menunjukkanbahwa besarnya kisaran tengah 80 persen dari data adalah sekitar 69
persen dari nilai median.
Contoh khas dari distribusi pas, Gambar 3 menunjukkan histogram yang diamati
dan Burr pdf untuk Link 5. karakteristik ekor panjang dalam data yang diamati,
mencerminkan kecondongan yang melekat dalam data, terlihat jelas. Jurnal ini
telah menyarankan distribusi statistik baru, distribusi Burr, sebagai model statistik
yang berguna untukmewakili keandalan waktu perjalanan melalui studi
variabilitas sehari-hari dalamwaktu perjalanan pada perjalanan di perkotaan
daerah.Distribusi ini memiliki bentuk yang fleksibel dan kemampuan untuk
menggambarkan ekor bagian atas yang sangat panjang terlihat pada distribusi
distribusi variasi waktu perjalanan. Ini adalah hasil yang bermanfaat karena itu
menyediakan sarana untuk mempelajari keandalan waktu perjalanan secara lebih
rinci, dan sejalan dengan penelitian terbaru tentang yang sesuai
indeks untuk mengukur reliabilitas.
Keuntungan lebih lanjut dari distribusi Burr adalah traktilitas aljabar, yang
berartinilai persentil dapat dihitung secara langsung. Dengan cara ini berbagai
metrikkeandalan waktu perjalanan, seperti FHWABuffer Index dan parameter
kemiringan Delft dapat dihitung secara langsung dalam hal parameter Burr yang
dipasang.
Metrik ini semuanya berdasarkan nilai persentil untuk distribusi waktu
perjalanan.Ini membuka jalanMenujudimasukkannya keandalan sebagai
pertimbangan dalam analisis ekonomi, menggunakan metrik yang dapat lebih
mencerminkan sifatvariabilitas waktu perjalanan. Contoh studi kasus,
menggunakan data dunia nyata, digunakan untuk menggambarkan usulan tersebut
metode komputasi untuk metrik keandalan waktu perjalanan.

Rangkuman Jurnal
Binomial and multinomial regression models for predicting thetactical
choices of bicyclists at signalised intersections

Pada jurnal ini Model regresi binomial dan multinomial diestimasi dan
dievaluasi menggunakan paket perangkat lunak statistik R (The R)Foundation,
2016). Fungsi eliminasi fitur rekursif (RFE) dari paket pelatihan klasifikasi dan
regresicaret (Kuhn, 2016) digunakan untuk mengidentifikasi set prediktor yang
paling kuat dari 37 variabel menggunakan gabungan mundurseleksi dan k-fold
cross validation. Model yang dikurangi disajikan dalam makalah ini karena detail
yang ditawarkan dianggapcukup untuk aplikasi dalam simulasi lalu lintas
mikroskopis.
Pengendara sepeda adalah pengguna jalan yang sangat fleksibel yang
menggunakan berbagai perilaku taktis untuk mengoptimalkankenyamanan,
keterusterangan dan efisiensi waktu saat melintasi persimpangan sinyal.Pilihan
taktis yang dihadapi oleh pengendara sepeda di persimpangan yang ditandai
termasuk apakah akan menggunakanjalur sepeda, jalan raya atau trotoar, untuk
berhenti atau melanggar sinyal lalu lintas merah, untuk berkendara bersamaatau
terhadap arah perjalanan wajib dan metode pelaksanaan belokan kiri. Ituhasil dari
pilihan ini memiliki dampak langsung pada keselamatan lalu lintas dan efisiensi di
persimpangan.
Dalam tulisan ini, terungkap data pilihan dari 4710 bicyclists di empat
persimpangan diMunich, Jerman digunakan untuk mengestimasi model regresi
logistik binomial dan multinomialuntuk memprediksi hasil pilihan taktis. Set
prediktor optimal dipilih dari utamadan efek interaksi dua arah dari 43 variabel
independen yang menggambarkan situasi,perilaku strategis dan pilihan taktis
sebelumnya dari pengendara sepeda menggunakan eliminasi fitur rekursif.Model
yang disederhanakan diperkirakan menggunakan variabel yang signifikan secara
statistik dari yang optimalset prediktor. Kekuatan prediksi dari model regresi yang
dihasilkan dinilai menggunakank-fold cross validation. Model untuk memprediksi
respons terhadap sinyal merah dan jenis kirigiliran menunjukkan kekuatan
prediktif yang tinggi sementara prediksi pemilihan infrastrukturdan arah
perjalanan terbukti sulit.
 Data pilihan dari bicyclists di empat persimpangan penelitian di Munich,
Jerman digunakan untuk mengembangkan logistic model regresi. Munich adalah
kota dengan 1,3 juta penduduk di mana sekitar 14% perjalanan dilakukan dengan
sepeda.Jaringan sepeda, yang terdiri dari jalur sepeda, di jalan dan jalur sepeda
terpisah dan jalan-jalan sepedalebih dari 1200 km (München, 2010).
