Diajukan oleh
Yohanes Andika Suryo Negoro
16/404509/PTK/10926
TESIS
ANALISIS PENGARUH PENGOPERASIAN INTERCHANGE
TERHADAP RUAS JALAN NASIONAL KAWASAN INDSTRI CIKANDE
LEMBAR PESAHAN
dipersiapkan dan disusun oleh:
PUNTA RAMANDYA
16 / 404495 / PTK / 10912
Telah dipertahankan di depan Dewan Penguji
Pada tanggal 2018
Susunan Dewan Penguji
Pembimbing Utama
PERNYATAAN
Dengan ini saya menyatakan bahwa dalam Tugas Akhir ini tidak terdapat karya
yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan
Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat
yang pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis
diacu dalam naskah ini dan disebutkan dalam daftar pustaka.
KATA PENGANTAR
Segala syukur dan puji hanya bagi Tuhan Yesus Kristus, oleh karena
anugerah-Nya yang melimpah, kemurahan dan kasih setia yang besar akhirnya
Tol Periode Liburan” ini diajukan untuk memenuhi salah satu persyaratan
memperoleh derajat magister pada Program Studi Magister Sistem dan Teknik
telah membantu dalam penyelesaian tesis ini. Ucapan tersebut ditujukan kepada:
1. Bapal Dr. Ir. Latif Budi Suparma, M.Sc., selaku Ketua Pengelola Program
Studi MSTT.
2. Bapak Prof. Dr-Ing. Ir. Ahmad Munawar, M.Sc. selaku Dosen Pembimbing
Utama.
3. Bapak Prof. Eng. Muh. Zudhy Irawan, S.T., M.T selaku Dosen Pembimbing
Pendamping.
4. Bapak Prof. Ir., Sigit Priyanto, M.Sc., Ph.D., selaku Dosen Penguji.
5. Para staf dan pengurus Program Studi Magister Sistem dan Teknik
ini berlangsung.
7. Orang tua, seluruh keluarga dan Rahmawati S.K tercinta, serta rekan-rekan
Akhirnya kata semoga tesis ini dapat bermanfaat bagi dunia akademisi
. Penulis
v
DAFTAR ISI
HALAMAN JUDUL
LEMBAR PESAHAN............................................................................................ i
PERNYATAAN .................................................................................................... ii
KATA PENGANTAR ........................................................................................... iii
DAFTAR ISI ......................................................................................................... v
DAFTAR TABEL ................................................................................................. viii
DAFTAR GAMBAR ............................................................................................. x
INTISARI .............................................................................................................. xiv
ABSTRACT .......................................................................................................... xv
BAB 1 PENDAHULUAN .................................................................................... 1
1.1 Latar Belakang ....................................................................................... 1
1.2 Rumusan Masalah .................................................................................. 2
1.3 Tujuan Penelitian ................................................................................... 3
1.4 Batasan Penelitian .................................................................................. 3
1.5 Manfaat Penelitian ................................................................................. 4
1.6 Keaslian Penelitian ................................................................................. 4
BAB 2 TINJAUAN PUSTAKA ............................................................................ 7
2.1 Manajemen dan Rekayasa Lalu Lintas .................................................... 7
2.2 Manajemen Kecepatan ........................................................................... 7
2.3 Jalan Tol ................................................................................................ 8
2.4 Gerbang Tol/Pintu Tol............................................................................ 8
2.5 Sistem Antrian untuk Gardu Tol ............................................................. 9
2.6 Golongan Kendaraaan ............................................................................ 12
2.7 Perilaku Mengemudi dan Karakteristik Arus Lalu Lintas ........................ 13
2.8 Model Simulasi Lalulintas ...................................................................... 13
2.8.1 Simulasi makroskopik ..................................................................... 15
2.8.2 Simulasi Mikroskopik ..................................................................... 15
2.8.3 Simulasi Mesoskopik....................................................................... 16
2.8.4 Simulasi Lalulintas dan Transportasi di Indonesia (State of the Art). 17
2.8.5 Kalibrasi dan Validasi Vissim.......................................................... 17
vi
DAFTAR TABEL
Tabel 2. 1 Rata-rata Waktu Pelayanan Gardu Tol Otomatis dan Gardu Tol .......... 12
Tabel 2. 2 Rata-rata Waktu Tunggu Dalam Antrian Gardu Tol Otomatis.............. 12
Tabel 2. 3 Rata-rata Waktu Tunggu Dalam Sistem Gardu Tol Otomatis dan
Gardu Tol Reguler ............................................................................. 12
Tabel 2. 4 Golongan Kendaraan ........................................................................... 12
Tabel 2. 5 Perbandingan perangkat model simulasi mikroskopik lalulintas ........... 22
Tabel 3. 1 Nilai EMP untuk tipe JBH 2/2 UD MKJI 1997 .......................... . .... 28
Tabel 3. 2 Nilai EMP untuk tipe JBH 4/2 D JBH MKJI 1997 ............................... 28
Tabel 3. 3 Nilai kapasitas dasar JBH MKJI 1997.................................................. 29
Tabel 3. 4 Faktor Penyesuaian Kapasitas Akibat Pemisahan Arah MKJI 1997 ..... 29
Tabel 3. 5 Faktor Penyesuaian Kapasitas Akibat Lebar Jalur Lalu Lintas MKJI
1997 .................................................................................................. 30
Tabel 5. 1 Pengklasifikasian kendaraan dalam penelitian ............................ . .... 65
Tabel 5. 2 Volume kendaraan selama 24 Jam ruas JBH Cikampek-Palimanan...... 66
Tabel 5. 3 Komposisi kendaraan selama 24 Jam ruas JBH Cikampek-Palimanan . 67
Tabel 5. 4 Perbandingan Uji Statistik Chi Square Model Greenshield, Greenberg
dan Underwood ................................................................................... 71
Tabel 5. 5 Distribusi headway JBH Cikampek-Palimanan arah Palimanan ........... 73
Tabel 5. 6 Kecepatan operasional rata-rata per jenis kendaraan ............................ 73
Tabel 5. 7 Perbandingan jumlah sampel kecepatan yang diambil dengan jumlah
sampel seharusnya.............................................................................. 74
Tabel 5. 8 Waktu pembayaran tarif tol rata-rata per jenis kendaraan ..................... 76
Tabel 5. 9 Perbandingan jumlah sampel waktu pembayaran tarif tol per jenis
kendaraan yang diambil dengan jumlah sampel seharusnya ............... 76
Tabel 5. 10 Proses kalibrasi pada penelitian Penentuan Nilai Kapasitas Jalan
Bebas Hambatan Dengan Aplikasi Perangkat Lunak Vissim oleh
Redi Aditya Yulianto (2016) ........................................................... 89
Tabel 5. 11 Perbandingan Hasil Survei dan Hasil Pemodelan Vissim ................... 90
Tabel 5. 12 Hasil Uji Chi Square dengan parameter volume kendaraan ................ 91
Tabel 5. 13 Hasil Uji Chi Square dengan parameter kecepatan kendaraan ............ 91
Tabel 5. 14 Hasil Uji GEH dengan parameter volume kendaraan ........................ 92
Tabel 5. 15 Hasil Uji GEH dengan parameter kecepatan kendaraan..................... 93
ix
Tabel 5. 16 Hasil Uji RMSE dan MAPE dengan parameter volume kendaraan ...... 94
Tabel 5. 17 Hasil Uji RMSE dan MAPE dengan parameter kecepatan kendaraan .. 94
Tabel 5. 18 Hasil Uji Chi Square, GEH, RMSE dan MAPE dengan parameter
volume kendaraan ........................................................................... 95
Tabel 5. 19 Hasil Uji Chi Square, GEH, RMSE dan MAPE dengan parameter
kecepatan kendaraan........................................................................ 96
Tabel 5. 20 Desired speed kondisi lapangan ......................................................... 99
Tabel 5. 21 Desired speed skenario 1 ................................................................... 99
Tabel 5. 22 Desired speed skenario 2 ................................................................... 103
Tabel 5. 23 Desired speed skenario 3 ................................................................... 107
Tabel 5. 24 Jumlah antrian kendaraan kondisi do nothing dan 5 (lima) skenario ... 120
Tabel 5. 25 Perbandingan kondisi do nothing dan 5 skenario hasil simulasi
Vissim............................................................................................ 120
x
DAFTAR GAMBAR
Gambar 5. 11 Foto satelit JBH Cikampek km. 81 – Exit Tol Palimanan km. 189 .. 78
Gambar 5. 12 Foto satelit Exit Tol Palimanan km.189 .......................................... 78
Gambar 5. 13 Proses pembuatan link pada Vissim................................................ 79
Gambar 5. 14 Tampilan pengaturan tipe kendaraan .............................................. 80
Gambar 5. 15 Proses pengkombinasian antara traktor dengan trailer .................... 81
Gambar 5. 16 Tampilan pengelompokkan model kendaraan dalam tipe
kendaraan ................................................................................ 82
Gambar 5. 17 Tampilan pengaturan kelas kendaraan dalam Vissim ...................... 82
Gambar 5. 18 Tampilan pengaturan komposisi lalulintas ...................................... 83
Gambar 5. 19 Proses masukan data distribusi kecepatan....................................... 83
Gambar 5. 20 Pemilihan kategori karakteristik berkendara (Freeway) .................. 84
Gambar 5. 21 Tampilan menu pengaturan perilaku mengemudi dengan
karakteristik Jalan bebas hambatan (Wiedemann 99) ............... 85
Gambar 5. 22 Tampilan menu pengaturan result attributes................................... 87
Gambar 5. 23 Tampilan menu pengaturan direct output ....................................... 87
Gambar 5. 24 Perubahan parameter Lateral kondisi do nothing dalam Vissim ..... 98
Gambar 5. 25 Perubahan parameter Lateral skenario 1, 2 dan 3 dalam Vissim...... 98
Gambar 5. 26 Rambu Larangan Menjalankan Kendaraan dengan Kecepatan
Lebih dari 60 km/jam ................................................................. 101
Gambar 5. 27 Rambu larangan mendahului dari sebelah kiri ................................ 101
Gambar 5. 28 Piktogram Rambu Elektronik Larangan Menjalankan Kendaraan
dengan Kecepatan Lebih dari 60 km/jam ....................................... 101
Gambar 5. 29 Rambu petunjuk lajur untuk kendaraan yang lebih lambat serta
rambu petunjuk lajur untuk mendahului ....................................... 102
Gambar 5. 30 Rambu petunjuk bus dan truk gunakan lajur kiri ............................ 102
Gambar 5. 31 Ilustrasi penindakan menggunakan rekaman peralatan elektronik ... 102
Gambar 5. 32 Rambu Larangan Menjalankan Kendaraan dengan Kecepatan
Lebih dari 80 km/jam ................................................................. 104
Gambar 5. 33 Piktogram Rambu Elektronik Larangan Menjalankan Kendaraan
dengan Kecepatan Lebih dari 80 km/jam...................................... 104
Gambar 5. 34 Rambu larangan mendahului dari sebelah kiri ................................ 105
xii
Gambar 5. 35 Rambu petunjuk bus dan truk gunakan lajur kiri ............................ 105
Gambar 5. 36 Rambu petunjuk lajur untuk kendaraan yang lebih lambat serta
rambu petunjuk lajur untuk mendahului ....................................... 105
Gambar 5. 37 Ilustrasi penindakan menggunakan rekaman peralatan elektronik ... 106
Gambar 5. 38 Rambu Larangan Menjalankan Kendaraan dengan Kecepatan
Lebih dari 100 km/jam ............................................................... 107
Gambar 5. 39 Piktogram Rambu Elektronik Larangan Menjalankan Kendaraan
dengan Kecepatan Lebih dari 100 km/jam .................................... 108
Gambar 5. 40 Rambu petunjuk lajur untuk kendaraan yang lebih lambat serta
rambu petunjuk lajur untuk mendahului ....................................... 108
Gambar 5. 41 Rambu larangan mendahului dari sebelah kiri ................................ 108
Gambar 5. 42 Rambu petunjuk bus dan truk gunakan lajur kiri ............................ 109
Gambar 5. 43 Ilustrasi penindakan menggunakan rekaman peralatan elektronik ... 109
Gambar 5. 44 Reduce speed pada skenario 4 ........................................................ 110
Gambar 5. 45 Perlambatan pada 2 (dua) titik ruas JBH Cikampek km. 81 – Exit
Tol Palimanan km. 189 ................................................................. 110
Gambar 5. 46 Rambu Larangan Menjalankan Kendaraan dengan Kecepatan
Lebih dari 60 km/jam ................................................................. 111
Gambar 5. 47 Piktogram Rambu Elektronik Kurangi Kecepatan Kendaraan
Anda Kecepatan Maksimum 60 km/jam ..................................... 111
Gambar 5. 48 Rambu batas akhir larangan kecepatan maksimum 60 km/jam ....... 111
Gambar 5. 49 Rambu larangan mendahului dari sebelah kiri ................................ 112
Gambar 5. 50 Rambu petunjuk bus dan truk gunakan lajur kiri ............................ 112
Gambar 5. 51 Rambu petunjuk lajur untuk kendaraan yang lebih lambat serta
rambu petunjuk lajur untuk mendahului ....................................... 112
Gambar 5. 52 Ilustrasi pemasangan rambu perlambatan lalu lintas ....................... 112
Gambar 5. 53 Ilustrasi penindakan menggunakan rekaman peralatan elektronik ... 113
Gambar 5. 54 Reduce speed pada skenario 5 ........................................................ 114
Gambar 5. 55 Perlambatan pada 3 (tiga) titik ruas JBH Cikampek km. 81 – Exit
Tol Palimanan km. 189 ................................................................. 114
xiii
INTISARI
Data dari Badan Pusat Statistik (BPS) tahun 2016 jumlah kepemilikan mobil
penumpang di wilayah Provinsi DKI Jakarta mencapai 3.525.925 unit,
mengakibatkan tingginya volume perjalanan dari wilayah Jakarta dan sekitarnya
pada masa libur panjang yang berimbas pada antrian kendaraan pada Exit gerbang
Tol Palimanan. Data pengelola Jalan Tol Cipali tahun 2015 sebesar 35 persen
kendaraan melaju di atas 100 km/jam, dengan karakteristik pengemudi yang
cenderung untuk memacu kendaraan dengan kecepatan tinggi dan volume
kendaraan yang tinggi menyebabkan permasalahan antrian kendaraan pada Exit
Gerbang Tol.
ABSTRACT
Data from the Central Bureau of Statistics (BPS) in 2016 number of passenger car
ownership in the area of Jakarta Province reached 3,525,925 units, resulting in
high volume of travel from Jakarta and surrounding areas during the long holiday
which impact on the queue of vehicles at the Exit gate Palimanan Toll. According
to data from Cipali toll road management in 2015, 35 percent of vehicles drove
over 100 km / h, with the characteristics of drivers who tend to drive vehicles with
high speed and high vehicle volume causing problems queue of vehicles at Exit
Toll gate.
This study aims to identify whether speed management can reduce the queue at
toll gate Exit, with the help of Vissim software. Data collection by survey of road
segment inventory, traffic congregation and spot speed. Analysis using Vissim
simulation software with data input stage, calibration, running model and out put
data to be validated with statistical test, then conducted running model on 5 speed
management scenario.
The result of the research shows that speed management influence to queue of
vehicle at Exit of Toll gate during Vacation period with scenario 1 result can
decrease vehicle queue amount 45.56%, scenario 2 is 50.85%, scenario 3 is
65.55%, scenario 4 is 3.71% and scenario 5 is 9.51%.
Hari libur atau liburan adalah suatu masa di mana orang-orang meluangkan
waktu yang bebas dari pekerjaan atau persekolahan. Umumnya liburan terjadi
pada pertengahan tahun atau akhir tahun, juga pada hari raya dan terkadang hari
libur resmi dijadwalkan atau secara kebetulan membentuk akhir pekan panjang.
