Pengaruh Kecepatan Pada Antrian GT PDF

TESIS
ANALISIS PENGARUH MANAJEMEN KECEPATAN TERHADAP

ANTRIAN KENDARAAN PADA EXIT GERBANG TOL
PERIODE LIBURAN
Diajukan untuk memenuhi sebagian persyaratan mencapai derajat Sarjana S2 pada

Program Studi Magister Sistem dan Teknik Transportasi
Diajukan oleh
Yohanes Andika Suryo Negoro
16/404509/PTK/10926
DEPARTEMEN TEKNIK SIPIL DAN LINGKUNGAN

FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2018
i
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
Dr. Eng. Imam Muthohar, ST., MT

NIP
Pembimbing Pendamping Anggota Tim Penguji Lain
Dr. Ir. Dewanti, M.S. Ir. H. Wardhani Sartono, M.Sc

NIP. NIP. 19510125 198203 1 001
Tesis ini telah diterima sebagai salah satu persyaratan

untuk memperoleh gelar Master
Tanggal 24 Mei 2018
Pengelola Program Studi Teknik Sipil
Dr. Ir. Latief Budi Suparma, M.Sc

NIP. 19650509 199103 1 001
Mengetahui Ketua Jurusan Teknik Sipil dan Lingkungan/

Wakil Penanggung Jawab Program Studi Teknik Sipil
Prof. Ir. Joko Sujono, M.Eng., Ph.D.

NIP. 19611126 198902 1 001h
ii
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.
Yogyakarta, Juli 2018
Yohanes Andika Suryo Negoro

iii
KATA PENGANTAR
Segala syukur dan puji hanya bagi Tuhan Yesus Kristus, oleh karena
anugerah-Nya yang melimpah, kemurahan dan kasih setia yang besar akhirnya
penulis dapat menyelesaikan penulisan Tesis dengan judul “Analisis Pengaruh
Manajemen Kecepatan Terhadap Antrian Kendaraan Pada Exit Gerbang
Tol Periode Liburan” ini diajukan untuk memenuhi salah satu persyaratan
memperoleh derajat magister pada Program Studi Magister Sistem dan Teknik
Transportasi, Fakultas Teknik, Universitas Gadjah Mada, Yogyakarta.
Penyusun mengucapkan banyak terima kasih kepada semua pihak yang
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
Transportasi atas bantuan fasilitas dan kerjasama selama proses penelitian
ini berlangsung.
6. Program Beasiswa Magister Lembaga Pengelola Dana Pendidikan (LPDP),
atas diberikannya kesempatan kepada penyusun untuk melakukan studi
hingga mencapai jenjang magister.

iv
7. Orang tua, seluruh keluarga dan Rahmawati S.K tercinta, serta rekan-rekan
yang telah memberikan dorongan dan masukan kepada penyusun.
8. Teman-teman seperjuangan MSTT angkatan 29 yang tidak bisa penulis
sebutkan satu persatu.
Akhirnya kata semoga tesis ini dapat bermanfaat bagi dunia akademisi
pada umumnya dan penyusun pada khususnya.
Yogyakarta, Juli 2018
. 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
2.8.6 Model Simulasi untuk Manajemen Kecepatan Kendaraan................ 21

2.8.7 Perangkat model simulasi Vissim .................................................... 22
BAB 3 LANDASAN TEORI ................................................................................ 25
3.1 Parameter yang berhubungan dengan Arus Lalu Lintas .......................... 25
3.2 Ekivalen Mobil Penumpang ................................................................... 28
3.3 Kapasitas Jalan Bebas Hambatan (JBH) MKJI 1997 ............................... 29
3.4 Hubungan Kecepatan, Arus, dan Kerapatan ............................................ 30
3.5 Tingkat Kedatangan ............................................................................... 37
3.6 Disiplin Antrian...................................................................................... 38
3.7 Analisis Proses Antrian di Pintu Tol ....................................................... 38
3.8 Skenario Manajemen Kecepatan............................................................. 39
3.9 Simulasi Lalu Lintas dengan Vissim ....................................................... 39
3.10 Pembangunan Model Vissim .................................................................. 40
3.10.1 Fungsi percepatan dan perlambatan ................................................. 40
3.10.2 Distribusi......................................................................................... 42
3.10.3 Jenis, kelas, dan kategori kendaraan ................................................ 43
3.10.4 Perilaku pengemudi ......................................................................... 43
3.11 Kalibrasi dan Validasi Model Vissim ..................................................... 48
3.11.1 Kalibrasi Model Vissim ................................................................... 48
3.11.2 Penenentuan Jumlah Sampel dan Uji Kecukupan Data..................... 51
3.11.3 Validasi Model Vissim .................................................................... 52
BAB 4 METODE PENELITIAN .......................................................................... 55
4.1 Persiapan ................................................................................................ 57
4.2 Kajian Literatur ...................................................................................... 57
4.3 Tahap Pengumpulan Data ....................................................................... 57
4.4 Tahapan Penelitian ................................................................................. 60
BAB 5 HASIL PENELITIAN DAN PEMBAHASAN .......................................... 63
5.1 Pengumpulan Data ................................................................................. 63
5.2 Pengolahan Data .................................................................................... 65
5.2.1 Volume lalulintas ............................................................................ 66
5.2.2 Hubungan antara Kecepatan dan Kerapatan ..................................... 68
5.2.3 Headway antar kendaraan ................................................................ 72
vii
5.2.4 Kecepatan kendaraan ....................................................................... 73

5.2.5 Waktu Pembayaran Tarif Tol Per Jenis Kendaraan ......................... 75
5.3 Pembangunan Model Simulasi Vissim.................................................... 77
5.3.1 Pembuatan jaringan jalan ................................................................. 77
5.3.2 Data masukan kendaraan ................................................................. 80
5.3.3 Pengaturan komposisi lalulintas....................................................... 82
5.3.4 Pengaturan perilaku mengemudi ...................................................... 84
5.3.5 Pengaturan proses running dan luaran simulasi ................................ 85
5.4 Kalibrasi dan validasi model................................................................... 88
5.4.1 Proses kalibrasi dan validasi JBH Cikampek km. 81 – Exit Tol
Palimanan km. 189 .......................................................................... 88
5.4.2 Proses validasi JBH Cikampek km. 81 – Exit Tol Palimanan km.
189 .................................................................................................. 90
5.5 Skenario Pengaruh Manajemen Kecepatan Terhadap Antrian
Kendaraan Pada Exit Gerbang Tol Palimanan Periode Liburan ............... 97
5.6 Analisis Pengaruh Manajemen Kecepatan Terhadap Antrian
Kendaraan Pada Exit Gerbang Tol Palimanan Periode Liburan ............... 117
BAB 6 KESIMPULAN DAN SARAN ................................................................. 123
6.1 Kesimpulan ............................................................................................ 123
6.2 Saran ................................................................................................. 124
DAFTAR PUSTAKA ............................................................................................ 127
LAMPIRAN .......................................................................................................... 131
Lampiran 1 Formulir Survey Traffic Counting .................................................. 131
Lampiran 2 Formulir Survey Kecepatan ........................................................... 132
Lampiran 3 Formulir Survey Headway ............................................................. 133
Lampiran 4 Formulir Inventarisasi Ruas Jalan Bebas Hambatan ....................... 134
Lampiran 5 Pengolahan Data Volume Lalu Lintas ............................................ 135
Lampiran 6 Pengolahan Data Hubungan Kecepatan dan Kerapatan .................. 140
Lampiran 7 Pengolahan Data (Kecepatan Kendaraan) ...................................... 161
Lampirann 8 Pengolahan Data (Headway antar kendaraan) .............................. 170
Lampirann 9 Pengolahan Data Waktu Layanan Gardu Tol Per Jenis
Kendaraan .............................................................................................. 171
Lampiran 10 Analisis Data (Kalibrasi dan Validasi Model) .............................. 180
viii
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
kecepatan kendaraan........................................................................ 96
Tabel 5. 20 Desired speed kondisi lapangan ......................................................... 99
Tabel 5. 21 Desired speed skenario 1 ................................................................... 99
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 1. 1 Lokasi Penelitian ............................................................................. 2

Gambar 2. 1 Single Channel Single Phase................................................... .... 10
Gambar 2. 2 Single Channel Multiple Phase ........................................................ 10
Gambar 2. 3 Multiple Channel Single Phase ........................................................ 11
Gambar 2. 4 Multiple Channel Multiple Phase ..................................................... 11
Gambar 2. 5 Ilustrasi perbandingan lingkup mikroskopik, mesoskopik, dan
makroskopik ................................................................................ 14
Gambar 2. 6 Bagan Alir prosedur kalibrasi secara umum ..................................... 19
Gambar 2. 7 Kerangka berfikir penentuan model simulasi .................................... 22
Gambar 3. 1 Model kecepatan-kerapatan Underwood ................................. .... 36
Gambar 3. 2 Ilustrasi grafik fungsi percepatan dan perlambatan Vissim ............... 41
Gambar 3. 3 Ilustrasi grafik distribusi kecepatan yang diharapkan dalam Vissim . 42
Gambar 3. 4 Tipikal perilaku pembuntutan kendaraan .......................................... 48
Gambar 4. 1 Bagan Alir Penelitian ....................................................................... 56
Gambar 5. 1 Screenshoot video rekaman JBH Cikampek-Palimanan arah
Palimanan ................................................................................... 63
Gambar 5. 2 Screenshoot video rekaman JBH Cikampek -Palimanan arah
Jakarta ......................................................................................... 63
Gambar 5. 3 Potongan Melintang JBH Cikampek-Palimanan ............................... 64
Gambar 5. 4 Kondisi JBH Cikampek -Palimanan (kiri: Arah ke Jakarta, kanan:
Arah Palimanan) .............................................................................. 64
Gambar 5. 5 Kondisi lalulintas di Exit Tol Palimanan km. 189 pada jam sibuk.... 65
Gambar 5. 6 Grafik Fluktuasi Volume Kendaraan JBH Cikampek-Palimanan 24
Jam (Smp/Jam) ................................................................................ 67
Gambar 5. 7 Komposisi kendaraan selama 24 Jam ruas JBH Cikampek-
Palimanan ................................................................................... 68
Gambar 5. 8 Grafik Hubungan Kecepatan dan Kerapatan Model Greenshield ...... 69
Gambar 5. 9 Grafik Hubungan Kecepatan dan Kerapatan Model Greenberg ........ 70
Gambar 5. 10 Grafik Hubungan Kecepatan dan Kerapatan Model Underwood..... 71
xi
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
Lebih dari 80 km/jam ................................................................. 104
dengan Kecepatan Lebih dari 80 km/jam...................................... 104
xii
Lebih dari 100 km/jam ............................................................... 107
dengan Kecepatan Lebih dari 100 km/jam .................................... 108
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
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. 52 Ilustrasi pemasangan rambu perlambatan lalu lintas ....................... 112
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

Lebih dari 60 km/jam ................................................................. 115
Gambar 5. 57 Piktogram Rambu Elektronik Kurangi Kecepatan Kendaraan
Anda Kecepatan Maksimum 60 km/jam ..................................... 115
Gambar 5. 58 Rambu batas akhir larangan kecepatan maksimum 60 km/jam ....... 115
Gambar 5. 62 Ilustrasi pemasangan rambu perlambatan lalu lintas ....................... 116
Gambar 5. 64 Grafik Jumlah Antrian Exit Tol Palimanan Kondisi Do Nothing
dan Skenario Manajemen Kecepatan 1, 2 dan 3 ............................ 118
Gambar 5. 65 Grafik Jumlah Antrian Exit Tol Palimanan Kondisi Do Nothing
dan Skenario Manajemen Kecepatan 4 dan 5 ............................... 119
xiv
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.
Penelitian ini bertujuan untuk mengidetifikasi apakah manajemen kecepatan

dapat mengurangi antrian pada Exit Gerbang Tol, dengan bantuan perangkat lunak
Vissim. Pengambilan data dengan survei inventarisasi ruas jalan, pencacahan lalu
lintas dan kecepatan sesaat (spot speed). Analisis menggunakan simulasi software
Vissim dengan tahapan input data, kalibrasi, running model dan out put data yang
akan divalidasi dengan uji statistik, selanjutnya dilakukan running model pada 5
skenario manajemen kecepatan.
Hasil penelitian menunjukan manajemen kecepatan berpengaruh terhadap antrian

kendaraan pada Exit Gerbang Tol pada periode Liburan dengan hasil skenario 1
dapat mengurangi jumlah antrian kendaraan sebesar 45.56 %, skenario 2 sebesar
50.85 %, skenario 3 sebesar 65.55 %, skenario 4 sebesar 3.71 % dan skenario 5
sebesar 9.51 %.
Kata kunci: simulasi lalu lintas, manajemen kecepatan, antrian kendaraan

xv
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%.
Keywords: traffic simulation, speed management, vehicle queue

BAB 1
PENDAHULUAN
1.1 Latar Belakang
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
panjang, tikungan yang melengkung jauh, sehingga pengemudi tak perlu

menginjak rem terlalu dalam atau memindahkan perseneling di saat menikung.
Oleh karena itu diperlukan suatu kajian manajemen lalu lintas untuk
meminimalkan permasalahan lalu lintas yang timbul akibat arus kendaraan
periode liburan pada ruas Jalan Tol Cipali, khususnya pada Exit Gerbang Tol
Cipali. Lokasi ruas jalan bebas hambatan Cikampek Km. 73 – Exit Tol Palimanan
Km. 189 Atau Sepanjang 116 Km) sebagaimana Gambar 1.1 dibawah ini:
Gambar 1. 1 Lokasi Penelitian
1.2 Rumusan Masalah
Dalam kondisi Libur Panjang, dengan karakteristik pengemudi yang cenderung

untuk memacu kendaraan dengan kecepatan tinggi agar cepat sampai tujuan dan
volume kendaraan yang tinggi menyebabkan antrian kendaraan pada ruas Jalan
Tol Cipali khususnya Exit Tol Palimanan, oleh karena itu perlu diketahui:
1. Apakah pendekatan simulasi lalulintas dapat menggambarkan kondisi
lalulintas sebenarnya di lapangan?
2. Apakah pengaruh manajemen kecepatan terhadap antrian pada Exit Gerbang
Tol pada periode Liburan?
3
3. Apakah manajemen kecepatan dapat dilakukan dengan menggunakan

pendekatan simulasi lalulintas?
4. Apakah pendekatan simulasi dapat dijadikan sebagai alternatif dalam

menyelesaikan permasalahan antrian pada Exit Gerbang Tol pada periode
Liburan di masa yang akan datang?
1.3 Tujuan Penelitian
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.
1.4 Batasan Penelitian
Adanya batasan penelitian dalam sebuah penelitian ditujukan untuk lebih

memfokuskan penelitian dan juga untuk mengatasi permasalahan yang akan
dihadapi terkait dengan keterbatasan waktu dan sumber daya manusia dalam
pelaksanaaan penelitian ini. Berikut batasan-batasan dalam penelitian ini:
1. Lokasi penelitian adalah ruas Jalan Tol Cipali sepanjang 107 km, dimulai dari
Jalan Tol Cikampek Km. 81 dan berakhir pada Exit Gerbang Tol Palimanan
Km.189.
4
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.
1.5 Manfaat Penelitian
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.
1.6 Keaslian Penelitian
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
penelitian menunjukkan perbedaan yang signifikan antara nilai kecepatan