Persimpangan dipilih dengan berbagai jenis infrastruktur sepeda (on-roadjalur
sepeda, jalur sepeda yang terpisah dan tidak ada infrastruktur sepeda khusus),
volume sepeda dan lalu lintas kendaraan bermotordan geometri jalan. Segmen dua
jam dari data video yang direkam selama jam sibuk pagi di setiap persimpangan
adalahdipilih untuk analisis perilaku terperinci. Data yang menjelaskan perilaku
taktis para pengendara sepeda dan situasi dipersimpangan diekstraksi secara
manual. Akhirnya, informasi waktu dari sinyal yang digerakkan oleh lalu lintas
dipasok olehKota Munich dan terkait dengan data yang diamati menggunakan
stempel waktu yang dikoreksi.
Sebanyak 37 variabel independen yang menggambarkan pilihan taktis strategis
dan sebelumnya dari pengendara sepeda serta situasionalnyafaktor digunakan
sebagai prediktor dalam model regresi logistik. Representasi visual dari variabel
independen yang dipilihdan variabel dependen (pilihan taktis) ditunjukkan pada
Gambar. 1.Variasi yang cukup dalam variabel independen dijamin melalui
pemilihan persimpangan penelitian denganpendekatan yang berbeda satu sama
lain dalam hal arus lalu lintas dan geometri. Variabel yang menggambarkan
keberadaan jalan lainpengguna serta keadaan kontrol sinyal pada saat seorang
pengendara sepeda tiba memberikan variasi lebih lanjut antar kasus. Sebuah
daftardari variabel independen kategoris dengan frekuensi yang diamati
ditunjukkan pada Tabel 1. Variabel independen berkelanjutandengan statistik
deskriptif diberikan pada Tabel 2.Sebuah model regresi logistik untuk masing-
masing pilihan taktis ditentukan dan dikalibrasi menggunakan eliminasi fitur
rekursif,yang menggabungkan k-fold cross validation dan predictor selection
berdasarkan kemungkinan log dari model. Efek utama daninteraksi dua arah
antara variabel situasional yang tercantum dalam Tabel 1 dan 2 digunakan sebagai
set awal variabel penjelas.Langkah-langkah berikut ini diambil untuk
mengidentifikasi set variabel penjelas yang optimal untuk masing-masing model
pilihan taktisdan memperkirakan parameter b yang sesuai.

Model regresi yang dihasilkan berkurang disajikan dalam bagian ini.

Pilihan taktis yang dipilih untuk analisis, semuayang dijelaskan menggunakan
variabel nominal dengan dua atau tiga kategori, tercantum dalam Tabel 3 bersama
dengan nomordan persentase pengendara sepeda mengamati melaksanakan setiap
opsi taktis.Untuk masing-masing pilihan taktis, set prediktor optimal diidentifikasi
menggunakan eliminasi fitur rekursif dan k-foldvalidasi silang. Model terakhir
diperkirakan menggunakan prediktor yang ditemukan secara statistik signifikan (p
= 0,01). Prediktordisortir oleh kekuatan prediktif mereka dalam efek utama dan
efek interaksi. Prediktor terpenting di masing-masingmodel didiskusikan dan
dibandingkan dengan temuan penelitian sebelumnya.
Temuan yang disajikan dalam makalah ini berguna untuk memahami hubungan
antara pilihan taktis pengendara sepedadi persimpangan yang ditandai dan faktor
situasional, pilihan taktis strategis dan sebelumnya dari pengendara sepeda.
Walaupunperilaku taktis pengendara sepeda memiliki pengaruh penting terhadap
keselamatan pengendara sepeda dan efisiensi lalu lintas secara keseluruhan,
beberapa studitelah membahas topik ini. Temuan dari makalah ini memberikan
wawasan tentang faktor-faktor yang mempengaruhi perilaku taktis para
pengendara sepedadi persimpangan. Metodologi yang digunakan untuk
mengidentifikasi faktor-faktor ini dapat diimplementasikan di lokasi penelitian
lain untuk dipertanggungjawabkanuntuk variasi antar lokasi.