Data dari Badan Pusat Statistik (BPS) tahun 2016 jumlah kepemilikan mobil
penumpang di wilayah Provinsi DKI Jakarta mencapai 3.525.925 unit, dengan
tingginya kepemilikan kendaraan pribadi mengakibatkan tingginya volume
perjalanan kendaraan pribadi dari wilayah Jakarta dan sekitarnya pada masa libur
panjang yang melakukan perjalanan ke luar kota, sehingga menyebabkan
kepadatan lalu lintas pada ruas Jalan Tol Dalam Kota sampai dengan ruas Jalan
Tol Cikampek yang berimbas pada antrian kendaraan pada Exit Gerbang Tol
Palimanan, seperti yang telah terjadi pada Hari Libur peringatan Kenaikan Isa
Almasih yang jatuh pada Hari Kamis 5 Mei dan Isra Miraj yang jatuh Hari
Jum’at 6 Mei 2016 terjadi antrian kendaraan sepanjang 10 km pada Exit gerbang
Tol Palimanan (Liputan6.com, Cirebon 2016, https://www.liputan6.com/news
/read/ 2500074/tol-cipali-macet-10-km-puncaknya-malam-ini, 5 Mei 2016).
Data dari PT. Lintas Marga Sedaya (LMS) tahun 2015 selaku pengelola Jalan
Tol Cipali berdasarkan survey yang telah dilakukan di lapangan, faktanya
kecepatan kendaraan Golongan I kondisi normal cenderung melebihi batas
kecepatan maksimal, rata-rata sekitar 105 km/jam dan sekitar 35 persen
kendaraan Golongan I melaju di atas 100 km/jam, dengan karakteristik
pengemudi yang cenderung untuk memacu kendaraan dengan kecepatan tinggi
agar cepat sampai tujuan pada periode liburan dan volume kendaraan yang
tinggi menyebabkan antrian kendaraan pada Exit gerbang Tol Palimanan.
Kondisi ini didukung oleh desain Jalan Tol Cipali dengan jalan yang lurus dan
1
2
Tujuan dari penelitian ini yaitu apakah manajemen kecepatan dapat mengurangi
antrian pada pintu tol, dengan pendekatan simulasi lalulintas dengan bantuan
perangkat lunak Vissim, sebagai salah satu media simulasi lalulintas dengan
sasaran antara lain:
1. Menganalisis apakah pendekatan simulasi lalulintas dapat menggambarkan
kondisi lalulintas sebenarnya di lapangan.
2. Menganalisis pengaruh manajemen kecepatan terhadap antrian pada Exit
Gerbang Tol pada periode Liburan.
3. Menganalisis apakah manajemen kecepatan dapat dilakukan dengan
menggunakan pendekatan simulasi lalulintas.
4. Menyimpulkan apakah pendekatan simulasi dapat dijadikan sebagai alternatif
dalam menyelesaikan permasalahan antrian pada Exit Gerbang Tol
menggunakan strategi manajemen kecepatan pada periode Liburan di masa
yang akan datang.
2. Data volume kendaraan diperoleh pada periode Libur Panjang Natal Tahun
2017.
3. Proses simulasi lalulintas menggunakan perangkat lunak Vissim sebagai
simulator lalulintas dengan tinjauan secara mikroskopik. Penelitian akan
difokuskan dalam menentukan panjang antrian pada Exit Gerbang Tol
Palimanan dengan parameter volume kendaraan dan kecepatan kendaraan
terukur yang digunakan sebagai data masukan, maupun sebagai kalibrasi dan
validasi hasil simulasi.
Manfaat yang diharapkan akan diperoleh dari penelitian ini adalah sebagai
berikut:
1. Penelitian dapat bermanfaat bagi berbagai institusi terkait seperti lembaga
pemerintahan terkait, lembaga akademisi, maupun pihak-pihak lainnya yang
memiliki kepentingan terkait dengan bidang lalulintas, khususnya mengenai
kapasitas dan kinerja lalulintas jalan.
2. Dengan penerapan manajemen kecepatan lalu lintas, diharapkan dapat
mengurangi antrian yang terjadi pada Exit Gerbang Tol Palimanan dan
meningkatkan keselamatan lalu lintas.
Ada beberapa penelitian yang pernah dilakukan Pada beberapa tahun belakangan
ini penelitian yang berhubungan dengan manajemen kecepatan dan antrian pada
gerbang tol maupun penggunaan simulasi dalam penentuan kinerja lalulintas telah
banyak dilakukan, diantaranya yaitu:
1. Munawar dan Winnetou (2015), dengan judul Penggunaan Software Vissim
untuk evaluasi hitungan MKJI 1997 Kinerja Ruas Jalan Perkotaan (Studi
Kasus: Jalan Affandi, Yogyakarta). Penelitian yang dilakukan yaitu
mensimulasikan kondisi lalulintas di ruas jalan perkotaan dengan perangkat
lunak Vissim, perbandingan dilakukan terhadap parameter kecepatan antara
MKJI 1997 dengan Vissim maupun dengan observasi di lapangan. Hasil
5
kiri, tengah, dan kanan, serta antara kapasitas jalan tol yang melalui perkotaan
dan melalui antar kota, dimana kedua hal ini tidak dibedakan dalam MKJI
1997 dalam nilai kapasitas dasarnya.
PM 96 tahun 2015 tentang Manajemen dan Rekayasa Lalu Lintas di Jalan Pasal 1
ayat 1, Manajemen dan rekayasa lalu lintas adalah serangkaian usaha dan kegiatan
yang meliputi perencanaan, pengadaan, pemasangan, pengaturan, dan
pemiliharaan fasilitas perlengkapan jalan dalam rangka mewujudkan, mendukung
dan memilihara keamanan, keselamatan ketertiban dan kelancaran lalu lintas.
7
8
3. Dilarang menaikkan atau menurunkan penumpang dan atau barang dan atau
hewan di gerbang tol (PP No. 15 Th 2005, Pasal 25 ayat 4).
Tabel 2. 1 Rata-rata Waktu Pelayanan Gardu Tol Otomatis dan Gardu Tol
Tabel 2. 3 Rata-rata Waktu Tunggu Dalam Sistem Gardu Tol Otomatis dan Gardu
Tol Reguler
(http://vertxap.com/VISSIM_vision)
dengan Indonesia, hal ini menyebabkan proses kalibrasi menjadi kunci penting
apakah sebuah model dapat diterima atau tidak.
Model kalibrasi merupakan hal yang penting dalam model simulasi mikroskopik
(Hoogendoorn dan Bovy, 2001). Ketersediaan data yang buruk akan
menghasilkan kalibrasi yang dapat menyebabkan hasil simulasi yang buruk,
dimana tidak dapat menghasilkan parameter-parameter yang optimal seiring
besaran nilai derajat kebebasan yang terlalu tinggi. Hasil simulasi yang dapat
menggambarkan kondisi sesungguhnya di lapangan akan tergantung pada proses
kalibrasi yang baik, dan seberapa besar perbedaan hasil simulasi tersebut dengan
kondisi sesungguhnya dapat dinyatakan dalam suatu validasi yang didasarkan
pada pengujian statistik antara hasil simulasi dengan kondisi sesungguhnya yang
diobservasi.
Munawar (2015) mengubah parameter perilaku seperti desired speed at free flow,
average standstill distance, additive part of safety distance, dan multiplicative
part of safety distance dari pengaturan default perangkat lunak Vissim yang
digunakan untuk mensimulasikan skenario manajemen lalulintas contraflow di
jalur khusus bus. Munawar dan Yulianto (2016) mengubah proses kalibrasi
mengubah parameter perilaku seperti desired speed at free flow, overtake on same
lane on left and on right = on, advance merging, “consider subsequent static
routing decisions”, Waiting time before diffusion, Look ahead distance =
“observed vehicles”, dan “smooth closeup behavior” serta untuk proses validasi
menguji antara model simulasi dan hasil di lapangan menggunakan metode chi
squared (x2) untuk menentukan nilai kapasitas jalan bebas hambatan di Indonesia
dengan pendekatan mikrosimulasi menggunakan perangkat lunak VISSIM.
Irawan dan Putri (2015) mengubah parameter yang perlu dilakukan penyesuaian
terdiri dari parameter perilaku pengendara pada kondisi arus bebas (desired
position at free flow = any), parameter perilaku pengendara pada saat menyiap
(overtake on same lane on left and on right = on), parameter jarak antar kendaraan
pada saat berhenti di lengan simpang bersinyal (distance standing = 0,2 meter),
parameter jarak antar kendaraan saat memasuki mulut simpang (distance driving
= 0,4 meter), Rerata jarak antar kendaraan pada saat berhenti (Average standstill
distance = 0,6 meter), faktor penambah jarak aman (Additive part of safety
distance = 0,6 meter), dan faktor pengali jarak aman (multiplicative part of safety
distance = 1,00) untuk menghasilkan parameter-parameter yang harus dikalibrasi
pada saat melakukan mikrosimulasi transportasi multimoda untuk kasus arus lalu
lintas yang tercampur di simpang bersinyal dengan menggunakan perangkat lunak
VISSIM.
Hasil dari proses kalibrasi masih perlu divalidasi dengan mengujinya secara
statistik untuk membuktikan antara model kondisi sesungguhnya tidak terdapat
perbedaan yang signifikan. Munawar dan Yulianto (2016) menggunakan metode
chi squared (x2) dalam proses validasi untuk menentukan nilai kapasitas jalan
bebas hambatan di Indonesia dengan pendekatan mikrosimulasi menggunakan
perangkat lunak VISSIM. Irawan dan Putri (2015) menggunakan metode rumus
21
dasar R2 dan Mean Absolute Percentage Error (MAPE) dalam proses validasi
untuk menghasilkan parameter-parameter yang harus dikalibrasi pada saat
melakukan mikrosimulasi transportasi multimoda untuk kasus arus lalu lintas
yang tercampur di simpang bersinyal dengan menggunakan perangkat lunak
VISSIM.
Trams no no yes
Pedestriaans no no yes
Network representation links & nodes links & nodes links &
connectors
a. Kecepatan sesaat (Time Mean Speed) adalah “spot speed” pada suatu
lokasi.
b. Kecepatan jalan (Space Mean Speed) adalah kecepatan kendaraan pada
suatu ruas jalan dalam saat tertentu.
25
26
(3.1)
dimana :
= tingkat arus (kend/jam)
= kecepatan tempuh rata-rata ruas jalan raya (km/jam)
= kepadatan rata-rata (kend/km)
(3.2)
dimana :
= kepadatan rata-rata (kend/km)
= kecepatan tempuh rata-rata ruas jalan raya (m/s)
= spacing rata-rata (m/kend)
27
(3.3)
dimana :
= tingkat hunian lajur ( kend)
= jumlah dari panjang kendaraan (m)
= panjang bagian jalan (m)
Untuk memperoleh perkiraan tingkat kepadatan (k) dapat diperoleh dengan
membagi R dengan panjang rata-rata dari sebuah kendaraan.
dan
(3.5)
dimana :
= gap rata-rata (detik)
= panjang kendaraan rata-rata (m)
= spacing rata-rata (m)
= headway rata-rata (m)
= kecepatan rata-rata (m/detik)
28
Tabel 3. 2 Nilai EMP untuk tipe JBH 4/2 D JBH MKJI 1997
Tabel 3. 5 Faktor Penyesuaian Kapasitas Akibat Lebar Jalur Lalu Lintas MKJI
1997
Tipe jalan bebas Lebar efektif jalur
FCw
hambatan lalu lintas Wc (m)
Empat-lajur terbagi Per lajur Per lajur
Enam-lajur terbagi 3,25 0,96
3,50 1,00
3,75 1,03
Dua-lajur tak-terbagi Total kedua arah Total kedua arah
6,5 0,96
7 1,00
7,5 1,04
Sumber : MKJI 1997
Model lalu lintas merupakan suatu penggambaran dari tingkah laku lalu lintas
dengan penggunaan hukum alam dan matematika. Dalam menggambarkan
permasalahan lalu lintas seringkali digunakan dalam bentuk bentuk pendekatan
teoritis. Hal disebabkan teori lalu lintas berkaitan dengan tingkah laku dan
interaksi yang komplek terhadap jalan, pengemudi dan operasi kendaraan dalam
waktu yang sama dengan variasi komposisi lalu lintas, volume, dan tingkat
pelayanan.
1. Model Greenshields
Model ini merupakan model paling awal yang tercatat dalam usaha mengamati
perilaku lalu lintas. Greenshields menemukan bahwa hubungan antara
kecepatan dan kepadatan (S-D) bersifat linear. Hubungan linear kecepatan dan
kepadatan ini menjadi hubungan yang paling popular dalam tinjauan
pergerakan lalu lintas, mengingat fungsi hubungannya adalah paling sederhana
dan mudah untuk diterapkan, namun pada model perhitungan Greenshield
tidak memberikan nilai keadaan macet (Dj) yang realistis, tidak juga anggapan
linear cocok terhadap setiap data yang diamati. Model ini memiliki persamaan
sebagai berikut :
Hubungan antara Kecepatan-Kepadatan (S-D)
Dari persamaan dasar Greenshields dapat dicari hubungan antara Kecepatan–
Kepadatan (S-D).
= − . (3.7)
Y = A - Bx (3.8)
dimana: A = dan B =-
Y = S dan x = D
a dan b adalah parameter regresi
32
= (3.9)
= − . (3.10)
= . − . (3.11)
.
= − . = (3.12)
.= (3.13)
Dengan memasukkan persamaan 3.13 ke persamaan 3.11 maka nilai
bisa didapat seperti terlihat pada persamaan 3.14 dan 3.15.
.
.= − . (3.14)
.
.= (3.15)
= (3.16)
= − . (3.17)
. = − (3.18)
= . − . (3.19)
.
= − . = (3.20)
.= (3.21)
Dengan memasukkan persamaan 3.21 ke persamaan 3.19 maka nilai
bisa didapat seperti terlihat pada persamaan 2.22 dan 2.23.
.
.= − . (2.22)
.
.= (2.23)
Sehingga dapat disimpulkan untuk model Greenshields bahwa volume
.
maksimum .= dapat dicapai dengan kondisi kecepatan =
dan kepadatan .=
2. Model Greenberg
Model ini mengasumsikan bahwa hubungan matematis antara Kepadatan-
Kecepatan (D-S) bukan merupakan fungsi linear melainkan fungsi
eksponensial. Pada model ini memberikan nilai keadaan macet (Dj) yang
lebih realistis dan memberikan kecocokan hubungan untuk kepadatan sedang
sampai tinggi, namun menghasilkan nilai kecepatan bebas (S) buruk pada
kepadatan yang rendah. Persamaan dasar model Greenberg dapat dinyatakan
melalui persamaan sebagai berikut.
= . (3.24)
Jika persamaan 3.24 dinyatakan dalam bentuk logaritma natural maka dapat
dinyatakan kembali sebagai persamaan 3.25, sehingga hubungan matematis
antara Kecepatan-Kepadatan (S-D) selanjutnya dapat dinyatakan dalam
persamaan 3.28.
= . (3.25)
= . (3.26)
= − (3.27)
= (3.28)
Hubungan matematis antara Volume-Kecepatan (V-S) dapat diturunkan
dengan menggunakan persamaan dasar, dan dengan memasukkan persamaan
= (3.29)
= (3.30)
Pada kondisi volume maksimum ( ) bisa didapatkan pada saat kepadatan
S= . Nilai S= bisa didapat melalui persamaan 3.31 dan 3.32.
= + . = (3. 31)
− = (3. 32)
( − )− = (3. 33)
= − (3. 34)
= = (3. 35)
Dengan memasukkan persamaan 3.35 ke persamaan 3.30 maka nilai V bisa
didapatkan seperti terlihat dalam persamaan 3.36.
= (3.36)
= . − − − = (3.39)
. − = (3.40)
= (3.41)
Dengan memasukkan persamaan 3.41 ke persamaan 3.38, maka nilai V bisa
didapat seperti terlihat dalam persamaan 3.43.