MKJI 1997 dengan hasil Vissim maupun observasi lapangan, sedangkan
kecepatan yang dihasilkan Vissim dengan observasi lapangan menunjukkan
perbedaan yang tidak signifikan.
2. Irawan dan Putri (2015), dengan judul Kalibrasi Vissim Untuk Mikrosimulasi
Arus Lalu Lintas Tercampur Pada Simpang Bersinyal (Studi Kasus: Simpang
Tugu, Yogyakarta). Penelitian ini bertujuan untuk membuat sebuah standar
proses kalibrasi di simpang bersinyal dengan perangkat lunak VISSIM
sedemikian sehingga kondisi nyata di lapangan dapat secara tepat
direpresentasikan di model simulasi. Simpang Tugu di Kota Yogyakarta
dipilih sebagai sebuah studi kasus. Proses kalibrasi dilakukan secara trial and
error dengan mempertimbangkan perilaku pengemudi yang agresif sehingga
menyerupai kondisi di Indonesia. Terdapat dua variabel yang diamati
kesesuaiannya pada penelitian ini, yaitu jumlah volume lalu lintas yang
dibangkitkan, dan panjang antrian di masing-masing lengan simpang untuk
setiap siklusnya. Hasil penelitian menunjukkan bahwa parameter-parameter
yang perlu dikalibrasi di perangkat lunak VISSIM adalah pemilihan lajur jalan
yang digunakan pada kondisi arus bebas (desired position at free flow),
perilaku pengemudi yang dapat menyiap kendaraan lain (overtaking), sudut
belok kendaraan saat keluar dari pendekat simpang (turning movement), dan
jarak antara kendaraan baik pada saat berhenti maupun pada saat memasuki
pendekat simpang (distance standing, distance driving, average standstill
distance, additive part of safety distance, dan multiplicative part of safety
distance).
3. Munawar dan Yulianto (2016), dengan judul Penentuan Nilai Kapasitas Jalan
Bebas Hambatan Dengan Aplikasi Perangkat Lunak Vissim. Penelitian yang
dilakukan yaitu menentukan nilai kapasitas jalan bebas hambatan di Indonesia
dengan pendekatan mikrosimulasi menggunakan perangkat lunak VISSIM.
Hasil penelitian menunjukkan terjadi peningkatan nilai kapasitas di ruas Jalan
Tol CTC km. 5,4 sebesar 8% dan Jalan Tol Jakarta-Cikampek km. 38 sebesar
5% dibandingkan MKJI 1997. Perbedaan nilai kapasitas terjadi antara lajur
6
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.
Perbedaan penelitian yang akan dilakukan dengan penelitian-penelitian terdahulu

yaitu pada penelitian ini fokus mengetahui pengaruh manajemen kecepatan
terhadap antrian kendaraan pada Exit Gerbang Tol Palimanan dengan perangkat
lunak Vissim.
BAB 2
TINJAUAN PUSTAKA
2.1 Manajemen dan Rekayasa Lalu Lintas
Definisi manajemen dan rekayasa lalu lintas berdasarkan Undang-Undang Nomor

22 Tahun 2009 Tentang Lalu Lintas dan Angkutan Jalan Pasal 1 ayat 29,
Manajemen dan rekayasa lalu lintas adalah serangkaian usaha dan kegiatan yang
meliputi perencanaan, pengadaan, pemasangan, pengaturan, dan pemeliharaan
fasilitas perlengkapan jalan dalam rangka mewujudkan, mendukung dan
memelihara keamanan, keselamatan, ketertiban dan kelancaran lalu lintas.
Peraturan Pemerintah Nomor 32 Tahun 2011 Tentang Manajemen dan Rekayasa,

Analisis Dampak Serta Manajemen Kebutuhan Lalu Lintas Pasal 1 ayat 1,
Manajemen dan rekayasa lalu lintas adalah serangkaian usaha dan kegiatan yang
meliputi perencanaan, pengadaan, pemasangan, pengaturan, dan pemeliharaan
fasilitas perlengkapan jalan dalam rangka mewujudkan, mendukung dan
memelihara keamanan, keselamatan, ketertiban, dan kelancaran lalu lintas.
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.
2.2 Manajemen Kecepatan

Di dalam Undang-undang No. 22 Tahun 2009, dalam Pasal 21, dinyatakan :
1. Setiap Jalan memiliki batas kecepatan paling tinggi yang ditetapkan secara
nasional.
2. Batas kecepatan paling tinggi sebagaimana dimaksud pada ayat (1) ditentukan
berdasarkan kawasan permukiman, kawasan perkotaan, jalan antarkota, dan
jalan bebas hambatan.
7
8
3. Atas pertimbangan keselamatan atau pertimbangan khusus lainnya,

Pemerintah Daerah dapat menetapkan batas kecepatan paling tinggi setempat
yang harus dinyatakan dengan Rambu Lalu Lintas.
4. Batas kecepatan paling rendah pada jalan bebas hambatan ditetapkan dengan
batas absolut 60 (enam puluh) kilometer per jam dalam kondisi arus bebas.
5. Ketentuan lebih lanjut mengenai batas kecepatan sebagaimana dimaksud pada
ayat (1) dan ayat (2) diatur dengan Peraturan Pemerintah.
Berdasarkan Peraturan Pemerintah Republik Indonesia Nomor 15 Tahun 2005,

Jalan tol yang digunakan untuk lalu lintas antarkota didesain berdasarkan
kecepatan rencana paling rendah 80 km/jam, dan untuk jalan tol di wilayah
perkotaan didesain dengan kecepatan rencana paling rendah 60 km/jam.
Berdasarkan Peraturan Menteri Perhubungan Nomor 111 Tahun 2015 Tentang

Tata Cara Penetapan Batas Kecepatan, Manajemen Kecepatan adalah tata cara
mengelola kecepatan dalam rangka mewujudkan keseimbangan antara
keselamatan dan efesiensi kecepatan kendaraan.
2.3 Jalan Tol

Jalan menurut Undang-Undang Republik Indonesia Nomor 38 Tahun 2004 adalah
prasarana transportasi darat yang meliputi segala bagian jalan, termasuk bangunan
pelengkap dan perlengkapannya yang diperuntukan bagi lalu lintas, yang berada
pada permukaan tanah, di atas permukaan tanah, di bawah permukaan tanah
dan/atau air, serta di atas permukaan air, kecuali jalan kereta api, jalan lori, dan
jalan kabel.
2.4 Gerbang Tol/Pintu Tol

Gerbang tol atau pintu tol adalah tempat pelayanan transaksi tol bagi pemakai tol,
yang terdiri dari beberapa gardu dan sarana kelengkapan lainnya (Info Tol, 2005).
Penggunaan gerbang tol diatur sebagai berikut:
1. Bangunan gerbang tol dipergunakan untuk pelaksanaan transaksi tol;
2. Di gerbang tol, pengguna wajib menghentikan kendaraannya untuk
mengambil atau menyerahkan karcis masuk dan membayar tol;
9
3. Dilarang menaikkan atau menurunkan penumpang dan atau barang dan atau
hewan di gerbang tol (PP No. 15 Th 2005, Pasal 25 ayat 4).
2.5 Sistem Antrian untuk Gardu Tol

Sistem pelayanan di gardu tol adalah suatu cara pengoperasian yang
diselenggarakan oleh pengelola gardu tol untuk melakukan pengumpulan tol atau
transaksi pembayaran tol yang dilaksanakan oleh pengguna jalan tol. Peraturan
Pemerintah Nomor 15 Tahun 2005, Pasal 39 ayat satu pengumpulan tol dapat
dilakukan secara sistem tertutup dan/atau sistem terbuka dengan memperhatikan
kepentingan pengguna dan efisiensi pengoperasian jalan tol serta kelancaran lalu
lintas.
Sistem tertutup adalah sistem pengumpulan tol yang kepada penggunanya

diwajibkan mengambil tanda masuk pada gerbang masuk dan membayar tol pada
gerbang keluar (PP No. 15 Th 2005, Pasal 39 ayat dua). Sistem terbuka adalah
sistem pengumpulan tol yang kepada penggunanya diwajibkan membayar tol pada
saat melewati gerbang masuk atau gerbang keluar (PP No. 15 Th 2005, Pasal 39
ayat dua). Pada saat melakukan transaksi di gerbang tol, pengguna jalan wajib
menghentikan kendaraannya saat mengambil atau menyerahkan kembali karcis
masuk dan/atau membayar tol, kecuali dengan sistem pengumpulan tol elektronik
(PP No. 15 Th 2005, Pasal 41 ayat empat butir b). Sistem Terbuka adalah
pengguna jalan langsung hanya membayar di gerbang tol masuk. Sistem Tertutup
adalah pengguna jalan mengambil tiket di gerbang tol masuk dan membayar di
gerbang keluar, pengguna jalan dicatat pada gerbang asal masuk kendaraanya
serta data tersebut disimpan dalam tiket/smartcard yang diambil oleh pengguna
jalan, kemudian pada saat di gerbang keluar pengguna jalan akan membayar
sesuai jarak tempuh/asal gerbang masuk.
Terdapat beberapa sistem antrian yang berbeda-beda yang menggunakan suatu

notasi yang dikenal dengan notasi Kendall. Tujuan dari notasi ini adalah untuk
mengindentifikasi dari suatu antrian seperti V/W/X/Y/Z, dimana:
10
V : Menunjukkan pola kedatangan

W : Menunjukkan pola pelayanan
X : Menyatakan jumlah pelayanan yang ada
Y : Menyatakan kapasitas sistem
Z : Menandakan disiplin antrian
Jika Y dan Z tidak ditentukan berarti Y tak terhingga (∞) dan Z adalah FIFO
(Kakiay, 2004).
Ada beberapa sistem dalam antrian yaitu:

1. Single Channel Single Phase
Single Channel diartikan hanya ada satu jalur fasilitas pelayanan sedangkan
single phase diartikan hanya ada satu pelayanan contohnya tukang pangkas
rambut. Gambaran Single Channel Single Phase dapat dilihat pada Gambar
2.1.
Gambar 2. 1 Single Channel Single Phase

Sumber: Kakiay, 2004
2. Single Channel Multiple Phase

Single Channel diartikan hanya ada satu jalur fasilitas pelayanan. Istilah
Multiple Phase berarti ada dua atau lebih pelayanan yang diberikan, tetapi
dalam setiap jenis pelayanan hanya satu orang yang memberikan pelayanan
tersebut contohnya tempat pencucian mobil. Ilustrasi Single Channel Multiple
Phase dapat dilihat pada Gambar 2.2.
Gambar 2. 2 Single Channel Multiple Phase

3. Multiple Channel Single Phase

Multiple Channel Single Phase terjadi apabila dua atau lebih fasilitas
pelayanan diakhiri oleh antrian tunggal contohnya antrian pada teller di bank,
11
antrian di supermarket. Ilustrasi Multiple Channel Single Phase dapat dilihat

pada Gambar 2.3.
Gambar 2. 3 Multiple Channel Single Phase

4. Multiple Channel Multiple Phase

Multiple Channel Multiple Phase terdapat dua atau lebih fasilitas pelayanan,
terdapat lebih dari satu pelayanan (dalam phase-phase) dan terdapat lebih dari
satu orang pemberi layanan dalam setiap jenis layanannya contohnya registrasi
mahasiswa di universitas, pelayanan kepada pasien di rumah sakit. Ilustrasi
Multiple Channel Multiple Phase dapat dilihat pada Gambar 2.4.
Gambar 2. 4 Multiple Channel Multiple Phase

Sistem antrian gardu tol reguler mengungguli sistem antrian gardu tol otomatis
pada aspek service time (waktu pelayanan) dan aspek waiting time in queue
(waktu tunggu dalam antrian), sedangkan gardu tol otomatis mengungguli pada
aspek waiting time in system (waktu tunggu dalam sistem) dibanding gardu tol
reguler (Wulandari, Arif, 2013).
12
Tabel 2. 1 Rata-rata Waktu Pelayanan Gardu Tol Otomatis dan Gardu Tol
Rata-rata Waktu Pelayanan
Gardu Tol Otomatis 6.5 detik/mobil
Gardu Tol Reguler 5.2 detik/mobil
Sumber: Wulandari, Arif. (2013), Analisis Efektifitas Pelayanan Antrian

Pada Gardu Tol Otomatis dan Gardu Tol Reguler.
Tabel 2. 2 Rata-rata Waktu Tunggu Dalam Antrian Gardu Tol Otomatis
Rata-rata Waktu Tunggu Dalam Antrian

Tabel 2. 3 Rata-rata Waktu Tunggu Dalam Sistem Gardu Tol Otomatis dan Gardu
Tol Reguler
Rata-rata Waktu Pelayanan

2.6 Golongan Kendaraaan

Golongan jenis kendaraan bermotor pada jalan tol yang sudah beroperasi
berdasarkan Kepmen Pekerjaan Umum No. 370/KPTS/M/2007 dapat dilihat pada
Tabel 2.4 sebagai berikut :
Tabel 2. 4 Golongan Kendaraan
Golongan Jenis Kendaraan
Golongan I Sedan, Jip, Pick Up/Truk Kecil dan Bus