Hasilnya berguna untuk memprediksi perilaku pengendara sepeda dan merancang
infrastruktur dan kontrol lalu lintas yang dibutuhkanpengetahuan ini menjadi
pertimbangan. Misalnya, manuver seorang pengendara sepeda ditemukan
memiliki pengaruh yang kuat pada suatu angkapilihan taktis di persimpangan,
termasuk reaksi terhadap lampu merah, arah perjalanan dan pemilihan
infrastruktur. Jikatingkat balik dikenal untuk persimpangan yang diberikan,
tingkat perilaku melanggar aturan seperti pelanggaran lampu merah dan
naikterhadap arah perjalanan wajib dapat diprediksi. Informasi tambahan yang
menggambarkan atribut statis daripersimpangan, seperti geometri dan volume lalu
lintas rata-rata, memberikan masukan lebih lanjut untuk memprediksi perilaku
taktis tanpamenggunakan atribut dinamis. Jika mungkin untuk menentukan
keadaan dinamis dari persimpangan, termasuk jumlah pengguna jalan saat ini dan
keadaan sinyal lalu lintas, hasil pilihan dapat diprediksi dengan lebih akurat.
Kemungkinan aplikasi model dinamis termasuk simulasi arus lalu lintas, sistem
bantuan pengemudi dan mengemudi otonomsistem.Ada variasi yang cukup besar
antara kekuatan prediktif dari empat model regresi. Model diperkirakan
memprediksireaksi terhadap sinyal merah dan jenis manuver belok kiri mampu
memprediksi setiap kategori pilihandengan akurasi luar biasa. Sebaliknya, model
pemilihan infrastruktur dan arah model perjalanan mengalami
kesulitanmemprediksi hasil pilihan yang jarang terjadi. Dua penjelasan yang
mungkin untuk variasi ini disarankan. Pertama, taktisperilaku dapat dimotivasi
oleh berbagai jenis faktor. Perilaku taktis yang sangat dapat dijelaskan
menggunakanmodel regresi yang dikembangkan cenderung termotivasi oleh
faktor-faktor situasional yang secara eksternal dapat diamati. Kesulitan dalam
memprediksisetidaknya satu dari hasil untuk perilaku yang tersisa, arah perjalanan
dan pemilihan infrastruktur, menunjukkanbahwa faktor motivasi untuk pilihan ini
bersifat intrinsik atau tidak dapat diamati di area observasi terbatassatu
persimpangan. Kekuatan prediktif dari model yang diestimasikan adalah indikasi
yang mana melanggar perilaku para pengendara sepedadapat diatasi melalui
desain infrastruktur dan kontrol sinyal lalu lintas dan yang berakar pada faktor-
faktor yang tidak dapat diamati. Itudaya prediksi yang tinggi dari model untuk
reaksi terhadap sinyal merah dan jenis manuver belok kiri menunjukkan bahwa
iniperilaku dapat dimodifikasi dengan mengubah situasi di persimpangan.
Berkendara melawan arah perjalanan yang diberikan danpemilihan infrastruktur,
di sisi lain, mungkin lebih responsif terhadap tindakan yang lebih lunak seperti
kampanye keselamatan dan lalu lintaspenegakan aturan.Penjelasan kedua yang
mungkin untuk variasi dalam kekuatan prediktif adalah jumlah pengamatan untuk
masing-masing pilihanhasil. Data observasi untuk model dengan daya prediksi
yang lebih tinggi (manuver belok kiri dan reaksi sinyal merah)berisi distribusi
hasil pilihan yang relatif seimbang. Sebaliknya, pilihan taktis yang didominasi
olehsatu hasil (misalnya menggunakan jalur sepeda dan naik dengan arah
perjalanan wajib) ditemukan lebih sulitmemprediksi menggunakan model regresi.
Rendahnya jumlah observasi untuk kejadian yang jarang terjadi membuatnya
sangat sulit untuk dilihatpola dalam variabel independen yang mengarah pada
hasil ini. Ini dikompensasi dalam makalah ini dengan memilih bervariasiambang
klasifikasi dan prediksi pemaksaan ke dalam kategori yang jarang terjadi. Namun,
prediksi ini dipaksakansering salah, mengarah ke nilai prediktif negatif (atau
positif) yang sangat rendah. Integrasi pengamatan lebih lanjut dari
tambahanpersimpangan dengan karakteristik geometrik dan lalu lintas yang
berbeda dapat meningkatkan kekuatan prediksi regresi inimodel.
Namun demikian, mengingat akurasi yang tinggi dan keberhasilan prediksi yang
relatif seimbang untuk semua hasil yang mungkin, yangmodel regresi
dikembangkan untuk pemilihan manuver belok kiri dan respons terhadap sinyal
merah dapat digunakan olehpeneliti dan praktisi untuk memprediksi hasil dari
pilihan-pilihan ini. Efek dari faktor intrinsik, seperti sosioekonomikarakteristik
pengendara sepeda, ciri-ciri kepribadian (misalnya agresivitasdan kegelisahan),
serta faktor-faktor itudapat diamati jarak jauh (mis. pilihan rute) pada pilihan
taktis pengendara sepeda dipersimpangan yang ditandai akanmenjadi
perpanjangan menarik dari pekerjaan ini untuk penelitian masa depan.