= . . (3.42)
= (3.43)
Dapat disimpulkan untuk model Greenberg bahwa volume maksimum
3. Model Underwood
Model ini mengasumsikan bahwa hubungan matematis antara Kecepatan-
Kepadatan (S-D) bukan merupakan fungsi linear melainkan fungsi
eksponensial. Pada model ini menghasilkan kecocokan hubungan dan taksiran
yang baik untuk volume rendah dan kurang rasional pada volume tinggi.
Sebagaimana dinyatakan melalui persamaan sebagai berikut.
= . (3.44)
dimana: =kecepatan arus bebas
= Kecepatan pada kondisi volume maksimum (kapasitas)
= Kepadatan
= Kepadatan Maksimum
Jika persamaan diatas dinyatakan dalam logaritma natural, maka persamaan
diatas dinyatakan kembali sebagai persamaan 3.45, sehingga hubungan
matematis antara Kecepatan-Kepadatan (S-D) dapat dinyatakan dalam
persamaan 3.45.
= − .
(3.45)
36
−
= . (3.46)
.
−
= . . (3.47)
Pada kondisi volume maksimum ( ) bisa didapatkan pada saat kepadatan D= .
Nilai D= bisa didapat melalui persamaan 3.48.
. (3.48)
=
37
= . . (3.49)
= −
.
(3.50)
.
= − (3.51)
= . .( − ) (3.52)
= . . (3.53)
= . − + . = (3.54)
. − − = (3.55)
− = (3.56)
= = (3.57)
Dengan memasukkan persamaan 3.57 ke dalam persamaan 3.59, maka nilai
bisa didapat seperti terlihat pada persamaan berikut.
= . . − + (3.58)
.
= (3.59)
Ke-lima skenario dilakukan melalui proses simulasi lalu lintas dengan cara
mikroskopik. Cara simulasi pada awalnya sulit dilaksanakan karena keterbatasan
dalam sumber daya dan memakan waktu lama dalam prosesnya, namun pada saat
ini cara simulasi banyak digunakan dengan bantuan software simulasi lalulintas.
Dengan bantuan software, proses simulasi dapat dilakukan dengan cepat dan
dinilai lebih representatif dengan kondisi sesungguhnya.
m/s2 untuk tiap persentase nilai gradien yang positif dan -0,1m/s2 untuk tiap
persentase nilai gradien negatif.
4. Perlambatan yang diharapkan (desired deceleration), jika nilainya lebih
rendah dari nilai perlambatan maksimum, maka perlambatan yang diinginkan
digunakan juga sebagai nilai perlambatan maksimun, hal ini dikarenakan:
a. Keputusan yang diambil dalam menentukan kecepatan yang diharapkan,
b. Terhalangnya oleh kendaraan di depannya pada kondisi lalulintas macet
(stop and go),
c. Ketidaktersediaan jarak lateral dalam lajur untuk menyalip,
d. Terkait dengan posisi pemberhentian darurat di rute,
e. Untuk kendaraan dengan fungsi pengereman yang baik, 50% nilai
perlambatan yang diharapkan pengemudi digunakan sebagai nilai
perlambatan maksimum yang beralasan untuk penentuan keputusan,
apakah kendaraan berpindah dari lajur sebelah ke lajur eksisting.
Gambar 3.2 memiliki tiga kurva yang berbeda untuk mencerminkan distribusi
stokastik dari nilai percepatan dan perlambatan, ketiga kurva tersebut
menunjukkan nilai minimum, rata-rata, dan maksimum. Penentuan nilai-nilai
dalam kurva tersebut dalam Vissim dapat dilakukan terhadap masing-masing
kendaraan.
3.10.2 Distribusi
Rentang nilai parameter-parameter yang digunakan dalam Vissim ditentukan
sebagai suatu distribusi nilai dibandingkan dengan nilai yang statis. Distribusi-
distribusi nilai yang memerlukan pengaturan dalam Vissim antara lain:
1. Distribusi kecepatan yang diharapkan (desired speed distribution) Distribusi
kecepatan (Gambar 3.3) merupakan parameter penting dalam penentuan
kapasitas jalan, pada kondisi kecepatan arus bebas, pengemudi memiliki
kebebasan dalam menentukan kecepatan yang diharapkannya saat berkendara
tanpa gangguan dari kendaraan lain (dengan sedikti variasi stotastik).
Penambahan kendaraan lain di jalan akan mengurangi kecepatan pada kondisi
arus bebas tersebut, dan pengurangan tersebut akan semakin tinggi hingga
terjadi kondisi iringan kendaraan. Kondisi penyalipan antar kendaraan akan
terjadi pada kendaraan yang mengharapkan kecepatan yang lebih tinggi
dibanding kendaraan lain saat proses penyalipan itu memungkinkan untuk
dilakukan.
b. The Look back distance, yaitu proses penentuan jarak pandang ke belakang
agar dapat bereaksi terhadap kendaraan dan sekeliling di belakangnya.
c. Temporary lack of attention, merupakan parameter yang menggambarkan
waktu tambahan pengemudi untuk bereaksi terhadap kendaraan di
depannya. Parameter ini disebut juga “sleep parameter” karena ada
kemungkinan terjadi kondisi dimana pengemudi tidak awas selama
mengemudi walaupun hanya sekejap.
d. Car following model, merupakan model dasar pembuntutan kendaraan
yang bergantung pada perubahan parameter yang terjadi. Model
Wiedemann dibagi menjadi dua yaitu Wiedemann 74 untuk area
perkotaan, dan Wiedemann 99 untuk area antar kota atau JBH, dan No
Interaction untuk kondisi dimana antar kendaraan tidak memperhatikan
kendaraan lainnya (untuk perilaku pejalan kaki yang sederhana).
e. Wiedemann 99 Model Parameters, Model pembuntutan kendaraan
Wiedemann (1999) sesuai digunakan untuk karakteristik lalulintas di jalan
antar kota atau JBH, parameter-parameter yang dapat digunakan dalam
analisis antara lain:
1) CC0 (Standstill distance), proses penentuan jarak yang diinginkan
antara kendaraan berhenti.
2) CC1 (Headway time), yaitu jarak antar kendaraan yang diinginkan oleh
pengemudi. Penentuan jarak aman antar kendaraan dapat dilakukan
dengan persamaan berikut:
(3.60)
dimana dx_save : jarak aman v
3) Jarak aman (safety distance) merupakan jarak minimum seorang
pengemudi yang akan dipertahankan selama membuntuti kendaraan
lain. Pada kondisi volume kendaraan tinggi, jarak ini akan dipengaruhi
nilai kapasitas jalan yang bersangkutan.
4) CC2 (Following variation), merupakan faktor variasi jarak aman yang
telah ditentukan karena pada kenyataanya sebuah kendaraan tidak
konstan memiliki jarak aman yang sama dalam membuntuti kendaraan
46
lain. Nilai CC2 merupakan nilai rata-rata dari variasi jarak antar
kendaraan yang melebihi jarak aman yang telah ditentukan.
5) CC3 (Threshold for entering Following), merupakan waktu yang
diperlukan mulai dari dilakukan perlambatan hingga kendaraan
mencapai jarak aman dengan kendaraan yang dibuntutinya.
6) CC4 dan CC5 (Following thresholds), merupakan perbedaan
kecepatan selama proses pembuntutan, nilai ini dengan kata lain nilai
sensitivitas kendaraan observasi selama proses percepatan dan
perlambatan karena kendaraan di depannya. Nilai CC4 digunakan
untuk perbedaan kecepatan yang bernilai negatif, sedangkan CC5
untuk nilai yang positif.
7) CC6 (Speed dependency of oscillation), merupakan pengaruh jarak
terhadap osilasi kecepatan selama proses pembuntutan, semakin besar
nilai CC6 akan memberikan fluktuasi kecepatan dan jarak yang
semakin tinggi.
8) CC7 (Oscillation acceleration), merupakan nilai akselerasi aktual
selama proses osilasi.
9) CC8 (Standstill acceleration), merupakan percepatan yang diinginkan
mulai dari posisi berhenti.
10) CC9 (Acceleration at 80 km/h), merupakan percepatan yang diinginkan
pada kecepatan 80 km/jam.
3. Perpindahan lajur
Terdapat dua perpindahan lajur dalam Vissim yaitu terkait dengan rute
perjalanan kendaraan (necessary lane change) dan terkait dengan keinginan
untuk menyalip kendaraan (free lane change). Kedua perpindahan lajur
didasarkan pada ketersediaan headway di lajur yang dituju. Besar celah
headway bergantung pada kecepatan kendaraan yang akan berpindah lajur dan
kecepatan kendaraan yang datang dari belakang di lajur yang dituju.
Perpindahan lajur dengan alasan rute perjalanan, akan tergantung pula
terhadap besar perlambatan yang ditentukan agresivitas pengemudi.
47
(3.61)
48
dimana v sama dengan kecepatan kendaraan yang diamati lebih rendah dari
kecepatan kendaraan di depannya, atau dengan kecepatan yang sama dengan
kecepatan kendaraan di depannya dengan tingkat kesalahan acak tertentu.
(3.64)
(3.65)
(3.67)
perpindahan lajur. Semakin tinggi nilai ini, maka trailing vehicle akan
semakin berkooperasi dan mempertinggi kemungkinan proses
perpindahan lajur terjadi.
5) The overtake reduced speed areas, batasan kecepatan dalam area
tertentu yang dapat mempengaruhi proses perpindahan lajur.
6) The advanced merging, pengemudi yang akan berpindah lajur untuk
kepentingan rute perjalanannya akan menyadari untuk berpindah lajur
lebih awal, sehingga menurunkan waktu tunggu di area jalinan dan
meningkatkan kapasitas.
7) Cooperative lane change, trailing vehicle di lajur yang dituju kendaraan
observasi akan berpindah lajur untuk memberi ruang bagi kendaraan
observasi dan menciptakan kondisi perpindahan lajur lainnya.
= ( ) (3.68)
dimana :
n = Ukuran sampel
N = Ukuran populasi
e = Batas ketelitian (margin error) dalam perhitungan sampel ini
yang dapat ditolerir sebesar 10%.
Sebelum memasuki tahap uji validasi model, terlebih dahulu menguji kecukupan
data. Data sampel yang diambil khususnya untuk data kecepatan, sehingga data
sampel yang diperoleh dapat mencakup data populasi dimana data populasi yang
digunakan yaitu data jumlah kendaraan. Data kecepatan yang diambil adalah Spot
Speed. Uji kecukupan data diperlukan untuk memastikan bahwa yang telah
dikumpulkan adalah cukup secara obyektif. Idealnya pengukuran harus dilakukan
52
dalam jumlah banyak, bahkan sampai jumlah yang tak terhingga agar data hasil
pengukuran layak untuk digunakan. Namun pengukuran dalam jumlah yang tak
terhingga sulit dilakukan mengingat keterbatasan-keterbatasan yang ada; baik dari
segi biaya, tenaga, dan waktu.
(3.69)
dimana:
k= Tingkat Keyakinan (99% ≈ 3, 95% ≈ 2)
s = Derajat Ketelitian
N = Jumlah Data Pengamatan
N’ = Jumlah Data Teoritis
x = Data Pengamatan
Jika N’ ≤ N maka data dianggap cukup, namun jika N’ > N data tidak cukup
(kurang) dan perlu dilakukan penambahan data.
( )
=∑ (3.70)
Keterangan :
= chi kwadrat
= frekuensi observasi
= frekuensi harapan
Cara menentukan derajat kebebasan,
= − (3.71)
2. Uji Statistik GEH
Formula GEH dikembangkan oleh Geoffrey E. Havers di tahun 1970,
digunakan untuk validasi hasil pemodelan simulasi lalu lintas, hasil model
dikatakan baik jika nilai GEH < 5, rumus GEH adalah (Zhang et al., 2008):
(3.72)
(3.73)
(3.74)
BAB 4
METODE PENELITIAN
Metode penelitian secara ringkas ditunjukkan pada Gambar 4.1, uraian kegiatan
dalam penelitian antara lain sebagai berikut:
Mulai
Persiapan
Kajian Literatur
Pengumpulan Data
Pengolahan Data
Persiapan Pemodelan
Inventarisasi Ruas Jalan Volume Lalu Lintas Komposisi Kendaraan Desire Speed
55
56
Pemodelan Vissim
Itearsi
Kalibrasi dan Tidak
Validasi Model
Ya?
Ya
Selesai
56
57
4.1 Persiapan
Merupakan kegiatan perumusan penelitian, berupa kerangka kerja penelitian yang
dijadikan acuan kerja penelitian (term of reference/TOR). TOR disusun dengan
dasar fokus penelitian dalam bentuk pencapaian tujuan penelitian setelah
merumuskan permasalahan yang menjadi latar belakang penelitian.
studi, luas wilayah studi. Peta ini diperoleh dari instansi terkait yaitu
Bappeda dan Dinas Tata Kota.
c. Jaringan jalan
Peta jaringan jalan dimaksudkan untuk memperoleh informasi mengenai
ruas jalan bebas hambatan Cikampek km. 73 – Exit Tol Palimanan km. 189
atau sepanjang 116 km. Data ini berguna untuk identifikasi dalam
pemodelan jaringan jalan pada daerah studi.
d. Demografi
Data demografi digunakan untuk memperoleh informasi tentang
perkembangan jumlah penduduk, jumlah rumah tangga, klasifikasi
penduduk berdasarkan jenis kelamin dan usia. Data ini berguna untuk
mengidentifikasi variabel yang berpengaruh terhadap pola pergerakan lalu
lintas saat ini maupun dimasa mendatang.
2. Data Primer
Pengumpulan data primer dilakukan dengan pengamatan langsung di lapangan
melalui beberapa jenis survai untuk tujuan menyediakan data yang akan
digunakan dalam proses analisa. Untuk lebih jelas sebagai berikut:
a. Alat yang digunakan untuk memperlancar pengumpulan data adalah
sebagai berikut :
1) Alat tulis;
2) Formulir Survai;
3) Stop Wacth;
4) Clip Board;
5) Piranti keras komputer/note book;
6) Kamera CCTV Portable;
7) pendukung lainnya.
b. Jenis Survai
1) Survai inventarisasi ruas jalan (ruas JBH Cikampek km. 81 – Exit Tol
Palimanan km. 189 atau sepanjang 116 km);
2) Survai pencacahan lalu lintas dan panjang antrian;
3) Survai Spot Speed;
59
c. Materi
Materi yang ditekankan adalah untuk mendapatkan data guna proses
analisis, data yang dikumpulkan adalah sebagai berikut:
1) Survai inventarisasi ruas jalan.
Survai ini dilakukan untuk mendapatkan :
- Informasi kondisi ruas jalan
- Fasilitas yang ada di jalan
2) Survai pencacahan lalu lintas pada rest area km. 102 Tol Cipali dan
panjang antrian pada Exit gerbang Tol Palimanan km. 189 untuk
mengetahui volume kendaraan dan panjang antrian.
3) Survai Spot Speed yang berlokasi di rest area km. 102 untuk
mengetahui rata-rata kecepatan tiap jenis kendaraan yang berguna
untuk validasi data.
b) Shift 2 (dua) survey pencacahan lalu lintas selama 12 jam pada Hari Sabtu
tanggal 23 Desember 2017 (Pkl. 08.00 WIB – Pkl. 20.00 WIB).
3. Spot Speed
Survei dilakukan dengan memasang kamera cctv pada rest area km. 102,
pengukuran kecepatan dilakukan dengan mengukur waktu tempuh jarak
tertentu yang dilakukan berkali-kali untuk mendapatkan gambaran kecepatan
rata-ratanya. Pada lokasi survei yang terpantau cctv ditandai dengan dua titik
terpisah dengan jarak 100 m, saat kendaraan melewati titik pertama stop
watch diaktifkan dan saat kendaraan melewati titik kedua stop watch
dihentikan. Kecepatan dihitung dengan membagi jarak (100 m) dibagi waktu
tempuh antara posisi titik pertama dan titik kedua dianggap sebagai kecepatan
sesaat.
b. Pengumpulan data Spot Speed untuk validasi data lapangan dan model
pada aplikasi Vissim.
c. Pengumpulan data video lalu lintas, yang didapat dari survai primer pada
rest area km. 102 dan Exit Gerbang Tol Palimanan km.189.