Golongan II Truk dengan 2 (dua) gandar
Golongan III Truk dengan 3 (tiga) gandar

13
Golongan Jenis Kendaraan
Golongan IV Truk dengan 4 (empat) gandar
Golongan V Truk dengan 5 (lima) gandar
Golongan VI Kendaraan bermoto roda 2 (dua)

Sumber: Kepmen Pekerjaan Umum No. 370/KPTS/M/2007
2.7 Perilaku Mengemudi dan Karakteristik Arus Lalu Lintas

Penelitian terhadap perilaku mengemudi merupakan pendekatan penting untuk
identifikasi solusi menaikkan tingkat pelayanan jalan, mengurangi kecelakaan lalu
lintas, peningkatan desain kendaraan, dan pengembangan peralatan keselamatan
di dalam kendaraan (Rong, et.al., 2011). Tujuan penelitian ini adalah untuk
mendapatkan pengertian yang mendalam terhadap dampak perbedaan individual
dari perilaku mengemudi dan karakteristik arus lalu lintas. Sebuah metode
mengintegrasikan simulator mengemudi dan simulasi lalu lintas dikembangkan
untuk investigasi dampak perilaku mengemudi pada arus lalu lintas. Pertama,
pengemudi diklasifikasikan dalam tiga kategori, pengemudi agresif, pengemudi
konservatif dan pengemudi moderat. Ke dua, parameter perilaku mengemudi dari
tiga kategori tersebut dikalibrasi untuk model simulasi lalu lintas menggunakan
data yang dikumpulkan dari simulator mengemudi. Selanjutnya, dampak dari
perilaku mengemudi terhadap arus lalu lintas dianalisis dengan teknis simulasi
lalu lintas. Hasil studi menunjukkan bahwa jalan dengan pengemudi agresif
memiliki angka arus terbesar, tetapi angka kestabilan lalu lintas terendah.
Selanjutnya untuk memelihara tingkat pelayanan jalan dan meningkatkan
keselamatan lalu lintas, diperlukan pengembangan pelatihan dan kampanye umum
untuk menyentuh para pengemudi agresif.
2.8 Model Simulasi Lalulintas

Saat ini pemodelan sistem transportasi dapat dilakukan dengan cepat dengan
menggunakan simulasi lalulintas, seiring dengan perkembangan teknologi
komputer (Aghabayk, dkk, 2013). Secara umum, model simulasi lalulintas dapat
dibagi menjadi tiga kategori, yaitu model simulasi mikroskopik, makroskopik, dan
14
mesoskopik berdasarkan tingkat detail dalam mempresentasikan aliran lalulintas.

Simulasi mikroskopik menekankan pada pergerakan kendaraan secara individual
dalam aliran lalulintas, model car-following dan lane-changing merupakan
komponen fundamental dalam simulasi lalulintas mikroskopik. Simulasi
makroskopik menggambarkan kendaraan sebagai satu kesatuan yang bergerak
bersamaan bagai suatu aliran air. Simulasi mesoskopik merupakan kombinasi
antara metode yang digunakan dalam dua kategori sebelumnya.
(http://vertxap.com/VISSIM_vision)
Gambar 2. 5 Ilustrasi perbandingan lingkup mikroskopik, mesoskopik, dan

makroskopik
Selain ketiga model di atas, terdapat model simulasi submikroskopik, yang
memiliki tingkat detail yang lebih tinggi dibandingkan dengan simulasi
mikrosimulasi. Model simulasi submikroskopik meninjau kendaraan sebagai suatu
sub unit dengan mempertimbangkan perilaku pengemudi yang lebih detail dalam
pengendalian kendaraan seperti pengaturan perpindahan gigi kendaraan.
15
2.8.1 Simulasi makroskopik

Pendekatan makroskopik menggambarkan aliran lalulintas yang dianalogikan
dengan aliran fluida seperti air atau gas, yang dapat dijelaskan dalam suatu
persamaan diferensial. Proses simulasi pada tinjauan makroskopik dilakukan
untuk mengevaluasi interaksi aliran lalulintas terhadap ruang dan waktu dalam
jaringan jalan. Perilaku kendaraan dan pengemudi seperti manuver berpindah lajur
tidak ditampilkan secara eksplisit dan dipresentasikan dalam perilaku dengan
karakteristik seperti arus, kerapatan, dan kecepatan. Proses kalibrasi pada simulasi
makroskopik sangat tergantung pada ketersediaan data observasi. Model simulasi
makroskopik banyak dilakukan dengan pendekatan penggambaran jaringan jalan
dalam suatu bagian-bagian kecil (cells). Burghout (2004) menyebutkan beberapa
model simulasi makroskopik diantaranya dikembangkan oleh Daganzo (1994;
1995) dan Elloumni dkk. (1994). Konsep dalam model-model tersebut yaitu
menggambarkan aliran lalulintas sebagai kondisi perpindahan kendaraan dalam
cell yang satu ke cell yang lainnya.
2.8.2 Simulasi Mikroskopik

Model simulasi mikroskopik menggambarkan perilaku kendaraan dan pengemudi
secara individual terhadap ruang dan waktu dalam suatu sistem lalulintas, dan
meninjau interaksinya satu sama lain, maupun terhadap kondisi lingkungan
sekitarnya. Model yang mempengaruhi perilaku mengemudi dapat dibagi ke
model pembuntutan kendaraan, model perpindahan lajur, dan model pemilihan
rute.
Model pembuntutan kendaraan menggambarkan pola pengereman dan percepatan

yang dihasilkan dari interaksi pengemudi dengan kendaraan di depannya maupun
objek lainnya (aturan batas kecepatan, alinyemen jalan, dll). Model perpindahan
lajur menggambarkan keputusan pengemudi saat berpindah lajur, dasar keputusan
bergantung pada diri pengemudi dan situasi di sekitarnya terkait dengan lajur
eksisting kendaraan dan lajur lainnya (kecepatan kendaraan di depan, ketersedian
celah di lajur sekitar, dll). Model pemilihan rute menggambarkan bagaimana
pegemudi menentukan rute mana yang mereka pilih mulai dari lokasi asal (origin)
16
ke tujuan (destination), serta bagaimana mereka bereaksi terhdap kondisi

lalulintas yang ada dan informasi lalulintas yang terdapat selama perjalanan. Saat
ini perkembangan pemodelan dengan simulasi mikroskopik semakin tinggi seiring
dengan peningkatan kompleksitas penentuan data masukan seabagai variasi dalam
simulasi. Parameter-parameter di dunia nyata seperti perilaku mengemudi (misal
perubahan lajur), interaksi antar pengemudi/kendaraan, reaksi pengemudi
terhadap lingkungan sekitarnya (geometrik, kendaraan lainnya, persimpangan,
sinyal, pejalan kaki, dll) dapat dilakukan dengan simulasi mikroskopik, sehingga
kondisi sesungguhnya di lapangan dapat disimulasikan dengan simulasi
makroskopik. Beaulieu dkk (2007) menyebutkan bahwa model simulasi dapat
digunakan untuk memprediksi estimasi kinerja lalulintas di masa yang akan
datang berdasarkan pertimbangan perubahan traffic demand atau pola perjalanan,
perubahan geometrik maupun manajemen lalulintas seperti di ramp, manajemen
terhadap kendaran berat, pentupan lajur, atau kemacetan. Hasil model simulasi
lalulintas secara mikroskopik saat ini dapat ditampilkan dalam animasi untuk
memberikan gambaran yang lebih jelas bagi kalangan dari non teknik untuk
menilai kinerja yang diinginkan.
2.8.3 Simulasi Mesoskopik

Model aliran mesoskopik menggambarkan aliran lalulintas dalam tingkat detail
yang menengah. Perilaku kendaraan dan pengemudi dalam simulasi mesoskopik
tidak dibedakan maupun ditinjau sebagai sebuah individu. Kumpulan kendaraan
dengan perilaku yang sama digambarkan sebagai suatu individu.
Beberapa model mesoskopik dihasilkan dari analogi teori gas-kinetik

(Hoogendoorn dan Bovy, 2001). Model gas-kinetik menggambarkan distribusi
kecepatan pada lokasi spesifik dan dalam waktu yang sesaat. Dinamika distribusi
ini berkembang dan menentukan bermacam proses penggambaran perilaku
pengemudi (percepatan, interaksi antar kendaraan, perpindahan lajur). Model
mesoskopik yang banyak dikenal antara lain model distribusi headway, model
cluster, dan model kontinum gas-kinetik.
17
2.8.4 Simulasi Lalulintas dan Transportasi di Indonesia (State of the Art)

Penggunaan perangkat lunak untuk mensimulasikan model lalulintas dan
transportasi telah banyak digunakan di Indonesia, dengan media komputer proses
perencanaan, perancangan, maupun manajemen operasional dapat dilakukan
dengan efisiensi waktu dan biaya dengan tingkat keakuratan yang teruji oleh
berbagai metode pengujian statistik yang membandingkan antara model dengan
kondisi sesungguhnya di lapangan. Hidayat dan Munawar (2007) melakukan
beberapa skenario manajemen jaringan jalan dengan program EMME/2,
fleksibilitas yang terdapat dalam program memberikan fleksibilitas dalam
pemodelan sehingga berbagai skenario manajemen lalulintas dapat dilakukan dan
membandingkan perbandingan kinerja tiap skenario untuk menentukan skenario
mana yang memberikan kinerja paling baik untuk dilakukan. Penyederhanaan
kompleksitas kondisi sesungguhnya saat memodelkan transportasi dapat
dilakukan pula dengan menggunakan perangkat lunak, Ansusanto, dkk. (2014)
memodelkan pengaruh perubahan guna lahan terhadap jaringan jalan di perkotaan
Yogyakarta. Manejemen dan operasional kebijakan terkait dengan lalulintas dapat
disederhanakan dengan memodelkan berbagai variabel yang terstruktur kedalam
suatu persamaan matematis, dengan menggunakan perangkat lunak EMME-2.
Munawar (2004) memodelkan kebijakan manajemen lalulintas di area kampus
UGM dengan memodelkan keinginan dari dosen, karyawan, dan mahasiswa yang
memiliki beragam opini dalam pengambilan kebijakan manajemen lalulintas
karena perbedaan karakteristik perilaku dan kegiatan di area kampus serta
membandingkannya dengan kondisi prasarana yang ada sehingga dapat ditarik
kesimpulan manajemen yang dapat memenuhi keinginan aktivis kampus dan
memberikan kinerja lalulintas di area kampus.
2.8.5 Kalibrasi dan Validasi Vissim

Permasalahan yang terjadi pada saat memodelkan lalulintas dan transportasi di
Indonesia adalah pada proses kalibrasi model, karena produsen perangkat lunak
yang digunakan berasal dari negara luar yang kondisi lalulintasnya dapat berbeda
18
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.
Aghabayk dkk (2013) menyatakan dalam melakukan proses simulasi lalulintas

dengan pendekatan mikroskopik memerlukan proses kalibrasi yang tepat, karena
proses kalibrasi yang tidak tepat akan menghasilkan kesimpulan yang salah dan
kebijakan yang diambil berdasarkan kesimpulan tersebut akan merugikan secara
teknis maupun finansial. Proses kalibrasi untuk simulasi mikroskopik memerlukan
kompleksitas dan waktu pengerjaan yang banyak dikarenakan banyaknya jumlah
parameter yang tidak diketahui (Toledo dkk, 2004 dalam Aghabayk dkk, 2013).
Aghabayk selanjutnya menjelaskan bahwa telah banyak penelitian yang
menggunakan proses kalibrasi dengan menggunakan prosedur generik yang
membutuhkan banyak sumber-sumber intensif dan waktu pengerjaan yang lama,
sementara penelitian lain menggunakan pendekatan algoritma dalam proses
kalibrasinya, namun proses-proses tersbut masih membutuhkan waktu pengerjaan
yang banyak seiring dengan beban proses simulasi terhadap proses running
simulasi. Tingkat keakuratan model simulasi lalulintas sangat bergantung pada
estimasi pergerakan kendaraan di jaringan jalan (Aghabayk, 2013). Perilaku
mengemudi dalam mikrosimulasi saling terkait satu sama lain dengan perilakunya
masing-masing. Perilaku mengemudi berupa pembuntutan kendaraan (car-
following) dan perpindahan lajur (lane-changing) berpengaruh langsung secara
19
substansial terhadap hasil simulasi, walaupun parameter-parameter lainnya terkait

dengan percepatan/perlambatan maksimum dan yang diinginkan, distribusi
kecepatan yang diinginkan, serta sinyal lalulintas tetap harus dipertimbangkan.
Proses kalibrasi mengizinkan sebanyak apapun parameter yang dapat
dipertimbangkan dalam simulasi, namun hal tersebut memberikan konsekuensi
waktu dan kompleksitas dalam proses running. Aghabayk (2013)
mengilustrasikan prosedur kalibrasi secara umum dalam Gambar 2.6.
Gambar 2. 6 Bagan Alir prosedur kalibrasi secara umum

Sumber: Aghabayk, 2013
Penelitian mengenai kalibrasi dan validasi simulasi, maupun kapabilitas perangkat

lunak untuk mensimulasikan model lalulintas telah banyak dilakukan di
Indonesia, hal ini diperkuat dengan melihat hasil-hasil penelitian tersebut yang
menunjukkan bahwa antara model dengan kondisi sesungguhnya di lapangan
tidak terdapat perbedaan yang signifikan. Proses kalibrasi ditujukan untuk
mendapatkan model yang representasi kondisi sesungguhnya, pada simulasi
dengan lingkup mikroskopik proses kalibrasi dilakukan terhadap parameter-
parameter yang bersifat mikroskopik seperti perilaku berkendara. Fitrada dan
20
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.
2.8.6 Model Simulasi untuk Manajemen Kecepatan Kendaraan