7. Masuk pada tahap penelitian selanjutnya yaitu simulasi, dengan pekerjaan
yang dilakukan adalah:
a. Pembangunan jaringan jalan;
b. Identifikasi materi pemodelan, yaitu:
1) Volume dan kecepatan lalu lintas;
2) Komposisi kendaraan;
3) Desired speed distributions.
c. Setelah materi siap maka dilanjutkan ke pembangunan model Vissim.
d. Ada dua komponen sebagai input model Vissim, yaitu vehicle input dan
perilaku mengemudi yang terdiri dari following, lane change dan lateral.
e. Bersama desired speed distributions, perilaku mengemudi menjadi
parameter yang dikalibrasi agar mendekati dengan kenyataan lalu lintas.
f. Running model untuk mendapatkan output berupa volume lalu lintas yang
habis tersimulasi dan kecepatan lalu lintas rata-rata.
g. Output yang dihasilkan divalidasi dengan uji statistik terhadap parameter
volume dan kecepatan lalu lintas hasil survei, apabila dinyatakan valid
maka model siap digunakan untuk analisis selanjutnya, bila tidak maka
dilakukan tinjau ulang paramater kalibrasi.
Tahap ini menganalisis parameter traffic microsimulation pada software
Vissim agar sesuai kondisi lalu lintas di Indonesia dan kondisi dilapangan.
Tahap ini juga menjadi proses analisis terhadap tujuan penelitian pertama
yaitu untuk mengetahui apakah pendekatan simulasi lalulintas dapat
menggambarkan kondisi lalulintas sebenarnya di lapangan.
8. Setelah mendapatkan model yang valid maka analisis dilanjutkan dengan
melakukan 5 (lima) skenario untuk mengetahui pengaruh manajemen
kecepatan terhadap antrian kendaraan pada Exit Gerbang Tol Palimanan
periode liburan, meliputi:
62
a. Skenario 1
Kecepatan pada saat kapasitas jalan maksimum.
b. Skenario 2
Kecepatan kendaraan rata-rata 80 km/jam.
c. Skenario 3
Kecepatan kendaraan rata-rata 100 km/jam.
d. Skenario 4
Perlambatan pada 2 (dua) titik dengan kecepatan eksisting dilapangan.
e. Skenario 5
Perlambatan pada 3 (tiga) titik dengan kecepatan eksisting dilapangan.
Tahap ini juga menjadi proses analisis terhadap tujuan penelitian kedua dan
ketiga yaitu untuk mengidentifikasi pengaruh manajemen kecepatan terhadap
antrian pada Exit gerbang Tol pada periode Liburan dan mengidentifikasi
apakah manajemen kecepatan dapat dilakukan dengan menggunakan pendekatan
simulasi lalulintas.
9. Tahap terakhir dalam penelitian ini yaitu menyimpulkan apakah pendekatan
simulasi dapat dijadikan sebagai alternatif dalam menyelesaikan permasalahan
antrian pada Exit Gerbang Tol menggunakan strategi manajemen kecepatan
pada periode Liburan di masa yang akan datang.
BAB 5
HASIL PENELITIAN DAN PEMBAHASAN
63
64
Gambar 5. 5 Kondisi lalulintas di Exit Tol Palimanan km. 189 pada jam sibuk
Mobil Pick Bus Bus Truk Truk 2 Truk 3 Truk 4 Truk 5 Total
Waktu
Pribadi Up Kecil Besar Kecil Gandar Gandar Gandar Gandar Smp/Jam
14.00 - 15.00 1429 21 29 90 8 17 16 10 3 1622
15.00 - 16.00 1480 22 21 80 11 23 19 10 3 1669
16.00 - 17.00 1394 18 21 96 10 19 13 10 3 1582
17.00 - 18.00 1672 21 17 96 11 15 16 6 3 1857
18.00 - 19.00 1512 29 19 141 11 27 19 6 3 1767
19.00 - 20.00 1400 32 23 218 11 15 22 10 3 1733
20.00 - 21.00 1762 61 94 371 27 73 32 6 6 2432
21.00 - 22.00 2125 37 125 550 35 94 22 16 3 3007
22.00 - 23.01 2344 29 102 502 30 77 13 6 0 3104
23.00 - 00.02 2445 26 110 662 48 94 19 3 3 3410
00.00 - 01.00 2190 30 102 397 26 56 13 16 6 2836
01.00 - 02.00 2240 29 87 224 26 31 6 13 6 2663
02.00 - 03.00 1778 29 40 109 18 19 6 10 3 2010
03.00 - 04.00 1845 22 31 102 19 42 6 6 0 2074
04.00 - 05.00 2630 29 33 125 35 87 13 10 0 2962
05.00 - 06.00 2910 22 31 99 29 94 16 10 0 3211
06.00 - 07.00 3571 21 31 99 50 106 10 13 0 3900
07.00 - 08.00 4179 19 25 74 45 83 22 13 4 4464
08.00 - 09.00 3418 13 27 86 29 73 6 3 0 3655
09.00 - 10.00 3334 21 31 106 16 67 0 0 0 3575
10.00 - 11.00 3094 22 37 150 18 67 0 0 0 3389
11.00 - 12.00 2915 14 29 102 30 85 19 16 0 3212
12.00 - 13.00 2858 26 77 336 24 67 6 3 0 3396
13.00 - 14.00 2482 10 75 224 19 73 6 3 0 2892
TOTAL 57006 602 1217 5040 586 1400 323 198 48 66420
67
4500
4000
3500
BUS BESAR
2000 TRUK KECIL
TRUK 2 GANDAR
1500 TRUK 3 GANDAR
TRUK 4 GANDAR
1000
TRUK 5 GANDAR
500
0
14.00 - 15.00 - 16.00 - 17.00 - 18.00 - 19.00 - 20.00 - 21.00 - 22.00 - 23.00 - 00.00 - 01.00 - 02.00 - 03.00 - 04.00 - 05.00 - 06.00 - 07.00 - 08.00 - 09.00 - 10.00 - 11.00 - 12.00 - 13.00 -
15.00 16.00 17.00 18.00 19.00 20.00 21.00 22.00 23.01 00.02 01.00 02.00 03.00 04.00 05.00 06.00 07.00 08.00 09.00 10.00 11.00 12.00 13.00 14.00
Dari hasil survei didapatkan jumlah total volume lalu lintas dalam waktu 24 jam
sebesar 66.424 smp/hari untuk arah masuk wilayah studi. Dari survai selama 24
jam juga didapatkan waktu tersibuk dan waktu tidak tersibuk pada arah masuk
wilayah studi. Waktu tersibuk (peak hour) terjadi pada saat pagi hari yaitu jam
07.00-08.00 sebesar 4.464 smp/jam, sedangkan waktu tidak sibuk (off peak hour)
terjadi pada jam 16.00-17.00 sebesar 1.582 smp/jam.
MOBIL PRIBADI
PICK UP
BUS SEDANG
BUS BESAR
TRUK KECIL
TRUK 2 GANDAR
TRUK 3 GANDAR
TRUK 4 GANDAR
TRUK 5 GANDAR
90.47%
2. Model Greenberg
Model kecepatan-kerapatan Greenberg tidak valid untuk kerapatan yang rendah
karena kecepatannya menjadi tidak terhingga. Model Greenberg menyimpulkan
bahwa model non linear lebih tepat digunakan yakni fungsi eksponensial, rumus
dasar Greenberg sebagaiman persamaan 3.24 dengan c dan b merupakan nilai
konstanta. Greenberg menggunakan analogi aliran fluida dengan
mengkombinasikan persamaan gerak dan kontinuitas untuk satu kesatuan dimensi
gerak dan menurunkannya pada persamaan 3.25. Dari persamaan 3.25
menunjukan bahwa S adalah kecepatan rata-rata ruang (km/jam), Sm adalah
kecepatan pada saat kapasitas maksimum (km/jam), D adalah kerapatan (smp/km)
dan Dj adalah kerapatan pada saat kapasitas maksimum (smp/km).
Memperhatikan persamaan 3.25, pada dasarnya merupakan suatu persamaan
70
3. Model Underwood
Model kecepatan-kerapatan Underwood, kecepatan menjadi nol hanya bila nilai
kerapatan tidak terhingga, jadi model ini kurang tepat untuk memprediksikan
kecepatan pada kerapatan tinggi. Kerapatan tinggi umumnya terjadi di dalam kota,
sehingga model ini lebih tepat digunakan untuk analisis jalan di wilayah luar kota.
Model Underwood mengemukakan suatu hipotesis bahwa hubungan antara
kecepatan dan kepadatan adalah merupakan hubungan eksponensial dengan
bentuk persamaan sebagaimana persamaan 3.44. Untuk mendapatkan konstanta
Sff dan Dm, persamaan 3.44 diubah persamaan linier, Y = a + bX, sebagaimana
71
pada persamaan 3.45, dimana dianggap bahwa lnSff merupakan konstanta a dan -
1/Dm merupakan konstanta b, sedangkan lnS dan D masing-masing merupakan
variabel Y dan X.
Dari Tabel 5.4 diatas, terlihat bahwa nilai hitung Chi-Square seluruhnya lebih
kecil dari dan nilai Chi Square sesuai tabel adalah 118.7516. Nilai hitung lebih
kecil dari nilai tabel sehingga dikatakan bahwa tidak ada perbedaan yang
signifikan antara hasil model dengan hasil survei.
Berdasarkan hubungan antara kecepatan dan kerapatan yang didapat dari Model
Greenshield, Greenberg, dan Underwood, dapat ditentukan model yang paling
sesuai dengan kenyataan di lapangan. Tabel 5.4 menunjukan Model Underwood
memiliki tingkat akurasi paling tinggi atau yang paling sesuai.
Frekuensi % Komulatif
Interval (detik) Frekuensi
Relatif Frekuensi
0.50 - 1.70 2284 52.13% 100%
1.71 - 2.91 953 21.75% 48%
2.92 - 4.12 483 11.02% 26%
4.13 - 5.33 288 6.57% 15%
5.34 - 6.54 175 3.99% 8.51%
6.55 - 7.75 91 2.08% 4.52%
7.76 - 8.96 44 1.00% 2.44%
8.97 - 10.17 23 0.52% 1.44%
10.18 - 11.38 18 0.41% 0.91%
11.39 - 12.59 10 0.23% 0.50%
12.60 - 13.80 6 0.14% 0.27%
13.81 - 15.01 3 0.07% 0.14%
15.02 - 16.22 2 0.05% 0.07%
16.23 - 17.43 1 0.02% 0.02%
Jenis Kendaraan n n’
Mobil Pribadi 100 37
Pick Up 25 23
Bus Kecil 25 16
Bus Besar 32 26
Truk Kecil 35 22
Truk 2 As 40 14
Truk 3 As 11 5
Truk 4 As 6 10
Truk 5 As 2 6
Keterangan:
n : jumlah sampel yang diambil
n’ : jumlah sampel seharusnya
75
Berdasarkan Tabel 5.7 disimpulkan untuk jenis kendaraan mobil pribadi, pick up,
bus kecil, bus besar, truk kecil, truk 2 as, truk 3 as, truk 4 as, jumlah sampel yang
diambil telah memenuhi uji kecukupan data, untuk kendaraan jenis truk 5 as, hasil
uji kecukupan data bergantung pada keberadaan jenis kendaraan tersebut dan
fluktuasi nilai kecepatan selama observasi. Uji kecukupan data pada penelitian ini
sangat dipengaruhi oleh kemunculan kendaraan dan nilai kecepatan operasional
selama pengamatan. Jenis kendaraan tertentu berdasarkan pengamatan berjumlah
tidak sesuai dengan pengujian ini, selain itu kecepatan operasional kendaraan
menunjukkan adanya fluktuasi yang tidak homogen sehingga uji kecukupan data
dilakukan hanya untuk memperkuat argumen pengambilan jumlah sampel jenis
kendaraan tertentu. Hal yang sama dengan pengujian keseragaman data, pada
kondisi lalulintas yang diamati, pengujian ini dapat terpenuhi terutama pada
persyaratan nilai batas bawah dan batas atas dalam uji keseragaman data.
Tabel 5. 9 Perbandingan jumlah sampel waktu pembayaran tarif tol per jenis
kendaraan yang diambil dengan jumlah sampel seharusnya
Jenis Kendaraan n n’
Mobil Pribadi 100 22
Pick Up 40 35
Bus Kecil 40 27
Bus Besar 40 8
77
Jenis Kendaraan n n’
Truk Kecil 40 33
Truk 2 As 40 17
Truk 3 As 11 5
Truk 4 As 6 10
Truk 5 As 2 6
Keterangan:
n : jumlah sampel yang diambil
n’ : jumlah sampel seharusnya
Berdasarkan Tabel 5.9 disimpulkan untuk jenis kendaraan mobil pribadi, pick up,
bus kecil, bus besar, truk kecil, truk 2 as, dan truk 3 as, jumlah sampel yang
diambil telah memenuhi uji kecukupan data, untuk kendaraan jenis truk 4 as dan
truk 5 as jumlah sampel yang diambil tidak memenuhi uji kecukupan data, hasil
uji kecukupan data bergantung pada keberadaan jenis kendaraan tersebut dan
fluktuasi nilai kecepatan selama observasi. Uji kecukupan data pada penelitian ini
sangat dipengaruhi oleh kemunculan kendaraan. Jenis kendaraan tertentu
berdasarkan pengamatan berjumlah tidak sesuai dengan pengujian ini, uji
kecukupan data dilakukan hanya untuk memperkuat argumen pengambilan jumlah
sampel jenis kendaraan tertentu. Hal yang sama dengan pengujian keseragaman
data, pada kondisi lalulintas yang diamati, pengujian ini dapat terpenuhi terutama
pada persyaratan nilai batas bawah dan batas atas dalam uji keseragaman data.
dibutuhkan yaitu tahap mikro untuk mendapatkan kinerja lalulintas di ruas jalan,
khususnya dalam suatu segmen jalan. Penggambaran jaringan jalan sesuai dengan
kebutuhan berupa link atau segmen jalan, dengan sudut azimut yang sesuai
dengan kondisi lapangan. Dalam proses penggambaran layout jalan digunakan
gambar berupa foto satelit dari Google earth.
Gambar 5. 11 Foto satelit JBH Cikampek km. 81 – Exit Tol Palimanan km. 189
Map). Pada penelitian ini menggunakan map provider Default map service
(Google Earth) yang dijadikan acuan dalam membuat layout jaringan jalan sesuai
ukurannya dengan yang terdapat dalam program Vissim.
Tiap link yang dibuat diatur karakteristik perilaku mengemudinya, jumlah dan
lebar tiap lajurnya, serta pengaturan operasional lalulintas pada tiap lajur tersebut.
Ruas jalan yang diteliti merupakan JBH, oleh karenanya karakteristik perilaku
mengemudinya ditentukan berjenis freeway, dengan jumlah lajur untuk masing-
masing link (jalur lalulintas) sebanyak dua, berlebar 3,6 m untuk masing-masing
lajur lalulintas. Pengaturan lainnya diperlukan terkait dengan operasional
berlalulintas dalam ruas jalan seperti pelarangan jenis kendaraan tertentu, baik
untuk memasuki ruas, pelarangan untuk berpindah lajur (kiri atau kanan). Dalam
kondisi yang sesungguhnya di lapangan tidak ada pelarangan pergerakan
kendaraan kecuali penggunaan lajur berdasarkan kecepatan tertentu, lajur paling
kiri diperuntukkan untuk kendaraan dengan kecepatan lambat dan lajur paling
80
2. Model kendaraan
Kendaraan yang beroperasi diatur modelnya secara 2 dimensi maupun 3 dimensi.
Model kendaraan dapat disesuaikan antara model yang terdapat dalam Vissim
dengan model kendaraan yang beroperasi di ruas. Pengaturan penambahan model
kendaraan dilakukan terutama untuk jenis kendaraan barang seperti truk gandeng
dan truk semi trailer. Kendaraan barang seperti truk semi trailer yang beroperasi di
lapangan memiliki variasi antara mesin penarik (traktor) dengan trailer yang
ditariknya. Gambar 5.15 menunjukkan proses pengaturan pemodelan kendaraan
dengan membuat model truk penarik (traktor) dan jenis trailernya.
3. Distribusi model
Tipe kendaraan yang telah ditentukan diisi oleh model-model kendaraan yang
termasuk dalam tipe kendaraan tersebut, satu tipe kendaraan dapat diatur memiliki
beberapa model kendaraan dengan variasi dimensi dan karakteristik
82
4. Kelas kendaraan
Tipe kendaraan yang telah ditentukan kemudian diatur kelas kendaraannya
(Gambar 5.17). Pengaturan kelas kendaraan ini bukan berarti kelas kendaraan
yang ditentukan dalam penelitian secara keseluruhan, namun kelas kendaraan
yang dimasukkan dan akan dimodelkan dalam Vissim.
Pengaturan arus relatif dan distribusi kecepatan tiap jenis kendaraan didasarkan
pada pengukuran yang telah dilakukan pada pengolahan data sebelumnya. Data
masukan arus relatif merupakan perbandingan komposisi tiap jenis kendaraan
dalam sebuah link, nilai ini dapat berupa nilai riil volume masing-masing jenis
kendaraan maupun dalam bentuk persentasenya, dalam penelitian ini digunakan
nilai riilnya dikarenakan penggunaan dalam bentuk persentase menyebabkan jenis
kendaraan tertentu tidak terbaca oleh Vissim dikarenakan nilai persentasenya yang
terlalu kecil. Distribusi kendaraan dalam model diatur secara default yaitu dengan
distribusi stokastik. Gambar 5.19 menunjukkan proses pengaturan distribusi
kecepatan tiap jenis kendaraan yang didasarkan pada data olah kecepatan.
Pengaturan luaran simulasi berupa data yang dapat ditampilkan dalam tampilan
program Vissim maupun data yang disimpan dalam bentuk file tersendiri pada
direktori yang telah ditentukan. Pengaturan luaran dapat diatur dalam menu
Evaluation>Configuration. Menu perintah Management result yang
memungkinkan untuk mengatur penyimpanan dan penampilan hasil simulasi,
pengaturan ini diatur secara default, pengaturan dilakukan pada dua menu
berikutnya yaitu result attributes dan direct output. Pengaturan result attributes
dilakukan untuk mendapatkan luaran apa saja yang akan ditampilkan setelah
proses simulasi, sedangkan direct output dilakukan untuk mengatur jenis-jenis
luaran lain yang telah diatur apakah akan disimpan dalam file atau database lain
agar dapat diolah untuk kepentingan tertentu lainnya. Pengaturan result attributes
dalam penelitian ini meliputi data collection, links, queue results dan vehicle
network performance, sedangkan pengaturan direct output yaitu vehicle input
data. Gambar 5.22 dan Gambar 5.23 menunjukkan tampilan pengaturan
parameter luaran dan jenis file luaran hasil simulasi dalam Vissim.
87
Proses kalibrasi dan validasi diperlukan terhadap sebuah model agar model
tersebut dapat menggambarkan kondisi sesungguhnya dan diterima secara
statistik. Pada ruas JBH Cikampek km. 81 – Exit Tol Palimanan km. 189 simulasi
dilakukan dengan 4 (empat) kondisi yaitu default, default increment random seed,
kalibrasi Redi Aditya Yulianto tahun 2016 yang melakukukan penelitian dengan
judul Tesis Penentuan Nilai Kapasitas Jalan Bebas Hambatan Dengan Aplikasi
Perangkat Lunak Vissim dan kalibrasi Redi Aditya Yulianto dengan increment
random seed. Kondisi ini menunjukkan bahwa pada ruas JBH Cikampek km. 81 –
Exit Tol Palimanan km. 189 diperlukan proses kalibrasi agar luaran model berupa
kinerja lalulintas dapat merepresentasikan kondisi sesungguhnya, hasil dari simulasi
masih membutuhkan validasi dengan membandingkannya dengan data terukur di
lapangan, apakah perbandingan keduanya memenuhi pengujian statistik atau tidak
sehingga model dapat diterima untuk merepresentasikan kondisi sesungguhnya dan
dapat digunakan untuk analisis di tahapan berikutnya.
5.4.1 Proses kalibrasi dan validasi JBH Cikampek km. 81 – Exit Tol
Palimanan km. 189
Proses kalibrasi dalam penelitian ini menggunakan kalibrasi penelitian Redi A.Y
(2016) ruas JBH CTC Km. 5,4. antara lain dengan mengatur kembali parameter
perilaku mengemudi dalam menu driving behavior jenis freeway. Florida
Department Of Transportation (FDOT, 2014) menyebutkan bahwa parameter
CC0, CC1, dan CC2 dalam model wiedemann 99 memiliki pengaruh yang
substansial terhadap luaran simulasi model, namun diperlukan penelitian
tersendiri pengamatan dan proses trial and error untuk mendapat nilai parameter-
parameter yang sesuai dengan kondisi yang ada di Indonesia. Pengaturan perilaku
terhadap model Wiedemann 99 pada penelitian ini masih diperlakukan secara
default, hal ini dengan pertimbangan salah satu parameternya yaitu CC1
(headway) pada kondisi default memiliki nilai yang lebih rendah dibandingkan
dengan rata-rata headway yang diamati di lapangan, yaitu 0,9 detik dalam
pengaturan default Vissim berbanding 2,17 detik di lapangan. Pengaturan yang
89
5.4.2 Proses validasi JBH Cikampek km. 81 – Exit Tol Palimanan km. 189
Dari ke-empat kondisi, yaitu kondisi default, default increment random seed (irs),
kalibrasi dalam penelitian Redi Aditya Yulianto tahun 2016 yang melakukukan
penelitian dengan judul Tesis Penentuan Nilai Kapasitas Jalan Bebas Hambatan
Dengan Aplikasi Perangkat Lunak Vissim dan kalibrasi Redi Aditya Yulianto
dengan increment random seed (irs) dimodelkan dengan Vissim dengan vehicle
input atau volume kendaraan per jam pada jam tersibuk yaitu volume kendaraan
pada pukul 06.00-07.00 WIB, 07.00-08.00 WIB, 08.00-09.00 WIB dan 09.00-
10.00 WIB. Hasil pemodelannya sebagaimana Tabel 5.11:
Dari Tabel 5.12 dan 5.13 diatas, terlihat bahwa nilai hitung Chi-Square
seluruhnya lebih kecil dari nilai chi square sesuai tabel adalah 7,8. Nilai
hitung lebih kecil dari nilai tabel sehingga dapat dikatakan bahwa tidak ada
perbedaan yang signifikan antara hasil model dengan hasil survei, jadi model
92
Vissim dengan ke-empat kondisi valid secara statistik. Untuk hasil uji Chi
Square dengan parameter volume dan kecepatan dapat disimpulkan bahwa
model terbaik adalah kalibrasi penelitian Redi A Y.
2. Statistik GEH
Hasil analisis GEH yang membandingkan model dan observasi di lapangan
dengan parameter volume dan kecepatan, dapat dilihat pada Tabel 5.14 dan
Tabel 5.15.
KECEPATAN
KONDISI PROSES HITUNG GEH
Survei Model
Nilai default 91 93 4,84 92,1 0,0526
88 88 0,2401 87,755 0,0027
92 94 2,7889 92,835 0,0300
93 94 1,01606 93,504 0,0109
NILAI GEH 0,0962
91 93 4,4944 92,06 0,0488
Dari Tabel 5.14 dan 5.15 diatas, terlihat bahwa nilai hitung GEH seluruhnya
lebih kecil dari 5, sehingga dapat dikatakan bahwa tidak ada perbedaan yang
signifikan antara hasil model dengan hasil survei, jadi model Vissim dengan
ke-empat kondisi valid secara statistik. Untuk hasil uji GEH dengan parameter
volume dan kecepatan dapat disimpulkan bahwa model terbaik adalah
kalibrasi penelitian penelitian Redi A Y.
Tabel 5. 16 Hasil Uji RMSE dan MAPE dengan parameter volume kendaraan
VOLUME LALU LINTAS
KONDISI RMSE MAPE
Hasil Survei Model
Nilai default 3808 3819 121 0,00289
4383 4371 139 0,00269
3584 3595 121 0,00307
3499 3507 61 0,00223
442 0,0109
Nilai default, 3808 3798 100 0,00263
increment 4383 4369 190 0,00315
random seed 3584 3575 81 0,00251
3499 3491 67 0,00234
439 0,0106
Penelitian Redi A 3808 3819 121 0,00289
Y 4383 4372 117 0,00246
3584 3593 81 0,00251
3499 3505 34 0,00166
352 0,0095
Penelitian Redi A 3808 3797 121 0,00289
Y, increment 4383 4369 190 0,00315
random seed 3584 3582 4 0,00056
3499 3491 67 0,00234
383 0,0089
Tabel 5. 17 Hasil Uji RMSE dan MAPE dengan parameter kecepatan kendaraan
KECEPATAN
KONDISI RMSE MAPE
Hasil Survei Model
Nilai default 91 93 5 0,02418
88 88 0 0,00557
92 94 3 0,01815
93 94 1 0,01084
9 0,0587
95
KECEPATAN
KONDISI RMSE MAPE
Hasil Survei Model
91 93 4 0,02330
Nilai default,
increment 88 89 2 0,01500
random seed 92 94 5 0,02315
93 94 2 0,01516
13 0,0766
Penelitian Redi 91 91 0 0,00451
AY 88 88 0 0,00455
92 92 0 0,00435
93 92 1 0,00796
1 0,0214
91 90 1 0,00956
Penelitian Redi A
Y, increment 88 86 5 0,02602
random seed 92 91 0 0,00620
93 92 1 0,01097
7 0,0527
Dari Tabel 5.16 dan 5.17 diatas, terlihat bahwa nilai hitung RMSE seluruhnya
kecil dan nilai hitung MAPE seluruhnya jauh dibawah 50%, sehingga dapat
dikatakan bahwa tidak ada perbedaan yang signifikan antara hasil model
dengan hasil survei, jadi model Vissim dengan ke-empat kondisi valid secara
statistik. Untuk hasil uji RMSE dan MAPE dengan parameter volume dan
kecepatan dapat disimpulkan bahwa model terbaik adalah kalibrasi penelitian
penelitian Redi A Y.
Rangkuman hasil anaslisis Chi-Square, GEH, RMSE dan MAPE di atas dapat
dilihat pada Tabel 5.18 dan Tabel 5.19 dibawah ini:
Tabel 5. 18 Hasil Uji Chi Square, GEH, RMSE dan MAPE dengan parameter
volume kendaraan
Chi Square
NO MODEL GEH RMSE MAPE
(X2 hitung)
Chi Square
NO MODEL GEH RMSE MAPE
(X2 hitung)
Nilai default,
2 increment random 0,112 0,1117 439 0,0106
seed
3 Penelitian Redi A Y 0.091 0.0906 352 0.0095
Penelitian Redi A Y,
4 increment random 0.096 0.0957 383 0.0089
seed
Tabel 5. 19 Hasil Uji Chi Square, GEH, RMSE dan MAPE dengan parameter
kecepatan kendaraan
Chi Square
NO MODEL GEH RMSE MAPE
(X2 hitung)
Nilai default,
2 increment random 0,140 0,13844 13 0,07661
seed
Penelitian Redi A Y,
4 increment random 0,083 0,08353 7 0,05275
seed
Memperhatikan hasil analisis Chi-Square, GEH, RMSE dan MAPE pada Tabel 18
dan Tabel 19 diatas, diketahui bahwa model driving behavior yang ke-3 yaitu
“Nilai Penelitian Redi A Y” lebih tepat digunakan dibanding model lainnya
dengan alasan:
1. Nilai Chi-Square hitungnya untuk parameter volume dan kecepatan lalu lintas,
lebih rendah dari chi-square tabel, sehingga secara statistik dinyatakan tidak
terdapat perbedaan yang signifikan antara hasil perhitungan model dengan
hasil survei dan memiliki nilai Chi-Square hitung terkecil dibandingkan
dengan kondisi lainnya.
97
penyalipan pada lajur tengah atau middle of lane tanpa mengubah besaran nilai
jarak minimum lateralnya, sehingga pada skenario 1 meminimalisir kendaraan
yang menyalip kendaraan lainnya, untuk lebih jelasnya perubahan parameter
Lateral dalam Vissim dapat dilihat pada Gambar 5.24 dan Gambar 5.25.
LAJUR UNTUK
LAJUR UNTUK
KENDARAAN LEBIH
MENDAHULUI
LAMBAT
Gambar 5. 29 Rambu petunjuk lajur untuk kendaraan yang lebih lambat serta
rambu petunjuk lajur untuk mendahului
LAJUR UNTUK
LAJUR UNTUK
KENDARAAN LEBIH
MENDAHULUI
LAMBAT
Gambar 5. 36 Rambu petunjuk lajur untuk kendaraan yang lebih lambat serta
rambu petunjuk lajur untuk mendahului
106
90.47%, untuk lebih jelasnya perubahan desired speed dalam Vissim dapat
dilihat pada Tabel 5.20 dan Tabel 5.23.
LAJUR UNTUK
LAJUR UNTUK
KENDARAAN LEBIH
MENDAHULUI
LAMBAT
Gambar 5. 40 Rambu petunjuk lajur untuk kendaraan yang lebih lambat serta
rambu petunjuk lajur untuk mendahului
Gerbang Tol Palimanan. Untuk lebih jelasnya reduce speed pada skenario 4
dapat dilihat pada Gambar 5.44 dan lokasi titik perlambatan sebagaimana pada
Gambar 5.45.
Gambar 5. 45 Perlambatan pada 2 (dua) titik ruas JBH Cikampek km. 81 – Exit
Tol Palimanan km. 189
Gambar 5.52. Ilustrasi penindakan pelanggaran lalu lintas yang didasarkan atas
hasil rekaman peralatan elektronik dapat dilihat pada Gambar 5.53.
LAJUR UNTUK
LAJUR UNTUK
KENDARAAN LEBIH
MENDAHULUI
LAMBAT
Gambar 5. 51 Rambu petunjuk lajur untuk kendaraan yang lebih lambat serta
rambu petunjuk lajur untuk mendahului
Gambar 5. 55 Perlambatan pada 3 (tiga) titik ruas JBH Cikampek km. 81 – Exit
Tol Palimanan km. 189
LAJUR UNTUK
LAJUR UNTUK
KENDARAAN LEBIH
MENDAHULUI
LAMBAT
Gambar 5. 61 Rambu petunjuk lajur untuk kendaraan yang lebih lambat serta
rambu petunjuk lajur untuk mendahului
a. Perbandingan jumlah antrian Exit Tol Palimanan antara kondisi do nothing dan
skenario manajemen kecepatan 1, 2 dan 3
Gambar 5. 64 Grafik Jumlah Antrian Exit Tol Palimanan Kondisi Do Nothing dan
Skenario Manajemen Kecepatan 1, 2 dan 3
Dari grafik di atas, terlihat bahwa terjadi perubahan jumlah antrian kendaraan
pada Exit Tol Palimanan pada skenario 1, 2 dan 3. Penjelasan perubahan skenario
manajemen kecepatan pada skenario 1, 2 dan 3 adalah sebagai berikut:
b. Perbandingan jumlah antrian Exit Tol Palimanan antara kondisi do nothing dan
skenario manajemen kecepatan 4 dan 5
Gambar 5. 65 Grafik Jumlah Antrian Exit Tol Palimanan Kondisi Do Nothing dan
Skenario Manajemen Kecepatan 4 dan 5
Dari grafik di atas, terlihat bahwa terjadi perubahan jumlah antrian kendaraan
pada Exit Tol Palimanan pada skenario 4 dan 5. Penjelasan perubahan skenario
manajemen kecepatan pada skenario 4 dan 5 adalah sebagai berikut:
Pada skenario 5, terjadi penurunan jumlah antrian kendaraan yang cukup besar
yaitu sebesar 1.232 kendaraan, hal ini terjadi karena pada skenario 5 tidak
dilakukan perubahan perilaku pengemudi, hanya dilakukan perlambatan pada
tiga titik. Kecepatan rata-rata kendaraan sebesar 85,07 km/jam dengan waktu
simulasi 150 menit atau 2 jam 30 menit, hal ini disebabkan perlambatan pada
tiga titik berfungsi dengan baik dalam mengatur kecepatan kendaraan dengan
perilaku pengemudi kondisi lapangan yang saling mendahului dan ingin cepat
sampai tujuan, perlambatan pada tiga titik berfungsi lebih baik dibandingkan
dengan perlambatan pada dua titik dalam mengatur kecepatan dan kedatangan
kendaraan sehingga walaupun perilaku pengemudi tidak dirubah tetap terjadi
penurunan jumlah antrian kendaraan yang cukup besar.