Penentuan besaran parameter-parameter dalam MKJI 1997 dibantu dengan
menggunakan model simulasi, untuk mengatasi kebutuhan data empiris yang
banyak baik dari segi pengumpulan, maupun analisis. Model simulasi dikalibrasi
terhadap perilaku mengemudi dan karakteristik kendaraan terukur di lapangan
(Bang, 1995). Tinjauan secara mikroskopik digunakan memodelkan kendaraan
sebagai sebuah individu dan pergerakannya ditentukan berdasarkan distribusi
stokastik dalam menentukan perilaku mengemudi dan karakteristik kendaraannya.
Pengambilan keputusan pengemudi dikaitkan dengan faktor-faktor eksternal yang
berpengaruh seperti alinyemen jalan dan keberadaan kendaraan lainnya, baik yang
searah maupun berlawanan arah lalulintasnya. Gambar 2.7 menunjukkan kerangka
berpikir dalam penentuan model simulasi. Dalam menganalisis jaringan jalan,
digunakan data lapangan sebagai kalibrasi dan validasi dari simulasi maupun
untuk mengetahui hubungan empiris antara kecepatan dan kapasitas terhadap
potongan melintang jalan dan kondisi lingkungan yang ada. Proses simulasi
digunakan untuk menentukan panjang antrian kendaraan pada gerbang tol
Palimanan dengan menggunakan beberapa skenario yang sulit dilakukan dari
pengumpulan data di lapangan. Kalibrasi dan validasi terhadap model simulasi
dilakukan terhadap volume dan kecepatan kendaraan. Proses pengamatan secara
mikroskopik pada masa lalu sulit dilakukan karena memerlukan proses analisis
yang rumit, namun seiring dengan perkembangan teknologi komputer, proses
tersebut bisa dilakukan dengan bantuan perangkat komputer.
22
Gambar 2. 7 Kerangka berfikir penentuan model simulasi

Sumber: Bang, 1995
2.8.7 Perangkat model simulasi Vissim

Maciejewski (2010), melakukan penelitian yang memperbandingkan beberapa
perangkat simulasi mikroskopik lalulintas terhadap kondisi eksisting di area
perkotaan. Perangkat yang diperbandingkan antara lain Transims, Sumo, dan
Vissim. hasil perbandingan antara ketiga perangkat tersebut ditunjukkan dalam
Tabel 2.5.
Tabel 2. 5 Perbandingan perangkat model simulasi mikroskopik lalulintas

PARAMETER TRANSIMS SUMO VISSIM
Space domain discrete continous continous
Car following model low medium high
Realism level of vehicle no no yes

dynamics
23
PARAMETER TRANSIMS SUMO VISSIM
Two-wheeled vehicles no no yes
Trams no no yes
Pedestriaans no no yes
Network representation links & nodes links & nodes links &
connectors
Modeling of roundabouts with limited precision with limited very precise

and complex (esp. for large cells) precision
intersections
Simulation speed high medium Low
Maximum scope area region/country city/region city district
Model edition via text files via XML files graphical
Route generation not included (external yes yes (route

according to turning application required) (JTRRouter) decision point)
ratios
Visualization of off-line, 2D (external on-line, 2D, on-line, 2D &

simulation application required) low details 3D, high details
Software category free free commercial
Sumber: Maciejewski (2010)
Hasil simulasi menunjukkan terdapat persamaan maupun perbedaan dalam

beberapa hal diantara ketiga perangkat tersebut. Kesimpulan yang didapat dari
penelitian tersebut menunjukkan bahwa hasil pemodelan yang dihasilkan
perangkat Sumo memiliki nilai kapasitas jaringan yang terlalu rendah
dibandingkan dengan kapasitas jaringan sebenarnya, namun di lain pihak kedua
perangkat lainnya masih memiliki pembiasan dari pola kurva hasil simulasinya
dibandingkan dengan kondisi sebenarnya.
Beaulieu dkk (2007) mendokumentasikan model simulasi lalulintas berdasarkan

mikroskopik oleh perangkat Vissim, tahapan-tahapan dalam membangun model
simulasi Vissim adalah sebagai berikut:
24
1. Informasi latar belakang

Bagian ini menggambarkan informasi-informasi penting mengenai tujuan dan
lingkup pemodelan.
2. Kondisi visual lapangan

Bagian ini memberikan ilustrasi kondisi di lapangan, komponen-komponen
apa saja yang terdapat di lapangan dengan skala yang ditentukan berdasarkan
kondisi lapangan yang sebenarnya.
3. Data masukan elemen-elemen model

Bagian ini meupakan bagian untuk mengisikan data-data masukan terkait
dengan elemen-elemen model seperti distribusi kecepatan, jenis kendaraan,
perilaku mengemudi, jenis link, dan seterusnya.
BAB 3
LANDASAN TEORI
3.1 Parameter yang berhubungan dengan Arus Lalu Lintas

Arus lalu lintas merupakan interaksi yang unik antara pengemudi, kendaraan, dan
jalan. Tidak ada arus lalu lintas yang sama bahkan pada keadaan yang serupa,
sehingga arus pada suatu ruas jalan tertentu selalu bervariasi. Terdapat delapan
variabel atau ukuran dasar yang digunakan untuk menjelaskan arus lalu lintas, dan
beberapa karakteristik aliran lainnya diturunkan dari variable-variabel ini. Tiga
variabel utama adalah kecepatan (v), volume (q), dan kepadatan (k). Tiga variabel
lainnya yang digunakan dalam analisis arus lalu lintas adalah headway (h),
spacing (s), dan occupancy (R). juga berhubungan dengan spacing dan headway
adalah dua parameter lain, yaitu clearance (c) dan gap (g). Adapun penjelasan
masing-masing parameter adalah sebagai berikut:
1. Kecepatan rata-rata ruang (speed)
Kecepatan didefinisikan sebagai suatu laju dari suatu pergerakan kendaraan
dihitung dalam jarak per satuan waktu, umumnya dalam mil/jam (mph) atau
kilometer/jam. Karena beragamnya kecepatan individual di dalam aliran lalu
lintas, maka biasanya digunakan kecepatan rata-rata untuk mengetahui
karakteristik dari arus lalu-lintas. Pengertian kecepatan ada dua jenis yaitu :
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.
2. Tingkat Arus dan Volume lalu lintas

Volume dan arus adalah ukuran yang berbeda. Volume adalah jumlah
kendaraan sebenarnya yang diamati melalui titik selama rentang waktu
tertentu. Sedangkan arus adalah jumlah kendaraan yang melalui suatu titik
dalam waktu kurang dari 1 (satu) jam, tetapi diekuivalenkan ke tingkat rata-
rata per jam.
25
26
3. Kepadatan (density) lalu lintas

Kepadatan didefinisikan sebagai jumlah kendaraan yang menempati suatu
panjang tertentu dari jalan atau lajur, dirata-ratakan terhadap waktu, biasanya
dinyatakan dengan kendaraan per kilometer (kend/km). Perhitungan langsung
kepadatan dapat dilakukan dengan melalui foto udara, tapi umumnya dihitung
dengan menggunakan persamaan sebagai berikut:
(3.1)
dimana :
= tingkat arus (kend/jam)
= kecepatan tempuh rata-rata ruas jalan raya (km/jam)
= kepadatan rata-rata (kend/km)
4. Spacing (jarak antar kendaraan)

Spacing didefinisikan sebagai jarak antara 2 (dua) kendaraan yang berurutan
didalam suatu aliran lalu lintas yang diukur dari bemper depan satu kendaraan
ke bemper depan kendaraan dibelakangnya. Spacing dalam suatu lajur lalu
lintas secara umum dapat diamati melalui foto udara.
5. Headway ( waktu antara dua kendaraan)

Headway didefinisikan sebagai waktu antara dua kendaraan yang berurutan
ketika melalui sebuah titik pada suatu jalan. Headway antar kendaraan-
kendaraan dapat dihitung dengan menggunakan stop-watch, ketika
kendaraan-kendaraan tersebut melalui sebuah titik pengamatan pada suatu
lajur. Adapun persamaan yang digunakan untuk menghitung headway dapat
digunakan persamaan sebagai berikut:
(3.2)
dimana :
= kepadatan rata-rata (kend/km)
= kecepatan tempuh rata-rata ruas jalan raya (m/s)
= spacing rata-rata (m/kend)
27
6. Lane Occupancy ( tingkat hunian lajur)

Lane Occupancy didefinisikan sebagai salah satu ukuran yang digunakan
dalam pengawasan jalan tol. Jika seseorang dapat menghitung panjang badan
dari semua kendaraan pada suatu bagian jalan tertentu dan menghitung
perbandingan (rasio):
(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.
7. Clearance dan Gap

Clearance dan gap berkorespons dengan parameter spacing (m) dan headway
(detik). Selisih antara spacing dan clearance jelas adalah panjang rata-rata
kendaraan (m). Demikian pula selisih headway dan gap adalah ekuivalen
waktu dari panjang rata-rata sebuah kendaraan ( / ):
(3.4)
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
3.2 Ekivalen Mobil Penumpang

MKJI 1997 membagi nilai EMP berdasarkan tipe dan alinyemen jalan, serta total
arus yang melintas di jalan bebas hambatan. Hasil empiris menunjukkan
perbedaan nilai EMP pada tiap-tiap kondisi tersebut dikarenakan perbedaan
kemampuan bermanuver kendaraan selain jenis mobil penumpang pada perbedaan
tipe alinyemen dan pengaruh keberadaannya yang dapat mengurangi arus
kendaraan berjenis mobil penumpang. Tabel 3.1 dan Tabel 3.2 menunjukkan nilai-
nilai EMP pada berbagai kondisi tipe jalan, alinyemen jalan, dan total arus yang
terdapat dalam MKJI 1997.
Tabel 3. 1 Nilai EMP untuk tipe JBH 2/2 UD MKJI 1997
Arus Lalu Lintas

Tipe EMP
Per Lajur MHV LT
Alinyemen LB
(Kend/Jam)
Datar 0 1,2 1,2 1,8
900 1,8 1,8 2,7
1450 1,5 1,6 2,5
≥ 2100 1,3 1,5 2,5
Bukit 0 1,2 1,6 5,2
700 1,8 2,5 5,0
1200 1,5 2,0 4,0
≥ 1800 1,3 1,7 3,2
Gunung 0 3,5 2,5 6,0
500 3,0 3,2 5,5
1000 2,5 2,5 5,0
≥ 1450 1,9 2,2 4,0
Sumber : MKJI 1997
Tabel 3. 2 Nilai EMP untuk tipe JBH 4/2 D JBH MKJI 1997
Tipe Arus Lalu Lintas MHV EMP LT

Alinyemen Per Lajur LB
(Kend/Jam)
Datar 0 1,2 1,2 1,6
1250 1,4 1,4 2,0
2250 1,6 1,7 2,5
≥ 2800 1,3 1,5 2,0
Bukit 0 1,8 1,6 4,8
900 2,0 2,0 4,6
1700 2,2 2,3 4,3
≥ 2250 1,8 1,9 3,5
29
Tipe Arus Lalu Lintas MHV EMP LT

Alinyemen Per Lajur LB
(Kend/Jam)
Gunung 0 3,2 2,2 5,5
700 2,9 2,6 5,1
1450 2,6 2,9 4,8
≥ 2000 2,0 2,4 3,8
Sumber : MKJI 1997
3.3 Kapasitas Jalan Bebas Hambatan (JBH) MKJI 1997

Nilai kapasitas jalan yang digunakan untuk kepentingan analisis dalam MKJI
1997 merupakan nilai kapasitas dasar yang dikoreksi oleh faktor-faktor lalulintas,
geometrik, dan lingkungan jalan, untuk bab JBH, faktor koreksi kapasitas dasar
hanya pada faktor lebar lajur lalulintas dan pemisahan arah (untuk tipe 2/2UD).
Persamaan penentuan nilai kapasitas dalam MKJI 1997 ditunjukkan pada

persamaan berikut:
C = Co x FCW x FCSP (3.6)

dimana
C : Kapasitas
Co : Kapasitas dasar
FCW : Faktor koreksi lebar lajur lalulintas
FCSP : Faktor koreksi pemisahan arah (hanya untuk tipe 2/2UD)
Tabel 3. 3 Nilai kapasitas dasar JBH MKJI 1997
Tipe 4/2 D dan 6/2 D Kapasitas Dasar (smp/jam) Catatan

Datar 2300 Per Lajur
Bukit 2250 Per Lajur
Gunung 2150 Per Lajur
Sumber : MKJI 1997
Tabel 3. 4 Faktor Penyesuaian Kapasitas Akibat Pemisahan Arah MKJI 1997

Pemisah arah SP%-% 50-50 55-45 60-40 65-35 70-30
FCsp Jalan bebas 1,00 0,97 0,94 0,91 0,88
hambatan tak terbagi
Sumber : MKJI 1997
30
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
3.4 Hubungan Kecepatan, Arus, dan Kerapatan

Memaksimumkan operasi suatu fasilitas yang telah ada, seorang ahli lalu lintas
perlu menggambarkan perilaku lalu lintas, dasar pemikiran ini sering digunakan
dengan mengubah arus lalu lintas ke dalam model lalu lintas.
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.
Hubungan dasar kecepatan-volume berasal dari bentuk hubungan kecepatan-

kepadatan, karena salah satu model hubungan kecepatan-kepadatan telah
ditetapkan, sehingga hubungan kecepatan-volume dapat ditentukan. Jika
hubungan antara kecepatan-kepadatan linear maka hubungan kecepatan-volume
adalah parabolic atau sebaliknya. Adapun berbagai macam model-model
hubungan kecepatan-kepadatan meliputi :
31
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)
Dimana : = Kecepatan lalu lintas (km/jam)

= kecepatan pada kondisi volume lalu lintas sangat rendah atau
pada kondisi kepadatan mendekati 0 (nol) atau kecepatan arus
bebas (km/jam)
= kepadatan pada kondisi lalu lintas macet total (kend/km)
= kepadatan (kend/km)
Konstanta Uf dan Dj diperoleh dari persamaan dasar hubungan matematis

antara kecepatan, arus dan kepadatan yang dirubah ke dalam persamaan
garis linier yaitu sebagai berikut:
Y = A - Bx (3.8)
dimana: A = dan B =-
Y = S dan x = D
a dan b adalah parameter regresi
32
Kedua konstanta dinyatakan sebagai kecepatan arus bebas yaitu kecepatan

saat pengendara dapat memacu kendaraannya sesuai dengan keinginan dan
kepadatan yang tinggi (jam density), yaitu kendaraan tidak dapat bergerak
sama sekali.
Hubungan antara Volume – Kepadatan (V-D) :

Hubungan matematis Volume-Kepadatan (V-D) dapat diturunkan dengan
menggunakan persamaan kecepatan rata-rata ruang, dan dengan
memasukkan persamaan 3.9 ke persamaan 3.7 maka bisa diturunkan
persamaan 3.10 dan 3.11 sebagai berikut.
= (3.9)
= − . (3.10)
= . − . (3.11)
Pada kondisi volume maksimum ( ) bisa didapatkan pada saat kepadatan

D= . Nilai D= bisa didapat melalui persamaan 12 dan 13.
.
= − . = (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)
Hubungan antara Volume – Kecepatan (V-S) :

Selanjutnya hubungan matematis antara Volume – Kecepatan (V-S) dapat
diturunkan dengan menggunakan persamaan dasar, dan memasukkan
persamaan 3.16 ke persamaan 3.7, maka bisa diturunkan melalui
persamaan 3.17-3.18.
33
= (3.16)
= − . (3.17)
. = − (3.18)
= . − . (3.19)

S= . Nilai S= bisa didapat melalui persamaan 3.20 dan 3.21.
.
= − . = (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)
dimana: C dan b merupakan konstanta.