Dari Tabel 5.25 diatas, dapat disimpulkan bahwa manajemen kecepatan dapat
mempengaruhi jumlah antrian kendaraan pada Exit Gerbang Tol Palimanan, Dari
5 (lima) skenario manajemen kecepatan menunjukan dapat mengurangi jumlah
antrian pada Exit Gerbang Tol Palimanan. Skenario manajemen kecepatan yang
terbaik adalah skenario 3 yaitu kecepatan rata-rata 100 km/jam dan perubahan
perilaku pengemudi, dapat mengurangi antrian kendaraan sebesar 65,55 %.
BAB 6
KESIMPULAN DAN SARAN
6.1 Kesimpulan
1. Kinerja ruas jalan antara hasil simulasi model dengan observasi di lapangan
menunjukkan tidak terdapat perbedaan yang signifikan dan teruji secara
statistik melalui proses kalibrasi dan validasi model Vissim. Proses kalibrasi
model Vissim menggunakan hasil kalibrasi penelitian Redi Aditya Yulianto
tahun 2016 yang melakukukan penelitian dengan judul Tesis Penentuan Nilai
Kapasitas Jalan Bebas Hambatan Dengan Aplikasi Perangkat Lunak Vissim,
dilakukan dengan 4 (empat) kondisi yaitu default, default increment random
seed, kalibrasi penelitian Redi Aditya Yulianto tahun 2016 dan kalibrasi
penelitian Redi Aditya Yulianto dengan increment random seed. Uji validitas
dilakukan dengan menggunakan pengujian secara statistik apakah memiliki
perbedaan yang signifikan atau tidak antara hasil simulasi model dengan hasil
observasi di lapangan, uji validitas dilakukan dengan parameter volume dan
kecepatan lalu lintas pada jam tersibuk yaitu pada pukul 06.00-07.00 WIB,
07.00-08.00 WIB, 08.00-09.00 WIB dan 09.00-10.00 WIB, hasil uji statistik
chi-square menunjukan nilai chi-square hitungnya lebih rendah dari chi-
square tabel, nilai GEH-nya < 5, nilai RMSE-nya kecil dan nilai MAPE-nya
jauh di bawah 50%, hal ini menunjukkan bahwa model simulasi dapat
diterapkan untuk menggambarkan kondisi sesungguhnya di lapangan. Proses
kalibrasi menjadi kunci dalam memodelkan kondisi lalulintas, parameter-
parameter perilaku mengemudi dalam Vissim memiliki sensitivitas yang
berbeda-beda dan diperlukan ketelitian dalam pengubahan besar nilainya.
123
124
6.2 Saran
4. Perilaku mengemudi pada lokasi Exit Gerbang Tol JBH belum dapat secara
sempurna ditampilkan dalam Vissim, sebagai contoh ruas jalan Cipali menuju
Exit Gerbang Tol Palimanan terjadi perubahan lajur yang sebelumnya pada
ruas jalan hanya 2 lajur, menjadi 14 lajur pada Exit Gerbang Tol, jika 14 lajur
lokasi gerbang tol dibuat masing-masing link jalan, maka walaupun sudah
diatur vehicle compotition sama 14 lajur tersebut, jumlah kendaraan tetap
tidak seimbang, terjadi penumpukan kendaraan pada salah satu lajur gerbang
tol. Untuk itu perlu dibuat desain perilaku pengemudi khusus pada Exit
Gerbang Tol JBH dengan desain link khusus yang dapat mempresentasikan
kondisi lalu lintas sebenarnya kondisi Exit Gerbang Tol JBH dilapangan.
5. Pada kondisi lapangan masih ditemukan jenis kendaraan truk yang seharusnya
dilarang melalui ruas Jalan Tol Cipali pada saat periode liburan, seperti truk
trailer yang mengangkut mobil pribadi, untuk itu diperlukan penindakan tegas
dari pihak yang berwajib, sehingga tidak menggangu kelancaran lalu lintas
pada saat liburan.
126
7. Agar pengguna kendaraan menyiapkan saldo kartu e-toll yang cukup, karena
dari hasil pengamatan dilapangan seringkali ditemukan pengguna kendaraan
pada saat pembayaran tol di Exit Gerbang Tol Palimanan tidak memiliki
saldo kartu e-toll yang cukup, sehingga menambah waktu pembayaran yang
berakibat pada semakin panjangnya antrian kendaraan.
DAFTAR PUSTAKA
Aghabayk, K., Sarvi, M., Young, W., Kautzsch, L, 2013. A Novel Methodology
for Evolutionary Calibration of Vissim by a Multi-Threading. Australian
Transport Research Forum 2013 Proceedings, 2 – 4 October, 2013.
Brisbane, Australia: Australian Transport Research Forum.
Ansusanto, J.D., Munawar, A., Priyanto, S., Wibisono, H.B, 2014. Pengaruh
Perubahan Guna Lahan Terhadap Pembebanan Jaringan Jalan Perkotaan
Yogyakarta., 2014.
Badan Pusat Statistik Provinsi DKI Jakarta , 2017. Jakarta Dalam Angka 2017.
Bang, K.L., 1995. Highway Capacity Manuals for Asian Conditions. Journal of
the Eastern Asia Society for Transportation Studies. Vol. 1, No. 1, Autumn.
Beaulieu, M., Davis, K., Kieninger, D., Mizuta, K., McCutchen, E. R., Wright, D.,
Sanderson, A., Ishimaru, J., M., Hallenbeck, M. E,. Research Report.
Washington, U.S: Washin. A Guide to Documenting Vissim-Based
Microscopic Traffic Simulation Models.
Beaulieu, M., Davis, K., Kieninger, D., Mizuta, K., McCutchen, E. R., Wright, D.,
Sanderson, A., Ishimaru, J., M., Hallenbeck, M. E, 2007. A Guide to
Documenting Vissim-Based Microscopic Traffic Simulation Models.
Washington, U.S: Washington State Transportation Center (TRAC).
Munawar, A., 2011. Speed and Capacity for Urban Roads, Indonesian Experience.
6th International Symposium on Highway Capacity and Quality of Service.
Juni-Juli 2011. Swedia.
Pemerintah Republik Indonesia, 2004. Undang-Undang Nomor 38 Tahun 2004
Tentang Jalan.
PRI, 2005. Peraturan Menteri Pekerjaan Umum Nomor 392 Tahun 2005 Tentang
Standar Pelayanan Minimal (SPM) Jalan Tol. Jakarta.
PRI, 2005. Peraturan Pemerintah Nomor 15 tahun 2005 tentang Jalan Tol.
PRI, 2006. Peraturan Pemerintah Nomor 34 Tahun 2006 Tentang Jalan..
PRI, 2009. Undang-Undang Nomor 22 tahun 2009 tentang Lalulintas dan
Angkutan Jalan.
PRI, 2011. Peraturan Pemerintah Nomor 32 Tahun 2011 Tentang Manajemen
dan Rekayasa, Analisis Dampak Serta Manajemen Kebutuhan Lalu Lintas.
PRI, 2011. Peraturan Menteri Pekerjaan Umum (Permen PU), 2011: Peraturan
Menteri Pekerjaan Umum Nomor 11/PRT/M/2011 tentang Persyaratan
Teknis Jalan. Jakarta: Kementerian Pekerjaan Umum.
PRI, 2013. Peraturan Pemerintah Nomor 79 tahun 2013 tentang Sistem Jaringan
dan Angkutan Jalan.
PRI, 2014. Peraturan Menteri Pekerjaan Umum Nomor 16/PRT/M/2014 tentang
Standar Pelayanan Minimum Jalan Tol. Jakarta: Kementerian Pekerjaan
Umum.
Pribadi, O. S., Munawar, A., Malkamah, S, 2014. Analisis Kapasitas Jalan dengan
Metode Traffic Microsimulation. Proceeding 17th FSTPT International
Symposium. Jember: Universitas Jember.
PTV AG, 2011. Vissim 5.30-05 User Manual. Karlsruhe, Germany.
Putri, S.E., 2011. Analisis Faktor Penentuan Batas Kecepatan Kendaraan di
Jalan Arteri Pada Ruas Jalan Perkotaan. Tesis. Depok: Fakultas Teknik
Program Pasca Sarjana.
130
Putri, N.H., 2015. Mikrosimulasi Mixed Traffic pada Simpang Bersinyal dengan
Perangkat Lunak VISSIM. Jurusan Teknik Sipil dan Lingkungan, Fakultas
Teknik, Universitas Gadjah Mada..
Render, Barry and Jay Heizer, 2008. Operations Management 9th ed. New Jersey.
Pearson Education Inc.
Sugiarto, dan Furqan, Z, 2013. Assesmen Aktual Kapasitas Jalan pada Segmen
Bottleneck Sistematis dengan Pendekatan Metode Simulasi. Jurnal Teknik
Sipil Universitas Syiah Kuala. Vol. 2, No. 3, Mei 2013. Banda Aceh:
Unirversitas Syiah Kuala.
Tamin, O. Z, 2003. Perencanaan dan Pemodelan Transportasi. 2nd ed. Bandung:
Penerbit ITB.
Team #32, 2005. Modelling Toll Plaza Behavior Using Queuing Theory.
Velmurugan, S., Madhu, E., Ravinder, K., Sitaramanjaneyulu, K., Gangopadhyay,
S, 2010. Critical Evaluation of Roadway capacity of Multi-Lane High
Speed Corridors under Heterogeneous Traffic Conditions Through
Traditional and Microscopic Simulation Models. Journal of the Indian
Roads Congress, Paper No. 566. October-December 2010.
Winarsih, N., Kusumaningrum, J, 2013. Analisis Kapasitas Gerbang Tol
Karawang Barat. Proceeding PESAT (Psikologi, Ekonomi, Sastra,
Arsitektur & Teknik Sipil) Oktober 2013 ISSN: 1858-2559, 5.
Wulandari, M., P., Arif, H, 2013. Analisis Efektifitas Pelayanan Antrian Pada
Gardu Tol Otomatis dan Gardu Tol Reguler. Ekstensi Manajemen, PE FE
Universitas Indonesia, Kampus UI Salemba, Jakarta Pusat.
131
LAMPIRAN
Ruas :
Waktu :
Arah : Palimanan
Volume Kendaraan
Waktu Mobil Bus Bus Truk Truk 2 Truk 3 Truk 4 Truk 5
Pick Up
Pribadi Sedang Besar Kecil Gandar Gandar Gandar Gandar
15
15
15
15
15
15
15
15
132
Ruas :
Waktu :
Arah : Palimanan
Jenis Kendaraan
Ruas :
Waktu :
Arah : Palimanan
Hambatan Samping
Luas Kerusakan (m2 )
Jumlah akses
Lampu Jumlah
Parkir On Street Sudut Parkir
Marka Keadaan
135
xi yi
No xiyi xi2 yi2
(kerapatan) (kecepatan)
38 8.35 102 852 69.77163 10404
39 7.03 103 724.32 49.4523 10609
40 9.29 102 948 86.38062 10404
41 6.79 101 686.08 46.1431 10201
42 7.21 102 735.52 51.99824 10404
43 6.23 101 628.96 38.7796 10201
44 8.02 98 785.92 64.31385 9604
45 6.89 99 681.76 47.4234 9801
46 6.87 98 672.96 47.15485 9604
47 6.09 100 608.8 37.06374 10000
48 7.28 96 699.04 53.02267 9216
49 4.73 101 478.08 22.40569 10201
50 4.48 101 452.48 20.0704 10201
51 5.90 99 584.48 34.85531 9801
52 4.85 102 495.2 23.57007 10404
53 4.54 99 449.6 20.62444 9801
54 5.46 100 546.24 29.83781 10000
55 6.82 101 688.96 46.53131 10201
56 3.86 101 389.6 14.87973 10201
57 6.75 98 661.76 45.59832 9604
58 6.69 96 641.92 44.71151 9216
59 9.22 94 866.24 84.92211 8836
60 8.08 98 792.32 65.36558 9604
61 7.44 99 736.16 55.2935 9801
62 7.35 101 742.72 54.07636 10201
63 8.73 100 872.96 76.20592 10000
64 9.14 94 859.36 83.5785 8836
65 10.33 97 1001.6 106.6216 9409
66 9.09 96 872.32 82.56751 9216
67 10.18 91 926.08 103.5653 8281
68 11.71 94 1100.48 137.0593 8836
69 15.85 83 1315.44 251.1805 6889
70 11.82 86 1016.8 139.7894 7396
71 14.38 84 1208.08 206.8392 7056
72 10.26 90 923.84 105.3679 8100
73 8.80 91 800.96 77.47095 8281
74 9.13 92 840 83.36484 8464
75 12.61 82 1034.08 159.0306 6724
76 10.77 91 980 115.9763 8281
142
xi yi
No xiyi xi2 yi2
(kerapatan) (kecepatan)
77 9.50 94 892.64 90.17725 8836
78 11.87 89 1056.32 140.8676 7921
79 8.21 94 771.84 67.42157 8836
80 8.71 98 853.76 75.8961 9604
81 7.79 99 770.72 60.60701 9801
82 10.52 94 988.96 110.6883 8836
83 7.61 96 730.08 57.83603 9216
84 9.46 95 899.04 89.55933 9025
85 7.67 96 735.84 58.75223 9216
86 7.34 101 741.6 53.9134 10201
87 9.20 95 874.08 84.6555 9025
88 9.15 94 860.48 83.7965 8836
89 9.27 96 889.6 85.87111 9216
90 9.31 96 893.6 86.64507 9216
91 9.30 92 855.68 86.50617 8464
92 7.89 96 757.44 62.2521 9216
93 8.75 96 840 76.5625 9216
94 6.64 101 670.24 44.03702 10201
95 6.59 97 639.68 43.48927 9409
96 7.57 98 741.76 57.28945 9604
Total 672.51 9756 66423.84 5410.852 998164
Mean 7.01 101.63
n 96
b -1920.31 -2.7446
699.6654
a 120.85
kj 44.03
R2 0.7854
qmax 1330
Sm 60
143
k yi
No xi xiyi xi2 yi2
(kerapatan) (kecepatan)
39 7.03 1.95 103 200.90 3.80 10609.0
40 9.29 2.23 102 227.40 4.97 10404.0
41 6.79 1.92 101 193.50 3.67 10201.0
42 7.21 1.98 102 201.51 3.90 10404.0
43 6.23 1.83 101 184.72 3.35 10201.0
44 8.02 2.08 98 204.02 4.33 9604.0
45 6.89 1.93 99 191.03 3.72 9801.0
46 6.87 1.93 98 188.82 3.71 9604.0
47 6.09 1.81 100 180.63 3.26 10000.0
48 7.28 1.99 96 190.59 3.94 9216.0
49 4.73 1.55 101 157.02 2.42 10201.0
50 4.48 1.50 101 151.46 2.25 10201.0
51 5.90 1.78 99 175.78 3.15 9801.0
52 4.85 1.58 102 161.16 2.50 10404.0
53 4.54 1.51 99 149.81 2.29 9801.0
54 5.46 1.70 100 169.79 2.88 10000.0
55 6.82 1.92 101 193.93 3.69 10201.0
56 3.86 1.35 101 136.35 1.82 10201.0
57 6.75 1.91 98 187.17 3.65 9604.0
58 6.69 1.90 96 182.41 3.61 9216.0
59 9.22 2.22 94 208.76 4.93 8836.0
60 8.08 2.09 98 204.82 4.37 9604.0
61 7.44 2.01 99 198.63 4.03 9801.0
62 7.35 2.00 101 201.52 3.98 10201.0
63 8.73 2.17 100 216.67 4.69 10000.0
64 9.14 2.21 94 208.01 4.90 8836.0
65 10.33 2.33 97 226.46 5.45 9409.0
66 9.09 2.21 96 211.85 4.87 9216.0
67 10.18 2.32 91 211.13 5.38 8281.0
68 11.71 2.46 94 231.26 6.05 8836.0
69 15.85 2.76 83 229.34 7.63 6889.0
70 11.82 2.47 86 212.43 6.10 7396.0
71 14.38 2.67 84 223.94 7.11 7056.0
72 10.26 2.33 90 209.59 5.42 8100.0
73 8.80 2.17 91 197.92 4.73 8281.0
74 9.13 2.21 92 203.47 4.89 8464.0
75 12.61 2.53 82 207.83 6.42 6724.0
76 10.77 2.38 91 216.28 5.65 8281.0
77 9.50 2.25 94 211.58 5.07 8836.0
145
k yi
No xi xiyi xi2 yi2
(kerapatan) (kecepatan)
78 11.87 2.47 89 220.18 6.12 7921.0
79 8.21 2.11 94 197.92 4.43 8836.0
80 8.71 2.16 98 212.14 4.69 9604.0
81 7.79 2.05 99 203.17 4.21 9801.0
82 10.52 2.35 94 221.22 5.54 8836.0
83 7.61 2.03 96 194.77 4.12 9216.0
84 9.46 2.25 95 213.51 5.05 9025.0
85 7.67 2.04 96 195.52 4.15 9216.0
86 7.34 1.99 101 201.36 3.97 10201.0
87 9.20 2.22 95 210.83 4.93 9025.0
88 9.15 2.21 94 208.13 4.90 8836.0
89 9.27 2.23 96 213.74 4.96 9216.0
90 9.31 2.23 96 214.17 4.98 9216.0
91 9.30 2.23 92 205.17 4.97 8464.0
92 7.89 2.07 96 198.30 4.27 9216.0
93 8.75 2.17 96 208.23 4.70 9216.0
94 6.64 1.89 101 191.14 3.58 10201.0
95 6.59 1.89 97 182.97 3.56 9409.0
96 7.57 2.02 98 198.36 4.10 9604.0
Total 179.01 9756.0 17895.29 350.84 998164.0
Mean 1.86 101.63
n 96
b -296.8215922 = -17.42
17.037529
a 134.11
c 17.42
ln kj 7.70 kj 2203.88
kj 2203.88
jxx 17.04 jyy 6711
R2 0.7706
k0 810.76
qmax 14,125
Sm 49.3368
146
S Xi
No Volume Yi Yi2 XiYi Xi2
(Kecepatan) (Kerapatan)
39 724.32 103 7.03 4.63 21.48 32.59 49.45
40 948 102 9.29 4.62 21.39 42.99 86.38
41 686.08 101 6.79 4.62 21.30 31.35 46.14
42 735.52 102 7.21 4.62 21.39 33.35 52.00
43 628.96 101 6.23 4.62 21.30 28.74 38.78
44 785.92 98 8.02 4.58 21.02 36.77 64.31
45 681.76 99 6.89 4.60 21.12 31.64 47.42
46 672.96 98 6.87 4.58 21.02 31.48 47.15
47 608.8 100 6.09 4.61 21.21 28.04 37.06
48 699.04 96 7.28 4.56 20.83 33.24 53.02
49 478.08 101 4.73 4.62 21.30 21.85 22.41
50 452.48 101 4.48 4.62 21.30 20.68 20.07
51 584.48 99 5.90 4.60 21.12 27.13 34.86
52 495.2 102 4.85 4.62 21.39 22.45 23.57
53 449.6 99 4.54 4.60 21.12 20.87 20.62
54 546.24 100 5.46 4.61 21.21 25.16 29.84
55 688.96 101 6.82 4.62 21.30 31.48 46.53
56 389.6 101 3.86 4.62 21.30 17.80 14.88
57 661.76 98 6.75 4.58 21.02 30.96 45.60
58 641.92 96 6.69 4.56 20.83 30.52 44.71
59 866.24 94 9.22 4.54 20.64 41.87 84.92
60 792.32 98 8.08 4.58 21.02 37.07 65.37
61 736.16 99 7.44 4.60 21.12 34.17 55.29
62 742.72 101 7.35 4.62 21.30 33.94 54.08
63 872.96 100 8.73 4.61 21.21 40.20 76.21
64 859.36 94 9.14 4.54 20.64 41.54 83.58
65 1001.6 97 10.33 4.57 20.93 47.24 106.62
66 872.32 96 9.09 4.56 20.83 41.47 82.57
67 926.08 91 10.18 4.51 20.35 45.91 103.57
68 1100.48 94 11.71 4.54 20.64 53.19 137.06
69 1315.44 83 15.85 4.42 19.53 70.03 251.18
70 1016.8 86 11.82 4.45 19.84 52.66 139.79
71 1208.08 84 14.38 4.43 19.63 63.72 206.84
72 923.84 90 10.26 4.50 20.25 46.19 105.37
73 800.96 91 8.80 4.51 20.35 39.70 77.47
74 840 92 9.13 4.52 20.45 41.29 83.36
75 1034.08 82 12.61 4.41 19.42 55.57 159.03
76 980 91 10.77 4.51 20.35 48.58 115.98
77 892.64 94 9.50 4.54 20.64 43.14 90.18
148
S Xi
No Volume Yi Yi2 XiYi Xi2
(Kecepatan) (Kerapatan)
78 1056.32 89 11.87 4.49 20.15 53.27 140.87
79 771.84 94 8.21 4.54 20.64 37.31 67.42
80 853.76 98 8.71 4.58 21.02 39.94 75.90
81 770.72 99 7.79 4.60 21.12 35.77 60.61
82 988.96 94 10.52 4.54 20.64 47.80 110.69
83 730.08 96 7.61 4.56 20.83 34.71 57.84
84 899.04 95 9.46 4.55 20.74 43.10 89.56
85 735.84 96 7.67 4.56 20.83 34.99 58.75
86 741.6 101 7.34 4.62 21.30 33.89 53.91
87 874.08 95 9.20 4.55 20.74 41.90 84.66
88 860.48 94 9.15 4.54 20.64 41.59 83.80
89 889.6 96 9.27 4.56 20.83 42.30 85.87
90 893.6 96 9.31 4.56 20.83 42.49 86.65
91 855.68 92 9.30 4.52 20.45 42.06 86.51
92 757.44 96 7.89 4.56 20.83 36.01 62.25
93 840 96 8.75 4.56 20.83 39.94 76.56
94 670.24 101 6.64 4.62 21.30 30.63 44.04
95 639.68 97 6.59 4.57 20.93 30.17 43.49
96 741.76 98 7.57 4.58 21.02 34.70 57.29
Total 66423.84 9756 672.51 443.32 2047.85 3086.52 5410.85
Mean 7.01 4.62
n 96
-
b 1831.674 -0.0273
67167.88
a 4.8089
sff 122.601
dm 36.67
dmax 18.33511
qmax 1654
Sm 61.30
149
4. Hasil survei kendaraan volume (smp), kerapatan dan kecepatan serta nilai dari
masing-masing model
KECEPATAN MODEL MODEL MODEL
WAKTU VOLUME KERAPATAN
(SURVEI) GREENSHIELD GREENBERG UNDERWOOD
5. Hasil analisis uji statistik chi square untuk mencari model terbaik
a. Hasil uji statistik chi square Model Greenshield
Uji Chi-Square
No Volume E-O (X²)
Model (E) Survey (O) X² = (E-O)/O
1 113 117.00 -3.9488684 0.133278303
2 109 115.00 -5.9624543 0.30913792
3 109 114.00 -4.9770554 0.217290183
4 113 115.00 -1.575872 0.021594544
5 112 112.00 0.40728 0.001481045
6 109 114.00 -5.1195509 0.229910537
7 108 113.00 -4.8466832 0.207879096
8 113 115.00 -1.6140494 0.022653526
9 113 112.00 0.77184 0.00531908
10 109 109.00 0.03050569 8.53759E-06
11 109 110.00 -1.1818007 0.012696845
12 113 114.00 -0.5751018 0.002901246
13 112 117.00 -5.2734933 0.237690017
152
Uji Chi-Square
No Volume E-O (X²)
Model (E) Survey (O) X² = (E-O)/O
14 108 115.00 -7.3673823 0.471985403
15 107 114.00 -6.675447 0.390891166
16 112 115.00 -2.7479179 0.065661329
17 112 112.00 0.18384 0.00030176
18 109 114.00 -5.4777151 0.263204935
19 107 113.00 -6.0511292 0.324036855
20 113 115.00 -2.1981635 0.042016719
21 115 112.00 2.60248 0.060472341
22 108 109.00 -1.1093872 0.011291191
23 106 110.00 -3.9357789 0.140821415
24 112 114.00 -2.2734933 0.045340105
25 108 107.00 0.91602243 0.007842029
26 103 108.00 -4.6315141 0.198619654
27 102 110.00 -7.9350342 0.572406977
28 108 107.00 1.17041944 0.012802632
29 102 104.00 -1.8000985 0.031157255
30 99 105.00 -5.5582507 0.294230005
31 102 109.00 -6.8934371 0.435958482
32 101 102.00 -1.1720157 0.01346687
33 99 100.00 -0.9061376 0.008210854
34 99 99.00 0.47329939 0.002262751
35 100 103.00 -2.8050423 0.076390898
36 100 101.00 -1.1130836 0.012266881
37 97 101.00 -4.2689552 0.180435435
38 98 102.00 -4.1204706 0.166453705
39 102 103.00 -1.4964474 0.021741308
40 95 102.00 -6.7030588 0.440499976
41 102 101.00 1.16036119 0.01333107
42 101 102.00 -0.9869302 0.009549326
43 104 101.00 2.71221545 0.072832798
44 99 98.00 0.79424 0.00643691
45 102 99.00 2.90354101 0.085157075
46 102 98.00 3.95712 0.15978366
47 104 100.00 4.094528 0.167651595
48 101 96.00 4.81910667 0.241914469
49 108 101.00 6.81137109 0.459354219
50 109 101.00 7.50688 0.557952944
51 105 99.00 5.59986747 0.316752684
153
Uji Chi-Square
No Volume E-O (X²)
Model (E) Survey (O) X² = (E-O)/O
52 107 102.00 5.47814902 0.29421683
53 108 99.00 9.3383596 0.880858181
54 106 100.00 5.8111744 0.337697479
55 102 101.00 1.08211644 0.011593822
56 110 101.00 9.21522376 0.840795535
57 102 98.00 4.27072 0.186112748
58 102 96.00 6.45178667 0.433599492
59 96 94.00 1.51316426 0.02435815
60 99 98.00 0.61504 0.003859941
61 100 99.00 1.39572687 0.019677308
62 101 101.00 -0.3784523 0.00141808
63 97 100.00 -3.1540224 0.099478573
64 96 94.00 1.7140017 0.031253211
65 92 97.00 -4.5339216 0.211922119
66 96 96.00 -0.1338133 0.000186521
67 93 91.00 1.87512615 0.038638441
68 89 94.00 -5.3246502 0.301615956
69 77 83.00 -5.6887634 0.38990396
70 88 86.00 2.35698605 0.064597479
71 81 84.00 -2.6639467 0.084483474
72 93 90.00 2.63314489 0.077038356
73 97 91.00 5.64797538 0.35054534
74 96 92.00 3.74608696 0.152534429
75 86 82.00 4.1961522 0.214727966
76 91 91.00 0.24923077 0.000682593
77 95 94.00 0.74250894 0.005865101
78 88 89.00 -0.7678885 0.006625312
79 98 94.00 4.26884085 0.193861726
80 97 98.00 -1.10528 0.012465754
81 99 99.00 0.43782141 0.001936238
82 92 94.00 -2.0692153 0.04554949
83 100 96.00 3.93188 0.161038337
84 95 95.00 -0.1680606 0.000297309
85 100 96.00 3.76724 0.147834346
86 101 101.00 -0.3480238 0.001199213
87 96 95.00 0.55288926 0.003217753
88 96 94.00 1.68130723 0.030072277
89 95 96.00 -0.6277333 0.004104679
154
Uji Chi-Square
No Volume E-O (X²)
Model (E) Survey (O) X² = (E-O)/O
90 95 96.00 -0.7420667 0.005736072
91 95 92.00 3.27841391 0.116826063
92 99 96.00 3.14984 0.103348875
93 97 96.00 0.79 0.006501042
94 103 101.00 1.59070733 0.025052968
95 103 97.00 5.7043101 0.335455193
96 100 98.00 2.03072 0.042079834
Total 14.08419013
I. HIPOTESA
H0 : Model dengan Survei selaras
H1 : Model dengan Survei tidak selaras
VII. Keputusan :
Ho Diterima
Uji Chi-Square
No Volume E-O (X²)
Model (E) Survey (O) X² = (E-O)/O
12 117 114.00 2.876968 0.072604786
13 113 117.00 -3.73329 0.119123274
14 107 115.00 -8.22024 0.587585512
15 106 114.00 -7.6231 0.509751875
16 114 115.00 -0.69384 0.004186223
17 114 112.00 2.167639 0.041952304
18 108 114.00 -6.00159 0.315956886
19 106 113.00 -7.10211 0.446371369
20 115 115.00 0.464167 0.001873486
21 120 112.00 7.90736 0.558270886
22 107 109.00 -1.87553 0.032271758
23 105 110.00 -5.18061 0.243988548
24 113 114.00 -0.73329 0.004716738
25 107 107.00 0.158789 0.000235645
26 102 108.00 -6.10719 0.345350134
27 101 110.00 -9.36345 0.797037512
28 108 107.00 0.506192 0.002394678
29 101 104.00 -3.23753 0.100784487
30 98 105.00 -6.64621 0.420687097