34
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
= ke persamaan 3.28, maka bisa diturunkan persamaan 3.29 dan 3.30.
= (3.29)
= (3.30)
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)
Dengan memasukkan persamaan D = ke persamaan 2.26, maka bisa

diturunkan persamaan 3.37 dan 3.38.
= . − (3.37)
= . . − (3.38)
35
Pada kondisi volume maksimum (V ) bisa didapatkan pada saat kepadatan

S=S . Nilai S=S bisa didapat melalui persamaan 3.39 dan 3.41.
= . − − − = (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
V = dapat dicapai pada kondisi kecepatan S = dan kepadatan D = .
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
Hubungan antara kecepatan dan kerapatan dalam persamaan tersebut dapat

dilihat dalam bentuk grafik pada Gambar 3.1
Gambar 3. 1 Model kecepatan-kerapatan Underwood

Pada model kecepatan-kerapatan Underwood (Gambar 3.1), 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 atau Jalan Bebas
Hambatan (JBH).
Hubungan antara Volume-Kepadatan (V-D)

Selanjutnya hubungan matematis antara Volume-Kecepatan (V-S) dapat
diturunkan menggunakan persamaan dasar, dan dengan memasukkan persamaan
= ke persamaan 3.46 bisa diturunkan persamaan sebagai berikut.
−
= . (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
Hubungan antara Volume-Kecepatan (V-S)

Hubungan matematis antara Volume-Kecepatan (V-S) dapat diturunkan
menggunakan persamaan dasar V= D x S, dan selanjutnya dengan memasukkan
persamaan = ke persamaan 3.44, bisa diturunkan sebagai berikut.
= . . (3.49)
= −
.
(3.50)
.
= − (3.51)
= . .( − ) (3.52)
= . . (3.53)
Pada kondisi volume maksimum ( ) bisa didapatkan pada saat kepadatan S= .

Nilai S= bisa didapat melalui persamaan berikut.
= . − + . = (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)
3.5 Tingkat Kedatangan

Tingkat kedatangan yang dinyatakan dengan notasi λ adalah jumlah kendaraan
atau manusia yang bergerak menuju satu atau beberapa tempat pelayanan dalam
satu satuan waktu tertentu, biasa dinyatakan dalam satuan kendaraan/jam atau
orang/menit (Tamin, 2003).
38
3.6 Disiplin Antrian

Disiplin antrian mempunyai pengertian tentang bagaimana tata cara kendaraan
atau manusia mengantri. Beberapa jenis disiplin antrian yang sering digunakan
dalam bidang transportasi atau arus lalu lintas adalah FIFO (First In First Out),
FILO (First In Last Out) dan FVFS (First Vacant First Served) (Tamin, 2003).
Disiplin antrian FIFO sangat sering digunakan di bidang transportasi dimana

orang dan atau kendaraan yang pertama tiba pada suatu tempat pelayanan akan
dilayani pertama. Sebagai contoh disiplin antrian FIFO adalah antrian kendaraan
yang terbentuk di gerbang tol (Tamin, 2003).
3.7 Analisis Proses Antrian di Pintu Tol

Proses terjadinya antrian terdiri dari 4 (empat) tahap, antara lain:
a. Tahap I: tahap dimana arus lalu lintas (kendaraan) bergerak dengan suatu
kecepatan tertentu menuju suatu tempat pelayanan. Besarnya arus lalu lintas
yang datang disebut tingkat kedatangan (λ). Jika digunakan disiplin antrian
FIFO dan terdapat lebih dari 1 (satu) tempat pelayanan (multilajur), maka
diasumsikan bahwa tingkat kedatangan (λ) tersebut akan membagi dirinya
secara merata untuk setiap tempat pelayanan sebesar (λ/N) dimana N adalah
tempat pelayanan.
b. Tahap II: tahap dimana arus lalu lintas (kendaraan) mulai bergabung dengan
antrian yang menunggu untuk dilayani. Jadi waktu antrian dapat didefinisikan
sebagai waktu sejak kendaraan mulai bergabung dengan antrian sampai
dengan waktu kendaraan mulai dilayani oleh suatu tempat pelayanan.
c. Tahap III: tahap dimana arus lalu lintas (kendaraan) dilayani oleh suatu tempat
pelayanan. Jadi waktu pelayanan (WP) dapat didefinisikan sebagai waktu
sejak dimulainya kendaraan dilayani sampai dengan waktu kendaraan selesai
dilayani.
d. Tahap IV: tahap dimana arus lalu lintas (kendaraan) meninggalkan tempat
pelayanan melanjutkan perjalanan.
(Tamin, 2003)
39
3.8 Skenario Manajemen Kecepatan

Sesuai dengan Peraturan Pemerintah Republik Indonesia Nomor 15 Tahun 2005
dan Peraturan Menteri Perhubungan Nomor 111 Tahun 2015, Jalan tol yang
digunakan untuk lalu lintas antarkota didesain berdasarkan kecepatan rencana
paling rendah 80 km/jam dan paling tinggi 100 km/jam.
Maka untuk mengetahui pengaruh manajemen kecepatan terhadap antrian pada

Exit Tol Palimanana, akan dilakukan dengan 5 (lima) skenario, antara lain:
1. Kecepatan pada saat kapasitas jalan maksimum;
2. Semua kecepatan kendaraan rata-rata 80 km/jam;
3. Semua kecepatan kendaraan rata-rata 100 km/jam;
4. Perlambatan pada 2 (dua) titik dengan kecepatan eksisting dilapangan;
5. Perlambatan pada 3 (tiga) titik dengan kecepatan eksisting dilapangan.
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.
3.9 Simulasi Lalu Lintas dengan Vissim

Vissim merupakan perangkat lunak simulasi lalulintas komersial dengan tinjauan
mikroskopik. Model pembangun dalam Vissim menggunakan model perilaku
mengemudi psycho-physical Wiedemann yang mempertimbangkan pengaruh
terhadap persepsi pengemudi dalam pengendalian kecepatan kendaraan yang
dikemudikannya.
Konsep model pembuntutan kendaraan yang dikembangkan Wiedemann (1974)

yaitu semakin cepat kendaraan bergerak mendekati kendaraan yang lebih lambat,
besar perlambatan yang akan diambil oleh pengemudi akan ditentukan
berdasarkan batas nilai persepsi. Model pembuntutan kendaraan dalam Vissim
40
dibedakan menjadi dua yaitu Wiedemann74 untuk area perkotaan dan

Wiedemann99 untuk JBH.
Model pembuntutan kendaraan Wiedemann99 dengan rincian yang lebih banyak

memiliki lebih banyak parameter yang lebih sulit pada proses kalibrasi
(Aghabayk, dkk. 2013). Parameter-parameter pembangun model diantaranya Look
ahead distance, temporary lack of attention, smooth closeup behavior, dan
standstill distance for static obstacles perlu diperhatikan pada saat proses kalibrasi
model.
3.10 Pembangunan Model Vissim

Model yang dikembangkan dalam Vissim didasarkan pada distribusi stokastik
yang dimiliki oleh aliran lalulintas. Model pembuntutan kendaraan yang
dikembangkan oleh Wiedemann disertai beberapa parameter yang menggunakan
distribusi stokastik. Perbedaan jenis distribusi dan fungsi, serta model kendaraan
atau pejalan kaki memerlukan informasi dasar untuk menjelaskan perbedaan
tersebut dalam melakukan simulasi lalulintas.
3.10.1 Fungsi percepatan dan perlambatan

Nilai percepatan dan perlambatan yang digunakan dalam Vissim bukan berupa
nilai tunggal untuk menggambarkan perbedaan dalam perilaku mengemudi dan
merupakan fungsi dari kecepatan. Dua fungsi percepatan dan perlambatan harus
diberikan untuk tiap jenis kendaraan dalam grafik pada Gambar 3.1, antara lain:
1. Percepatan maksimum (maximum acceleration), yaitu percepatan maksimum
yang memungkinkan secara teknis. Pengaturan parameter ini hanya dilakukan
pada saat dimungkinkan terjadi kelebihan nilai percepatan dari nilai yang
diharapkan saat melalui kelandaian tertentu.
2. Percepatan yang diharapkan (desired acceleration), yaitu nilai percepatan
yang digunakan pada berbagai situasi.
3. Perlambatan minimum (minimum deceleration), yaitu perlambatan maksimum
yang memungkinkan secara teknis, penambahan nilai diperlukan sebesar 0,1
41
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.
Gambar 3. 2 Ilustrasi grafik fungsi percepatan dan perlambatan Vissim

Sumber: VISSIM, 2010
42
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.
Gambar 3. 3 Ilustrasi grafik distribusi kecepatan yang diharapkan dalam Vissim

Sumber: VISSIM,2010
Distribusi stokastik kecepatan yang diharapkan ditentukan untuk tiap-tiap

jenis kendaraan. Sumbu y dalam Gambar 3.3 menunjukkan nilai kecepatan
43
yang diharapkan, sedangkan sumbu x menunjukkan persentase kumulatif

kendaraan.
2. Distribusi beban dan power kendaraan
Kecepatan kendaraan dengan beban yang tinggi seperti angkutan barang akan
terpengaruh oleh nilai kelandaian jalan tertentu. Perbandingan antara power
mesin dengan beban akan menentukan nilai percepatan maksimumnya.
3.10.3 Jenis, kelas, dan kategori kendaraan

Vissim menggunakan konsep bertingkat dalam mengklasifikasikan kendaraan
yang akan disimulasikan dan dimodelkan. Pengklasifikasian pertama yaitu
membagi jenis kendaraan, kelas, dan kemudian kategori kendaraan.
1. Jenis kendaraan
Jenis kendaraan dalam Vissim antara lain, car, light goods vehicle (LGV),
heavy goods vehicle (HGV), bus, articulated bus, tram, bike, pedestrian.
2. Kelas kendaraan
Satu atau lebih jenis kendaraan dengan kecepatan, evaluasi, perilaku
pemilihan rute, dan elemen-elemen jaringan jalan lainnya yang
samadikelompokkan dalam kelas kendaraan yang sama.
3. Kategori kendaraan
Mengatur interaksi, seperti perpindahan lajur, fluktuasi kecepatan yang
diharapkan, dan lain-lain tiap jenis kendaraan.
3.10.4 Perilaku pengemudi

Parameter perilaku pengemudi merupakan parameter yang berpengaruh terhadap
interaksi kendaraan, sehingga parameter ini dapat memberikan perbedaan secara
substansial dalam hasil simulasi.
1. Pendekatan Wiedemann
Model aliran lalulintas dalam Vissim berdasarkan diskrit, stokastik, dan
waktu, dengan model mikroskopik yang melihat kendaraan sebagai satu
individu. Model yang digunakan merupakan model psycho-physical car
following untuk pergerakan longitudinal kendaraan dan algoritma dasar untuk
44
pergerakan lateralnya. Model Wiedemann mengasumsikan bahwa pengemudi

dapat berkendara dalam empat kondisi, yaitu:
a. Free driving
Pada kondosi ini, kendaraan yang diobservasi tidak terpengaruh oleh
kendaraan lain dalam menentukan kecepatan yang diinginkannya.
Kecepatan bebas yang dimiliki pengemudi dalam kondisi ini kenyataannya
tidak konstan, tetapi bervariasi karena pengaruh penginjakan pedal gas
yang tidak konstan pula.
b. Approaching
Keberadaan kendaraan dengan kecepatan yang lebih rendah di depan
kendaraan yang diobservasi menyebabkan terjadi proses perlambatan
kendaraan observasi hingga perbedaan kecepatan antara kedua kendaraan
(kendaraan observasi dan kendaraan di depannya) menjadi nol dengan
jarak aman antar kendaraan tertentu.
c. Following
Kendaraan observasi membuntuti kendaraan di depannya dengan menjaga
jarak aman, dengan variasi perbedaan kecepatan dengan kendaraan di
depannya sekitar nol (hampir sama kecepatan antara kendaraan observasi
dengan kendaraan di depannya).
d. Braking
Kendaraan observasi melakukan pengereman pada saat pengemudi merasa
jarak aman dengan kendaraan di depannya menurun, hal ini dapat terjadi
pada saat kendaraan di depannya menurunkan kecepatan secara tiba-tiba
atau terjadi kendaraan ketiga yang menyalip kendaraan observasi dan
mengisi celah antara kendaraan observasi dengan kendaraan di depannya.
2. Perilaku pembuntutan kendaraan (car following behavior)
Perilaku pembuntutan kendaraan dalam Vissim meliputi parameter-parameter
sebagai berikut:
a. The number of Observed vehicles, merupakan proses penentuan seberapa
baik kendaraan dapat memperkirakan pergerakan kendaraan lainnya dan
bereaksi terhadapnya.
45
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
4. Perilaku lateral (lateral behavior)

Vissim dapat mengatur perilaku lateral kendaraan dalam satu lajur, pengaturan
awal pada Vissim mengatur kendaraan akan berjalan pada satu lajur, namun
dengan pengaturan lain, sebuah kendaraan dapat menyalip dalam lajur yang
sama apabila lebar lajur memungkinkan untuk menyalip.
5. Perilaku sinyal lalulintas (signal control)

Pengaturan perilaku pengemudi terhadap sinyal kuning dan merah di simpang
bersinyal dalam Vissim dilakukan terhadap reaksi pengemudi terhadap sinyal
lalulintas dan penentuan jarak aman ke garis henti. Perilaku mengemudi
terhadap sinyal kuning diatur menjadi dua, antara lain:
a. Continous check
Pengaturan ini mengkondisikan sinyal kuning akan diasumsi oleh
kendaraan masih menyala untuk 2 detik berikutnya dan bereaksi
terhadapnya, apakah akan meneruskan perjalanannya atau berhenti. Besar
nilai perlambatan yang diatur dalam distribusi perlambatan dan jarak
menuju garis henti akan menentukan kendaraan berhenti atau tidak.
Vissim menggunakan variabel acak berdistribusi normal untuk
menentukan kendaraan yang memutuskan untuk meneruskan
perjalanannya atau berhenti saat melintasi persimpangan bersinyal.
b. One decision
Vissim menghitung besar peluang pengemudi (p) berhenti atau tidak saat
menghadapi kondisi sinyal kuning. Besar peluang didapat dari fungsi
regresi logistik dengan parameter Alpha, Beta1, Beta2, kecepatan
kendaraan (v) dan jarak ke garis henti dx. Nilai default Alpha, Beta1, beta2
dalam Vissim didasarkan pada data empiris.
(3.61)
48
3.11 Kalibrasi dan Validasi Model Vissim

3.11.1 Kalibrasi Model Vissim
Kalibrasi adalah estimasi pergerakan kendaraan pada model simulasi lalulintas
agar sesuai dengan kondisi dilapangan.
1. Model pembuntutan kendaraan
Ide dasar model simulasi Vissim mengasumsikan pengemudi satu dari empat
mode mengemudi (free driving, approaching, following, atau braking). Mode
mengemudi ditentukan oleh enam ambang batas (gambar 3.6), antara lain:
a. AX: jarak yang diharapkan antara dua kendaraan yang stasioner.
b. BX: jarak pembuntutan minimum yang dipertimbangkan pengemudi
sebagai jarak aman.
c. CLDV: titik dimana pengemudi merasa bahwa kecepatannya lebih tinggi
dibandingkan kendaraan di depannya.
d. SDV: jarak dimana pengemudi merasa perbedaan kecepatan ketika
mendekati kendaraan yang lebih lambat.
e. OPDV: titik dimana pengemudi merasa kecepatannya lebih rendah dari
kecapatan kendaraan di depannya.
f. SDX: jarak pembuntutan maksimum (batas atas prose pembuntutan
kendaraan).
Gambar 3. 4 Tipikal perilaku pembuntutan kendaraan

Sumber: VISSIM, 2010
49
Model Wiedemann 99 untuk karakteristik JBH memiliki sepuluh parameter

perilaku mengemudi yang dapat diatur dalam proses simulasi (CC0 – CC9).
Tujuh parameter pertama (CC0 – CC6) digunakan untuk menentukan ambang
batas pembuntutan kendaraan, sedangkan parameter lainnya untuk penentuan
lainnya. Hubungan antara parameter-parameter dengan ambang batas
digambarkan oleh persamaan-persamaan sebagai berikut:
(3.62)
dimana L : panjang kendaraan
(3.63)
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)
dimana Δx : jarak headway antar kendaraan

(3.66)
(3.67)
Dimana δ: variabel dummy, yang bernilai 1 ketika kecepatan kendaraan yang

diamati lebih besar dari CC5 dan 0.
Parameter CC7 menentukan percepatan aktual selama proses osilasi,

parameter CC8 menentukan percepatan yang diinginkan ketika memulai dari
kondisi berhenti, dan parameter CC9 menentukan percepatan yang diharapkan
pada kecepatan 80 km/jam.
50
2. Model perpindahan lajur

Terdapat dua macam perpindahan lajur dalam Vissim, perpindahan lajur
karena kepentingan rute perjalanan (necessary lane change) dan perpindahan
lajur karena keinginan bebas pengemudi (free lane change). Parameter
perilaku pengemudi terkait dengan perpindahan lajur yang harus
dipertimbangkan dalam proses kalibrasi antara lain:
a. The general behavior, menentukan cara penyalipan (“free lane selection”
dan “right side rule”). Cara pertama mengizinkan proses penyalipan bebas
menggunakan lajur mana saja untuk penyalipan dengan batasan tertentu,
sedangkan cara kedua menerapkan aturan bahwa proses penyalipan hanya
diperbolehkan menggunakan lajur sebelah kanan saja untuk menyalip.
b. The aggressiveness of lane changing manouvre, menentukan ambang
batas perlambatan kendaraan yang diobservasi untuk berpindah lajur dan
kendaraan yang akan mengikuti kendaraan observasi (trailing vehicle) di
lajur yang dituju. Ambang batas perlambatan ditentukan oleh enam
parameter terkait dengan kepentingan untuk berpindah lajur karena
kepentingan rute perjalanan.
1) The waiting time before diffusion, menggambarkan waktu maksimum
yang diperlukan kendaraan observasi untuk mendapat celah ke lajur
yang dituju. Apabila kendaraan tidak dapat berpindah lajur ke lajur
yang dituju dalam waktu ini, maka pesan error akan muncul.
2) The minimum headway (front/rear), menentukan celah minimum di
depan kendaraan yang harus tersedia untuk berpindah lajur dalam
kondisi berhenti.
3) The safety distance reduction factor, pertimbangan dalam pengambilan
keputusan jarak aman terkait dengan pergerakan kendaraan dalam
berpindah lajur. Semakin kecil nilai ini, maka semakin agresif perilaku
perpindahan lajur yang akan diambil oleh pengemudi.
4) The maximum deceleration for cooperative braking parameter,
menentukan perlambatan maksimum yang dapat diterima trailing
vehicle dalam memberi kesempatan kendaraan observasi melakukan
51
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.
3.11.2 Penenentuan Jumlah Sampel dan Uji Kecukupan Data

Untuk menentukan jumlah sampel kecepatan kendaraan yang akan di survei
dihitung berdasar rumus Slovin (Oktaviani dan Suryono,2006). Dimana pada
rumus ini, penentuan jumlah sampel didasarkan dari jumlah populasi yang ada
dan merupakan sampel random atau didasarkan pada teori peluang, dimana semua
populasi berpeluang untuk menjadi sampel.
= ( ) (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.
Tingkat ketelitian menunjukkan penyimpangan maksimum hasil pengukuran dari

waktu penyelesian sebenarnya, sedangkan tingkat keyakinan menunjukkan
besarnya keyakinan pengukur akan ketelitian data pembacaan beban saat
penimbangan dari mesin tersebut. Pengaruh tingkat ketelitian dan keyakinan
adalah bahwa semakin tinggi tingkat ketelitian dan semakin besar tingkat
keyakinan, maka semakin banyak pengukuran yang diperlukan. Tes kecukupan
data dapat dilakukan dengan menggunakan rumus sebagai berikut:
(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.
3.11.3 Validasi Model Vissim

Metode validasi yang digunakan adalah uji chi-square, statistik GEH, Root Mean
Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE). Setelah
mendapatkan model yang valid, maka dilakukan simulasi untuk seluruh data
sekunder, bila model dapat habis mensimulasikan seluruh volume kendaraan
maka dianggap model dapat merepresentasikan kondisi lalu lintas dari data
sekunder, bila masih ada sisa kendaraan di akhir waktu simulasi maka dilakukan
kalibrasi terhadap parameter pemodelan dan dianalisis kembali sampai
menghasilkan model yang valid secara statistik. Model yang dihasilkan
53
selanjutnya dilakukan validasi dengan kondisi lapangan, yaitu terhadap parameter

volume, kecepatan lalu lintas dan headway.
Statistik Chi Square, GEH, RMSE dan MAPE

1. Uji Chi-Square
Chi-Square merupakan teknik statistik yang dipergunakan untuk menguji
probabilitas dengan cara mempertentangkan antara data frekuensi yang dapat
diobservasi (data lapangan), observed frequencies (fo atau Oi) dengan
frekuensi yang diharapkan (data hasil model) ,expected frequencies (fh atau
Ei). Dengan kata lain Chi-Square adalah salah satu teknik dalam statistik
untuk menguji probabilitas perbedaan frekuensi data lapangan (yang
diobservasi = fo) dengan frekuensi hasil model (= fh / fe -> frekuensi
ekspektasi).Untuk menganalisis perbedaan frekuensi chi kwadrat pada
variabel tunggal digunakan rumus berikut ini.
( )
=∑ (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. Uji Statistik RMSE dan MAPE

Pengukuran akurasi peramalan dilakukan dengan menggunakan fungsi Root
Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE),
54
RMSE merupakan metode untuk menghitung bias dalam model peramalan,

metode ini tidak memiliki standar nilai minimal untuk mengetahui kinerja
model, sedangkan MAPE menunjukkan akurasi peramalan dalam bentuk
persentase, semakin rendah nilainya maka model peramalan memiliki
kemampuan yang baik, dengan batas nilai maksimal<50% (Hutasuhut et al.,
2014).
Rumus RMSE adalah sebagai berikut:
(3.73)
Rumus MAPE adalah sebagai berikut:
(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
Data Primer Data Sekunder

1) Survai inventarisasi ruas jalan; 1) Inventarisasi ruas jalan
2) Survai pencacahan lalu lintas 2) Peta daerah studi dan tata guna
dan panjang antrian pada Exit lahan;
gerbang Tol; 3) Jaringan jalan;
3) Survai Spot Speed 4) Demografi.
Pengolahan Data
Persiapan Pemodelan
Inventarisasi Ruas Jalan Volume Lalu Lintas Komposisi Kendaraan Desire Speed
55
56
Pemodelan Vissim
Peta latar belakang Vehicle input Perilaku mengemudi
Following, lane change

lateral
Pembangunan Pemodelan Vissim
Itearsi
Kalibrasi dan Tidak
Validasi Model
Ya?
Ya
Penggunaan Model Untuk Analisis
Skenario 1 Kecepatan Skenario 2 Skenario 3 Skenario 4 Skenario 5

pada saat kapasitas Kecepatan Kecepatan Perlambatan pada 2 Perlambatan pada 3
maksimum kendaraan kendaraan (dua) titik dengan (tiga) titik dengan
rata-rata 80 rata-rata 100 kecepatan eksisting kecepatan eksisting
km/jam km/jam dilapangan dilapangan
Analisis dan Pembahasan
Kesimpulan dan Saran
Selesai
Gambar 4. 1 Bagan Alir Penelitian
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.
4.2 Kajian Literatur

Perumusan masalah yang telah disusun ditajamkan dengan diperkuat oleh hasil
kajian penelitian-penelitian terdahulu, norma-norma yang berlaku, maupun
sumber-sumber lain yang dinilai relevan.
4.3 Tahap Pengumpulan Data

Data yang dikumpulkan dalam penulisan tesis ini terdiri dari dua macam data,
yaitu data sekunder dan data primer. Data sekunder adalah data yang diperoleh
dari instansi-instansi terkait, sedangkan data primer adalah data yang diambil
langsung melalui survai dilapangan. Data yang dikumpulkan adalah sebagai
berikut:
1. Data Sekunder
Data sekunder dikumpulkan untuk mendukung pengumpulan data primer dan
digunakan untuk proses analisis. Data sekunder yang dikumpulkan diperoleh di
Kantor Kementerian Perhubungan RI, Kantor Jasa Marga, PT. LMS, Kantor
Bappeda, BPS, dan Dinas Perhubungan.
Data yang didapat sebagai berikut :
a. Data inventarisasi ruas JBH Cikampek km. 73 – Exit Tol Palimanan km.
189 atau sepanjang 116 km yang diperoleh dari Kantor Jasa Marga dan
Kantor Kementerian Perhubungan RI.
b. Peta daerah studi dan tata guna lahan
Peta ini berfungsi untuk memberikan informasi awal mengenai kondisi
daerah studi antara lain kondisi tata guna lahan dan arah
pengembangannya dimasa yang akan datang, batas administrasi, lokasi
58
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.
Cara pengumpulan data melalui survai adalah sebagai berikut :

1. Survai inventarisasi ruas jalan dilakukan pada ruas JBH Cikampek km. 81 –
Exit Tol Palimanan km. 189. Data yang didapatkan dari survai ini adalah :
a. Sketsa penampang jalan atau layout;
b. Panjang dan lebar jalan;
c. Rambu dan Marka;
d. Hambatan samping dengan klasifikasi statis (berdasarkan jenis objek yang
ada di sisi jalan), dinamis (berdasarkan pengaruhnya terhadap lalu lintas).
2. Survai pencacahan lalu lintas dengan memasang kamera cctv pada rest area
km. 102 untuk merekam volume kendaraan selama 24 jam dan panjang
antrian dengan memasang kamera cctv pada Exit Gerbang Tol Palimanan
km.189 untuk merekam panjang antrian kendaraan selama 24 jam. Survai
pencacahan lalu lintas dan panjang antrian selama 24 jam, terbagi menjadi 2
(dua) shift dengan rincian:
a) Shift 1 (satu) survey pencacahan lalu lintas selama 12 jam pada Hari
Jum’at tanggal 22 Desember 2017 (Pkl. 20.00 WIB – Pkl. 08.00 WIB).
60
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.
4.4 Tahapan Penelitian

Sub bab ini menjelaskan cara analisis data yang kemudian diringkas dalam suatu
bagan alir penelitian, dengan mengacu pada tujuan penelitian. Alur penelitian
dimaksud selanjutnya dapat dilihat pada Gambar 4.1, dengan rincian sebagai
berikut:
1. Penentuan topik penelitian, yaitu Analisis Pengaruh Manajemen Kecepatan
Terhadap Antrian Kendaraan Pada Exit Gerbang Tol Periode Liburan;
2. Penyusunan rumusan masalah;
3. Penyusunan tujuan penelitian;
4. Pengumpulan tinjauan pustaka dan perumusan implikasinya terhadap
penelitian;
5. Penyusunan landasan teori;
6. Memasuki tahap Penelitian Empiris, kegiatan yang dilakukan adalah:
a. Pengumpulan data inventarisasi ruas jalan, untuk mengetahui kapasitas
ruas jalan.
1) Geometrik jalan;
2) Fasilitas perlengkapan jalan;
3) Hambatan samping.
61
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
5.1 Pengumpulan Data