31 101 109.00 -8.32473 0.635789556
32 100 102.00 -2.47723 0.060163208
33 98 100.00 -1.92767 0.037158995
34 98 99.00 -0.62046 0.003888608
35 99 103.00 -4.02079 0.156959141
36 99 101.00 -2.27929 0.051437388
37 96 101.00 -4.72764 0.22129258
38 97 102.00 -4.87593 0.233085314
39 100 103.00 -2.87778 0.080404325
40 95 102.00 -6.73583 0.444817575
41 101 101.00 -0.27452 0.000746152
42 100 102.00 -2.31504 0.052543132
43 102 101.00 1.239741 0.015217397
44 98 98.00 -0.16648 0.000282815
45 100 99.00 1.487102 0.022338118
46 101 98.00 2.536565 0.065654726
47 103 100.00 2.633912 0.069374935
48 100 96.00 3.515033 0.128702658
49 107 101.00 6.017865 0.358561402
156
Uji Chi-Square
No Volume E-O (X²)
Model (E) Survey (O) X² = (E-O)/O
50 108 101.00 6.976567 0.481905748
51 103 99.00 4.169001 0.175561285
52 107 102.00 4.576593 0.205345152
53 108 99.00 8.739386 0.771483552
54 105 100.00 4.522787 0.204555988
55 101 101.00 -0.34749 0.001195553
56 111 101.00 9.582999 0.909246244
57 101 98.00 2.828924 0.081661339
58 101 96.00 4.999988 0.260415427
59 95 94.00 1.412493 0.021224855
60 98 98.00 -0.30776 0.00096651
61 99 99.00 0.149773 0.000226584
62 99 101.00 -1.65636 0.027163639
63 96 100.00 -3.64425 0.132805913
64 96 94.00 1.551401 0.025604749
65 93 97.00 -3.56948 0.131352554
66 96 96.00 -0.3426 0.001222638
67 94 91.00 2.683839 0.079153728
68 91 94.00 -2.7568 0.080850784
69 86 83.00 2.967044 0.106064455
70 91 86.00 5.071408 0.299060229
71 88 84.00 3.658789 0.159365883
72 94 90.00 3.533537 0.138732032
73 96 91.00 5.212345 0.298555371
74 96 92.00 3.573696 0.138818516
75 90 82.00 7.948171 0.77040755
76 93 91.00 1.698007 0.031683814
77 95 94.00 0.889521 0.008417526
78 91 89.00 2.004486 0.045145683
79 97 94.00 3.422495 0.124611403
80 96 98.00 -1.60877 0.026409656
81 98 99.00 -0.64942 0.004260014
82 93 94.00 -0.89552 0.008531363
83 99 96.00 2.758201 0.079246578
84 95 95.00 -0.05059 2.69406E-05
85 99 96.00 2.621304 0.071575372
86 99 101.00 -1.63007 0.026308234
87 95 95.00 0.439881 0.002036791
157
Uji Chi-Square
No Volume E-O (X²)
Model (E) Survey (O) X² = (E-O)/O
88 96 94.00 1.528713 0.024861307
89 95 96.00 -0.6843 0.004877796
90 95 96.00 -0.76245 0.006055571
91 95 92.00 3.25152 0.114917229
92 98 96.00 2.117315 0.046698169
93 96 96.00 0.315085 0.001034149
94 101 101.00 0.132383 0.000173517
95 101 97.00 4.241402 0.185458651
96 99 98.00 0.840905 0.007215524
Total 14.93833353
I. HIPOTESA
H0 : Model dengan Survei selaras
H1 : Model dengan Survei tidak selaras
VII. Keputusan :
Ho Diterima
Uji Chi-Square
No Volume E-O (X²)
Model (E) Survey (O) X² = (E-O)/O
10 109 109.00 0.09208 7.7786E-05
11 109 110.00 -1.13558 0.011723068
12 114 114.00 -0.08739 6.69907E-05
13 112 117.00 -4.97523 0.211563436
14 108 115.00 -7.39818 0.475939672
15 107 114.00 -6.72385 0.396580785
16 113 115.00 -2.3944 0.049853348
17 113 112.00 0.530017 0.002508193
18 109 114.00 -5.4521 0.260748775
19 107 113.00 -6.11968 0.331419851
20 113 115.00 -1.78362 0.02766343
21 115 112.00 3.240191 0.093739648
22 108 109.00 -1.12468 0.011604565
23 106 110.00 -4.04599 0.148818821
24 112 114.00 -1.97523 0.034224008
25 108 107.00 0.902298 0.007608798
26 103 108.00 -4.81949 0.215069098
27 102 110.00 -8.13445 0.601538704
28 108 107.00 1.172735 0.012853336
29 102 104.00 -1.99911 0.038427316
30 99 105.00 -5.73011 0.312706474
31 102 109.00 -7.09275 0.461532608
32 101 102.00 -1.36679 0.01831477
33 99 100.00 -1.06934 0.011434882
34 99 99.00 0.300711 0.000913403
35 100 103.00 -2.99166 0.086893434
36 100 101.00 -1.29433 0.016586959
37 97 101.00 -4.34288 0.186738429
38 98 102.00 -4.24439 0.176616144
39 101 103.00 -1.69561 0.027913654
40 95 102.00 -6.69724 0.439734873
41 102 101.00 0.961213 0.009147824
42 101 102.00 -1.18335 0.01372858
43 104 101.00 2.530078 0.06337915
44 99 98.00 0.639424 0.004172073
45 102 99.00 2.70388 0.073848156
46 102 98.00 3.757512 0.144070399
47 104 100.00 3.920273 0.153685409
159
Uji Chi-Square
No Volume E-O (X²)
Model (E) Survey (O) X² = (E-O)/O
48 101 96.00 4.624423 0.222763402
49 108 101.00 6.791245 0.456643587
50 109 101.00 7.531451 0.561611396
51 104 99.00 5.438289 0.298737274
52 107 102.00 5.438399 0.289962543
53 108 99.00 9.351635 0.883364423
54 106 100.00 5.69052 0.323820166
55 102 101.00 0.882743 0.007715201
56 110 101.00 9.37123 0.869504532
57 102 98.00 4.071992 0.169195083
58 102 96.00 6.254009 0.407423188
59 96 94.00 1.505743 0.024119812
60 98 98.00 0.46565 0.002212549
61 100 99.00 1.206103 0.014693772
62 100 101.00 -0.57099 0.003228039
63 97 100.00 -3.23351 0.104555598
64 96 94.00 1.694665 0.030552027
65 93 97.00 -4.31523 0.191971583
66 96 96.00 -0.16193 0.000273138
67 93 91.00 2.058564 0.046567957
68 89 94.00 -4.70864 0.23586524
69 80 83.00 -3.15512 0.119936948
70 89 86.00 3.01208 0.105495664
71 83 84.00 -0.92959 0.010287334
72 93 90.00 2.837254 0.08944454
73 97 91.00 5.57815 0.341931428
74 96 92.00 3.724882 0.150812426
75 87 82.00 5.139497 0.322127139
76 92 91.00 0.581636 0.003717585
77 95 94.00 0.784264 0.006543299
78 89 89.00 -0.09722 0.000106207
79 98 94.00 4.130799 0.181526636
80 97 98.00 -1.18708 0.014379286
81 99 99.00 0.266052 0.000714985
82 92 94.00 -1.80213 0.034549733
83 100 96.00 3.749795 0.146468355
84 95 95.00 -0.13229 0.000184224
85 100 96.00 3.588331 0.13412625
160
Uji Chi-Square
No Volume E-O (X²)
Model (E) Survey (O) X² = (E-O)/O
86 100 101.00 -0.54092 0.002896959
87 96 95.00 0.543082 0.003104608
88 96 94.00 1.663885 0.029452273
89 95 96.00 -0.62657 0.004089514
90 95 96.00 -0.73381 0.005609098
91 95 92.00 3.285393 0.117323968
92 99 96.00 2.985166 0.092825164
93 97 96.00 0.71321 0.005298629
94 102 101.00 1.393879 0.019236607
95 103 97.00 5.5084 0.312808926
96 100 98.00 1.846854 0.034804789
Total 13.66026488
I. HIPOTESA
H0 : Model dengan Survei selaras
H1 : Model dengan Survei tidak selaras
VII. Keputusan :
Ho Diterima
161
Frekuensi Frekuensi
Interval Frekuensi
Relatif Komulatif
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
89.50 96.51 103.52 110.53 117.54 124.55 131.56 138.57
Kecepatan (Km/Jam)
162
Frekuensi Frekuensi
Interval Frekuensi
Relatif Komulatif
1.80
1.60
1.40
1.20
1.00
0.80
0.60
0.40
0.20
0.00
84.40 87.21 90.02 92.83 95.64 98.45 101.26 104.07 106.88 109.69
Kecepatan (Km/Jam)
163
N : 25
Min : 84
Max : 105,09 N>N’, sampel data memenuhi syarat uji kecukupan data
Mean : 94,08
SD : 6,68
K :3 Min < BKB, nilai minimum masuk kedalam rentang uji
α : 0,05 keseragaman data
N’ : 16
BKB : 74 Max < BKA, nilai maksimum masuk kedalam rentang uji
BKA : 114 keseragaman data
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
2.50
2.00
1.50
1.00
0.50
0.00
85.05 87.16 89.27 91.38 93.49 95.60 97.71 99.82 101.93 104.04
Kecepatan (Km/Jam)
164
N : 32
Min : 78
Max : 105,5 N>N’, sampel data memenuhi syarat uji kecukupan data
Mean : 92,38
SD : 7,14 Min < BKB, nilai minimum masuk kedalam rentang uji
K :3 keseragaman data
α : 0,05
N’ : 26,28 Max < BKA, nilai maksimum masuk kedalam rentang uji
BKB : 71 keseragaman data
BKA : 114
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
80.25 84.76 89.27 93.78 98.29 102.80
Kecepatan (Km/Jam)
165
N : 35
Min : 82
Max : 110,06 N>N’, sampel data memenuhi syarat uji kecukupan data
Mean : 82,6
SD : 23,67
K :3 Min < BKB, nilai minimum masuk kedalam rentang uji
α : 0,05 keseragaman data
N’ : 22
BKB : 72 Max < BKA, nilai maksimum masuk kedalam rentang uji
BKA : 115 keseragaman data
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
84.00 88.01 92.02 96.03 100.04 104.05 108.06
Kecepatan (Km/Jam)
166
N : 40
Min : 75
Max : 99,56 N>N’, sampel data memenuhi syarat uji kecukupan data
Mean : 81,84
SD : 5,08
K :3 Min < BKB, nilai minimum masuk kedalam rentang uji
α : 0,05 keseragaman data
N’ : 14
BKB : 67 Max < BKA, nilai maksimum masuk kedalam rentang uji
BKA : 97 keseragaman data
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
76.75 80.26 83.77 87.28 90.79 94.30 97.81
Kecepatan (Km/Jam)
167
N : 11
Min : 75
Max : 85,03 N>N’, sampel data memenuhi syarat uji kecukupan data
Mean : 78,08
SD : 2,53
K :3 Min < BKB, nilai minimum masuk kedalam rentang uji
α : 0,05 keseragaman data
N’ :5
BKB : 70 Max < BKA, nilai maksimum masuk kedalam rentang uji
BKA : 86 keseragaman data
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
76.25 78.76 81.27 83.78
Kecepatan (Km/Jam)
168
N :6
Min : 70
N<N’, sampel data tidak memenuhi syarat uji kecukupan
Max : 83,23
data
Mean : 77,17
SD :4
K :3
Min < BKB, nilai minimum masuk kedalam rentang uji
keseragaman data
α : 0,05
N’ : 10
BKB : 65 Max < BKA, nilai maksimum masuk kedalam rentang uji
BKA : 89 keseragaman data
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
71.65 74.96 78.27 81.58
Kecepatan (Km/Jam)
169
N :2
Min : 69
N<N’, sampel data tidak memenuhi syarat uji kecukupan
Max : 75,01
data
Mean : 72,01
SD : 2,12
K :3
Min < BKB, nilai minimum masuk kedalam rentang uji
keseragaman data
α : 0,05
N’ :6
BKB : 66 Max < BKA, nilai maksimum masuk kedalam rentang uji
BKA : 78 keseragaman data
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
70.50 73.51
Kecepatan (Km/Jam)
170
2500
2000
1500
1000
500
0
0.50 - 1.71 - 2.92 - 4.13 - 5.34 - 6.55 - 7.76 - 8.97 - 10.18 - 11.39 - 12.60 - 13.81 - 15.02 - 16.23 -
1.70 2.91 4.12 5.33 6.54 7.75 8.96 10.17 11.38 12.59 13.80 15.01 16.22 17.43
Distribusi Headway
171
1.20
1.00
0.80
0.60
0.40
0.20
0.00
10.25 10.76 11.27 11.78 12.29 12.80 13.31 13.82
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.20
1.00
0.80
0.60
0.40
0.20
0.00
10.40 11.21 12.02 12.83 13.64 14.45 15.26
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.20
1.00
0.80
0.60
0.40
0.20
0.00
11.40 12.21 13.02 13.83 14.64 15.45 16.26
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.20
1.00
0.80
0.60
0.40
0.20
0.00
13.25 13.76 14.27 14.78 15.29 15.80
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.20
1.00
0.80
0.60
0.40
0.20
0.00
11.40 12.21 13.02 13.83 14.64 15.45 16.26
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.20
1.00
0.80
0.60
0.40
0.20
0.00
12.30 12.91 13.52 14.13 14.74 15.35
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.20
1.00
0.80
0.60
0.40
0.20
0.00
12.40 13.21 14.02 14.83 15.64
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.20
1.00
0.80
0.60
0.40
0.20
0.00
12.45 13.36 14.27 15.18 16.09
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
1.20
1.00
0.80
0.60
0.40
0.20
0.00
13.45 14.36 15.27 16.18
I. HIPOTESA
H0 : Model dengan Survei selaras
H1 : Model dengan Survei tidak selaras
VII. Keputusan :
Tidak Berbeda Secara Signifikan
182
I. HIPOTESA
H0 : Model dengan Survei selaras
H1 : Model dengan Survei tidak selaras
VII. Keputusan :
Tidak Berbeda Secara Signifikan
I. HIPOTESA
H0 : Model dengan Survei selaras
H1 : Model dengan Survei tidak selaras
VII. Keputusan :
Tidak Berbeda Secara Signifikan
I. HIPOTESA
H0 : Model dengan Survei selaras
H1 : Model dengan Survei tidak selaras
VII. Keputusan :
Tidak Berbeda Secara Signifikan
183
I. HIPOTESA
H0 : Model dengan Survei selaras
H1 : Model dengan Survei tidak selaras
VII. Keputusan :
Tidak Berbeda Secara Signifikan
I. HIPOTESA
H0 : Model dengan Survei selaras
H1 : Model dengan Survei tidak selaras
VII. Keputusan :
Tidak Berbeda Secara Signifikan
I. HIPOTESA
H0 : Model dengan Survei selaras
H1 : Model dengan Survei tidak selaras
VII. Keputusan :
Tidak Berbeda Secara Signifikan
I. HIPOTESA
H0 : Model dengan Survei selaras
H1 : Model dengan Survei tidak selaras
VII. Keputusan :
Tidak Berbeda Secara Signifikan
185
KECEPATAN
KONDISI PROSES HITUNG GEH
Survei Model
Nilai default 91 93 4.84 92.1 0.0526
88 88 0.2401 87.755 0.0027
92 94 2.7889 92.835 0.0300
93 94 1.01606 93.504 0.0109
NILAI GEH 0.0962
91 93 4.4944 92.06 0.0488
Nilai default,
increment random 88 89 1.7424 88.66 0.0197
seed 92 94 4.5369 93.065 0.0487
93 94 1.9881 93.705 0.0212
NILAI GEH 0.1384
186
KECEPATAN
KONDISI PROSES HITUNG GEH
Survei Model
Penelitian Redi A Y, 91 91 0.1681 90.795 0.0019
default 88 88 0.16 87.8 0.0018
92 92 0.16 91.8 0.0017
93 92 0.5476 92.63 0.0059
NILAI GEH 0.0113
91 90 0.7569 90.565 0.0084
Penelitian Redi A Y,
increment random 88 86 5.2441 86.855 0.0604
seed 92 91 0.3249 91.715 0.0035
93 92 1.0404 92.49 0.0112
NILAI GEH 0.0835
KECEPATAN
KONDISI RMSE MAPE
Hasil Survei Model
Nilai default 91 93 5 0.02418
88 88 0 0.00557
92 94 3 0.01815
93 94 1 0.01084
9 0.0587
91 93 4 0.02330
Nilai default,
increment 88 89 2 0.01500
random seed 92 94 5 0.02315
93 94 2 0.01516
13 0.0766
Penelitian Redi 91 91 0 0.00451
A.Y, default 88 88 0 0.00455
92 92 0 0.00435
93 92 1 0.00796
1 0.0214
Penelitian Redi 91 90 1 0.00956
A Y , increment 88 86 5 0.02602
random seed 92 91 0 0.00620
93 92 1 0.01097
7 0.0527