Proses pengumpulan data didapat dari survey lapangan di JBH Cikampek km. 81 –
Exit Tol Palimanan km. 189 menggunakan kamera cctv portable pada tanggal 22
s.d 23 Desember 2017, data volume kendaraan selama 24 jam hasil pencacahan
manual yang direkap menggunakan software Program Pencatat Waktu Kedatangan
Kendaraan Versi 2.0 (Copyright: Dr.Ing.Ir. Ahmad Munawar, M.Sc dan M. Riza
Iqbal L), serta data pendukung lainnya berupa geometrik dan lingkungan jalan.
Gambar 5.1 s.d. Gambar 5.5 menunjukkan screenshoot rekaman video lalulintas,
potongan melintang, dan kondisi lalulintas di ruas JBH Cikampek km. 81 – Exit Tol
Palimanan km. 189.
Gambar 5. 1 Screenshoot video rekaman JBH Cikampek-Palimanan arah

Palimanan
Gambar 5. 2 Screenshoot video rekaman JBH Cikampek -Palimanan arah Jakarta
63
64
Gambar 5. 3 Potongan Melintang JBH Cikampek-Palimanan
Gambar 5. 4 Kondisi JBH Cikampek -Palimanan (kiri: Arah ke Jakarta, kanan:

Arah Palimanan)
65
Gambar 5. 5 Kondisi lalulintas di Exit Tol Palimanan km. 189 pada jam sibuk
5.2 Pengolahan Data

Data olah yang diperlukan untuk kepentingan analisis antara lain data volume arus
lalulintas, kecepatan kendaraan, dan headway antar kendaraan. Data volume dan
headway dilakukan dengan cara mencacah kendaraan dan mencatat waktu
kedatangan kendaraan pada titik yang telah ditentukan. Data kecepatan kendaraan
diambil secara sampling untuk tiap-tiap jenis kendaraan pada satu arah pergerakan
lalulintas. Klasifikasi kendaraan didasarkan pada kombinasi klasifikasi Euro 13
yang digunakan oleh Ditjen Bina Marga, Kemen. PU untuk perancangan
perkerasan jalan dan MKJI 1997. Klasifikasi kendaraan yang akan digunakan
sebagai acuan pengolahan data dibagi menjadi empat kelas (MKJI 1997) dan
dibagi lagi menjadi sembilan subkelas (berdasarkan Euro 13). Tabel 5.1
menunjukkan klasifian kendaraan yang digunakan dalam penelitian.
Tabel 5. 1 Pengklasifikasian kendaraan dalam penelitian

66
5.2.1 Volume lalulintas

Pada survei pencacahan lalu lintas terklasifikasi (Survai Traffic Counting) yang
dilaksanakan di ruas JBH Cikampek-Palimanan, berada di satu titik survai yaitu
arah masuk wilayah studi Rest Area Km. 102, survai dilakukan selama 24 jam
(dalam 1 hari penuh). Berikut diberikan hasil analisis pencacahan lalu lintas
terklasifikasi yaitu berupa fluktuasi volume kendaraan dan proporsi volume
kendaraan selama 24 jam dan pie chart proporsi volume kendaraan selama 24
jam.
Tabel 5. 2 Volume kendaraan selama 24 Jam ruas JBH Cikampek-Palimanan
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
3000 MOBIL PRIBADI

PICK UP
2500 BUS SEDANG
Smp/Jam
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
Gambar 5. 6 Grafik Fluktuasi Volume Kendaraan JBH Cikampek-Palimanan 24

Jam (Smp/Jam)
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.
Tabel 5. 3 Komposisi kendaraan selama 24 Jam ruas JBH Cikampek-Palimanan

JENIS MOBIL PICK BUS BUS TRUK TRUK 2 TRUK 3 TRUK 4 TRUK 5
KENDARAAN PRIBADI UP SEDANG BESAR KECIL GANDAR GANDAR GANDAR GANDAR
JUMLAH
57006 602 936 2520 586 1077 162 99 26
KENDARAAN
Berdasarkan komposisi jumlah kendaraan dari hasil survei, kendaraan yang

mempunyai prosentase komposisi lalu lintas tertinggi adalah Mobil Pribadi
sebesar 90,47% kemudian Bus Besar sebesar 4% dari seluruh persentase
kendaraan kendaraan masuk wilayah studi.
68
4.00% 0.93% 1.71%

1.49% 0.26%
0.95% 0.16%
0.04%
MOBIL PRIBADI
PICK UP
BUS SEDANG
BUS BESAR
TRUK KECIL
TRUK 2 GANDAR
TRUK 3 GANDAR
TRUK 4 GANDAR
TRUK 5 GANDAR
90.47%
Gambar 5. 7 Komposisi kendaraan selama 24 Jam ruas JBH Cikampek-Palimanan
5.2.2 Hubungan antara Kecepatan dan Kerapatan

Distribusi hubungan antara kecepatan dan kerapatan digambarkan dalam grafik
untuk mengetahui fungsi hubungan antara kedua parameter. Pola sebaran data
direpresentasikan oleh kurva yang menggambarkan bentuk dari sebaran data yang
ada, nilai ini ditunjukkan oleh besar R square terhadap sebaran data. Adapun
berbagai macam model-model hubungan kecepatan-kepadatan meliputi :
1. Model Greenshield
Hubungan kecepatan-kerapatan diasumsikan linear oleh Greenshield, model ini
memiliki 2 (dua) parameter dasar yaitu free flow speed dan jam density, sehingga
dengan terbatasnya kecepatan dan kerapatan tersebut maka model sesuai
digunakan untuk jalan dengan karakteristik perkotaan yang memiliki variasi jenis
kendaraan dan kecepatan kendaraan. Greenshield mendapatkan hasil bahwa
hubungan antara kecepatan dan kerapatan bersifat linear. Dari persamaan 3.7
menunjukan bahwa S adalah kecepatan rata-rata ruang (km/jam), Sff adalah
kecepatan arus bebas (km/jam), D adalah kerapatan (smp/km) dan Dj adalah
kerapatan pada saat kapasitas maksimum (smp/km). Memperhatikan persamaan
3.7, pada dasarnya merupakan suatu persamaan linear, Y = a + bX, dimana
dianggap bahwa Sff merupakan konstanta a dan Sff/Dj merupakan konstanta b
sedangkan S dan D masing-masing merupakan variabel Y dan X.
69
Dari perhitungan analisa regresi diperoleh nilai R sebesar 0,785 dengan

persamaan garis regresi yang diperoleh adalah : y= -2,744x+120,8 yang
diperlihatkan pada Gambar 5.8. Konstanta dalam persamaan garis linier
dinyatakan sebagai free flow speed dan jam density. Pada model ini didapatkan
nilai kecepatan arus bebas (Sff) sebesar 120,85 km/jam, volume lalu lintas terbesar
(q max) sebesar 1.330 smp/jam dan kecepatan pada saat kapasitas maksimum
(Sm) sebesar 60 km/jam.
Gambar 5. 8 Grafik Hubungan Kecepatan dan Kerapatan Model Greenshield
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
linier, Y = a + bX, dimana dianggap bahwa Sm.lnDj merupakan konstanta a dan –

Um merupakan konstanta b, sedangkan S dan lnD masing-masing merupakan
variabel Y dan X.

diperlihatkan pada Gambar 5.9. Pada model ini didapatkan nilai kecepatan arus
bebas (Sff) sebesar 134,11 km/jam, volume lalu lintas terbesar (q max) sebesar
14,125 smp/jam dan kecepatan pada saat kapasitas maksimum (Sm) sebesar 49
km/jam.
Gambar 5. 9 Grafik Hubungan Kecepatan dan Kerapatan Model Greenberg
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.

diperlihatkan pada Gambar 5.10. Pada model ini didapatkan nilai kecepatan arus
bebas (Sff) sebesar 122,60 km/jam, volume lalu lintas terbesar (q max) sebesar
1654 smp/jam dan kecepatan pada saat kapasitas maksimum (Sm) sebesar 61
km/jam.
Gambar 5. 10 Grafik Hubungan Kecepatan dan Kerapatan Model Underwood
Pemilihan model yang sesuai menggunakan uji statistik Chi Square

Menentukan model yang sesuai dengan uji statistik Chi Square membandingkan
antara kecepatan kendaraan model dan kecepatan kendaraan survei lapangan.
Tabel 5. 4 Perbandingan Uji Statistik Chi Square Model Greenshield, Greenberg
dan Underwood
NO MODEL X2 hitung KETERANGAN
1 Greenshield 14.084 Tidak Berbeda Secara Signifikan
2 Greenberg 14.938 Tidak Berbeda Secara Signifikan
3 Underwood 13.660 Tidak Berbeda Secara Signifikan
72
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.
5.2.3 Headway antar kendaraan

Pencatatan distribusi headway dilakukan dengan cara mencatat waktu kedatangan
tiap kendaraan dalam lajur yang sama, kemudian waktu yang tercatat dari tiap
kendaraan tersebut dihitung selisihnya antara kendaraan yang datang dengan
kendaraan sebelumnya/di depannya, besar selisih waktu tersebut merupakan nilai
headway antar kendaraan dalam satu lajur lalulintas. Perhitungan selisih waktu
untuk menentukan nilai headway dilakukan untuk masing-masing jenis kendaraan,
jenis kendaraan tertentu dengan jenis kendaraan tertentu lainnya, serta nilai
headway untuk semua jenis kendaraan dalam satu lajur. Nilai headway digunakan
sebagai salah satu parameter kalibrasi model simulasi. Distribusi headway yang
digunakan sebagai parameter kalibrasi adalah nilai headway sesuai dengan hasil
yang dikeluarkan oleh Vissim. Distribusi headway JBH Cikampek-Palimanan
arah Palimanan menunjukkan sebaran data yang lebih seragam hal ini dikarenakan
kondisi lalu lintas yang padat, sehingga menyebabkan kendaraan di ruas JBH
Cikampek-Palimanan arah Palimanan tidak memiliki kebebasan dalam
menentukan kecepatannya. Nilai headway rata-rata pada ruas JBH Cikampek-
Palimanan arah Palimanan sebesar 2,40 detik dengan nilai standar deviasi sebesar
3,09. Tabel 5.5 menunjukkan distribusi headway untuk ruas JBH Cikampek-
Palimanan arah Palimanan.
73
Tabel 5. 5 Distribusi headway JBH Cikampek-Palimanan arah Palimanan
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%
5.2.4 Kecepatan kendaraan

Data kecepatan tiap kendaraan diambil secara sampling untuk mengetahui
distribusi kecepatan sebagai data masukan dalam Vissim. kondisi lalulintas di ruas
JBH Cikampek-Palimanan arah Palimanan yang padat menghasilkan varian nilai
yang tinggi. Nilai kecepatan tiap jenis kendaraan dalam ruas JBH Cikampek -
Palimanan arah Palimanan cukup tinggi terutama pada jenis kendaraan mobil
pribadi. Tabel 5.6 menunjukkan kecepatan operasional rata-rata per jenis
kendaraan untuk ruas JBH Cikampek-Palimanan.
Tabel 5. 6 Kecepatan operasional rata-rata per jenis kendaraan
Kecepatan Rata-Rata Standar Deviasi

Jenis Kendaraan
Kendaraan (km/jam) (SD)
Mobil Pribadi 109 13.57
Pick Up 95 7.62
Bus Kecil 94 6.69
Bus Besar 92 7.14
Truk Kecil 93 7.17
Truk 2 As 82 5.09
Truk 3 As 78 2.53
74
Kecepatan Rata-Rata Standar Deviasi

Jenis Kendaraan
Kendaraan (km/jam) (SD)
Truk 4 As 77 4.01
Truk 5 As 72 2.13
Nilai kecepatan rata-rata diambil melalui sampel dari keseluruhan volume

kendaraan pada jam puncak, pengambilan sampel ini didasarkan pada efektifitas
waktu pengolahan maupun pergerakan kendaraan yang selama pengamatan
bergerak secara bersamaan sehingga diasumsikan memiliki kecepatan yang tidak
berbeda signifikan. Pengambilan sampel dilakukan pada semua jenis kendaraan
mobil pribadi, pick up, bus kecil, bus besar, truk kecil, truk 2 as, truk 3 as, truk 4
as dan truk 5 as. Pengambilan sampel pada pengukuran kecepatan kendaraan diuji
secara statistik kecukupan datanya, hasil pengujian menunjukkan untuk kendaraan
jenis mobil pribadi, pick up, bus kecil, bus besar, truk kecil, truk 2 as, truk 3 as,
truk 4 as yang di sampling sudah memenuhi uji kecukupan data, sedangkan jenis
kendaraan lain masih terdapat yang tidak memenuhi uji ini dikarenakan
kekurangan variasi data akibat kemunculan jenis kendaraan tertentu yang tidak
tercakup selama observasi di jam puncak. Tabel 5.7 menunjukkan jumlah sampel
kecepatan yang diambil.
Tabel 5. 7 Perbandingan jumlah sampel kecepatan yang diambil dengan jumlah

sampel seharusnya
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.
5.2.5 Waktu Pembayaran Tarif Tol Per Jenis Kendaraan

Data waktu pembayaran tarif tol tiap jenis kendaraan diambil secara sampling
untuk mengetahui lama waktu pembayaran tiap jenis kendaraan sebagai data
masukan dalam Vissim. Menurut penelitian Neneng Winarsih, Jennie
Kusumaningrum (2010), dari hasil perhitungan dan analisis kapasitas gerbang tol
karawang barat diperoleh waktu pelayanan di gerbang tol Karawang Barat sebesar
13,5 detik/kendaraan, maka gerbang tol tidak lagi memenuhi Standar Pelayanan
Minimal Jalan Tol, yaitu untuk gardu Exit pada sistem tertutup ≤ 11
detik/kendaraan, hasil ini tidak jauh berbeda dengan hasil analisa waktu pelayanan
gerbang tol Palimanan pada periode libur panjang Natal tahun 2017, proses
pembayaran tarif tol pada gardu tol menghasilkan varian nilai lama waktu
pembayaran yang cukup tinggi, karena cukup banyak kendaraan yang tidak
mempunyai cukup uang pada e-money/e-toll yang dimiliki, sehingga dari pihak
pengelola jalan tol Cipali memperbolehkan untuk melakukan isi ulang kartu e-
money/e-toll pada gardu tol yang menyebabkan tambahan waktu pembayaran tarif
tol. Tabel 5.8 menunjukkan waktu pembayaran tarif tol rata-rata per jenis
kendaraan pada Exit Tol Palimanan km. 189.
76
Tabel 5. 8 Waktu pembayaran tarif tol rata-rata per jenis kendaraan
Lama pembayaran Standar Deviasi

Jenis Kendaraan
tarif tol (detik) (SD)
Mobil Pribadi 11,94 1.31
Pick Up 12,18 1.64
Bus Kecil 12,96 1.58
Bus Besar 13,94 0.83
Truk Kecil 13,10 1.75
Truk 2 As 13,86 1.30
Truk 3 As 13,91 1.10
Truk 4 As 14,27 1.36
Truk 5 As 14,91 1.04
Nilai waktu pembayaran rata-rata diambil melalui sampel dari keseluruhan

volume kendaraan pada jam puncak, pengambilan sampel ini didasarkan pada
efektifitas waktu pengolahan maupun pergerakan kendaraan yang selama
pengamatan bergerak secara bersamaan sehingga diasumsikan memiliki kecepatan
yang tidak berbeda signifikan. Pengambilan sampel dilakukan pada semua jenis
kendaraan mobil pribadi, pick up, bus kecil, bus besar, truk kecil, truk 2 as, truk 3
as, truk 4 as dan truk 5 as. Pengambilan sampel pada pengukuran waktu
pembayaran tarif tol kendaraan diuji secara statistik kecukupan datanya, hasil
pengujian menunjukkan untuk kendaraan jenis mobil pribadi, pick up, bus kecil,
bus besar, truk kecil, truk 2 as, dan truk 3 as yang di sampling sudah memenuhi
uji kecukupan data, sedangkan jenis kendaraan lain masih terdapat yang tidak
memenuhi uji ini dikarenakan kekurangan variasi data akibat kemunculan jenis
kendaraan tertentu yang tidak tercakup selama observasi di jam puncak. Tabel 5.9
menunjukkan jumlah sampel kecepatan yang diambil.
Tabel 5. 9 Perbandingan jumlah sampel waktu pembayaran tarif tol per jenis
kendaraan yang diambil dengan jumlah sampel seharusnya
Mobil Pribadi 100 22
Pick Up 40 35
Bus Kecil 40 27
Bus Besar 40 8
77
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.
5.3 Pembangunan Model Simulasi Vissim

Proses pemodelan dalam Vissim membutuhkan data-data masukan berupa kondisi
jaringan jalan, jumlah dan komposisi kendaraan, distribusi kecepatan tiap jenis
kendaraan, pengaturan lalulintas yang beroperasi dalam jaringan jalan, dan
parameter-parameter yang mencerminkan perilaku berkendara di ruas jalan yang
akan dimodelkan.
5.3.1 Pembuatan jaringan jalan

Pemodelan dalam Vissim membutuhkan suatu gambaran layout jaringan jalan
yang akan dimodelkan dan disimulasikan. Vissim 9 yang digunakan dalam
penelitian ini memiliki lingkup proses simulasi tahapan mikro hingga meso,
penggambaran layout jaringan jalan besar lingkupnya ditentukan berdasarkan
kebutuhan dalam proses analisis. Pada penelitian ini, lingkup simulasi yang
78
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
Gambar 5. 12 Foto satelit Exit Tol Palimanan km.189
Dalam Vissim 9 sudah memiliki fitur background maps yang mempunyai

beberapa pilihan map provider yaitu Default map service (Google Earth), Bing
Maps (Aerial View), Open Street Map (Mapnik) dan Open Street Map (Cycle
79
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.
Penggambaran jaringan jalan menggunakan menu perintah link dalam Vissim,

penggambaran link berupa segmen jalan sepanjang sekitar 107 km sebagai bagian
dari ruas jalan dengan asumsi segmen jalan tersebut tidak berbeda secara
karakteristik lalulintas maupun komposisi kendaraannya dengan tujuan dari
penelitian.
Gambar 5. 13 Proses pembuatan link pada 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
kanan untuk menyalip, walaupun begitu hasil observasi menunjukkan pengendara

menggunakan lajur dengan tidak mengikuti pengaturan ini dan memilih
penggunaan lajur secara bebas, oleh karenanya pengaturan ini tidak dilakukan
dalam proses pemodelan. Penggunaan bahu jalan di ruas JBH Cikampek km. 81 –
Exit Tol Palimanan km. 189 selama observasi banyak dilakukan oleh pengendara
untuk menyalip pada kondisi lalulintas tertentu, penggunaan bahu jalan ini tidak
dimasukkan dalam model karena selain dinilai sebagai suatu pelanggaran,
karakter berkendaranya ini tidak dapat difasilitasi oleh Vissim. Vissim memiliki
fitur untuk mengkhususkan lajur paling kanan hanya untuk menyalip, namun
kondisi di lapangan menunjukkan bahwa kendaraan tidak menyalip dengan
menggunakan lajur paling kanan, proses menyalip menggunakan seluruh lajur
dimana kesempatan untuk menyalip disediakan pada celah antar kendaraan di
seluruh lajur.
5.3.2 Data masukan kendaraan

Proses masukan data kendaraan terdiri dari pengaturan kendaraan yang beroperasi
di ruas jalan. Pengaturan ini terdiri dari penentuan tipe, model kendaraan,
distribusi model kendaraan, dan kelas kendaraan.
1. Tipe kendaraan
Tipe kendaraan merupakan masukan data, kendaraan apa saja yang beroperasi
dalam model. Tipe kendaraan yang dimasukkan dalam Vissim sesuai dengan
klasifikasi kendaraan yang telah dilakukan sebelumnya (9 kelas). Pengaturan
pengklasifikasian tipe kendaraan dalam penelitian ini ditunjukkan dalam Gambar
5.14.
Gambar 5. 14 Tampilan pengaturan tipe kendaraan

81
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.
Gambar 5. 15 Proses pengkombinasian antara traktor dengan trailer
Terdapat perbedaan standar kendaraan dalam Vissim dengan standar kendaraan

yang diizinkan untuk beroperasi di Indonesia, pengaturan model kendaraan
dilakukan untuk modelnya masih menyesuaikan kendaraan yang terdapat dalam
Vissim, namun pengaturan dimensi kendaraan dilakukan dengan mengikuti
standar yang berlaku di Indonesia. Asumsi model kendaraan dianggap sama
dengan yang beroperasi di Indonesia dari parameter dimensi kendaraan dan
karakteristik jenis kendaraan yang bersangkutan, parameter tersebut adalah
kecepatan operasionalnya.
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
pergerakannya. Gambar 5.16 menunjukkan proses pendistribusian model kedalam

tipe kendaraan.
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.
Gambar 5. 16 Tampilan pengelompokkan model kendaraan dalam tipe kendaraan
Gambar 5. 17 Tampilan pengaturan kelas kendaraan dalam Vissim
5.3.3 Pengaturan komposisi lalulintas

Pengaturan karakteristik lalulintas yang diperlukan dalam membangun model
simulasi antara lain komposisi kendaraan dan kecepatan operasional tiap jenis
kendaraan yang dimasukkan. Pengaturan karakteristik lalulintas dilakukan pada
tiap link, pengaturan meliputi jenis kendaraan yang beroperasi pada link tersebut
beserta distribusi kecepatan dan arus relatif tiap jenis kendaraan (Gambar 5.18).
83
Gambar 5. 18 Tampilan pengaturan komposisi lalulintas
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.
Gambar 5. 19 Proses masukan data distribusi kecepatan

84
5.3.4 Pengaturan perilaku mengemudi

Pengaturan perilaku mengemudi yang telah ditentukan dalam pengaturan link,
ruas jalan yang dianalisis merupakan jalan bebas hambatan, karakteristik perilaku
dalam Vissim dipilih kategori freeway dalam menu perintah driving behavior
(Gambar 5.20). Pengubahan pengaturan perilaku dapat berupa pembuntutan
(following), perpindahan lajur (lane change), pergerakan lateral (lateral), dan
pengaturan sinyal (signal control). Pada tahap pembangunan model yang pertama,
seluruh pengaturan perilaku mengemudi diatur secara default dengan model
pembuntutan kendaraan (following) yang sesuai dengan karakteristik jalan bebas
hambatan (Model pembuntutan kendaraan Wiedemann 99), perubahan besaran
parameter-parameter perilaku mengemudi akan dilakukan pada tahapan kalibrasi
agar hasil simulasi dapat merepresentasikan kondisi sesungguhnya di lapangan.
Gambar 5. 20 Pemilihan kategori karakteristik berkendara (Freeway)
Gambar 5.21 menunjukkan tampilan fitur pengaturan perilaku mengemudi

pembuntutan kendaraan untuk karakteristik JBH (Wiedemann 99). Selain perilaku
pembuntutan kendaraan, parameter yang bisa diatur adalah perilaku perpindahan
lajur, pergerakan lateral kendaraan, dan pengaturan lalulintas.
85
Gambar 5. 21 Tampilan menu pengaturan perilaku mengemudi dengan

karakteristik Jalan bebas hambatan (Wiedemann 99)
5.3.5 Pengaturan proses running dan luaran simulasi
Pengaturan proses simulasi diperlukan untuk mengatur durasi simulasi yang
ditinjau, dalam penelitian ini untuk mengetahui antrian pada JBH Exit Tol
Palimanan km. 189 dibutuhkan pengaturan pengukuran waktu disesuaikan selama
9000 detik atau 2 jam 30 menit untuk kondisi do nothing karena jarak pada model
jaringan jalan Vissim sepanjang 107 km sehingga jika pengukuran waktu hanya
3600 detik kendaraan belum sampai titik akhir tujuan yaitu Exit Tol Palimanan
km. 189. Pengaturan bilangan acak (random seed) yang menentukan distribusi
arus kendaraan yang bersifat stokastik diatur secara default (42), dan kecepatan
simulasi diatur secara default (1-10) untuk mendapatkan tingkat keakuratan yang
paling tinggi dalam proses simulasi. Gambar 5.18 menunjukkan tampilan
pengaturan untuk proses running simulasi dalam Vissim.
86
Gambar 5. 18 Tampilan pengaturan parameter dalam simulasi
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
Gambar 5. 22 Tampilan menu pengaturan result attributes
Gambar 5. 23 Tampilan menu pengaturan direct output

88
5.4 Kalibrasi dan validasi model
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
dilakukan dalam upaya menghilangkan pesan error tidak termasuk model

Wiedemann 99 meliputi parameter Following dan Lateral, sementara untuk
parameter Lane Change, upaya kalibrasi hanya pada penceklisan subparameter
yang ada dalam parameter tersebut tanpa mengubah nilai-nilai yang ada dan
hasilnya tidak berpengaruh secara signifikan terhadap hasil simulasi, parameter
pengaturan sinyal tidak dilakukan perubahan karena parameter ini berpengaruh
pada simpang maupun ruas dengan pengaturan sinyal tertentu, dimana dalam
penelitian tidak diskenariokan pengaturan lalulintas tertentu. Pengaturan
parameter yang dapat menghilangkan pesan error pada model yaitu pada
parameter Following tidak menceklis Smooth closeup behavior, sedangkan pada
parameter lateral antara lain menceklis Diamond shape queuing, penggunaan lajur
yang awalnya di posisi middle menjadi any, dan proses penyalipan pada lajur yang
sama dari kiri dan kanan tanpa mengubah besaran nilai jarak minimum lateralnya.
Tabel 5.10 menunjukkan proses kalibrasi pada penelitian Redi A.Y (2016) ruas
JBH CTC Km. 5,4.
Tabel 5. 10 Proses kalibrasi pada penelitian Penentuan Nilai Kapasitas Jalan

Bebas Hambatan Dengan Aplikasi Perangkat Lunak Vissim oleh Redi Aditya
Yulianto (2016)
Trial Parameter yang diubah Nilai

Keterangan
ke- Sebelum Sesudah
0 Tidak ada - - 402 veh. remain
1 1. Penggunaan lajur saat 11 veh. remain
freeflow = “any”
2. Menyalip pada lajur
yang sama = “on left”
dan “on right”
2 1. Menghapus ceklis 9 veh. remain
“advance merging”
2. Menghapus ceklis
“consider subsequent
static routing decisions”
3 Waiting time before 60 s 50 s 9 veh. remain
difussion
difussion
90
Trial Parameter yang diubah Nilai

Keterangan
ke- Sebelum Sesudah
5 1. Look ahead distance = 2 3 11 veh. remain
“observed vehicles”
2. Menghapus ceklis
“smooth closeup
behavior”
difussion
difussion
difussion
difussion
10 Menceklis “Diamond shape
queuing”
Sumber: Yulianto, 2016
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:
Tabel 5. 11 Perbandingan Hasil Survei dan Hasil Pemodelan Vissim
Volume Lalu Lintas (Kendaraan) Kecepatan Rata-Rata (km/jam)

Nilai Nilai Nilai Nilai
Waktu Nilai Nilai
Hasil Nilai Penelitian Penelitian Hasil Nilai Penelitian Penelitian
default, default,
survei default Redi A Y, Redi A survei default Redi A Redi A
irs irs
default Y, irs Y, default Y, irs
Pkl. 06.00-
3808 3819 3798 3819 3797 91 93,2 93,12 90,59 90,13
07.00 WIB
Pkl. 07.00-
4383 4371 4369 4372 4369 88 87,51 89,32 87,6 85,71
08.00 WIB
91
Volume Lalu Lintas (Kendaraan) Kecepatan Rata-Rata (km/jam)

Nilai Nilai Nilai Nilai
Waktu Nilai Nilai
Hasil Nilai Penelitian Penelitian Hasil Nilai Penelitian Penelitian
default, default,
survei default Redi A Y, Redi A survei default Redi A Redi A
irs irs
default Y, irs Y, default Y, irs
Pkl. 08.00-
3584 3595 3575 3593 3582 92 93,67 94,13 91,6 91,43
09.00 WIB
Pkl. 09.00-
3499 3507 3491 3505 3491 93 94,008 94,41 92,26 91,98
10.00 WIB
Uji validitas dilakukan dengan menggunakan pengujian secara statistik apakah

perbedaan tersebut signifikan atau tidak antara hasil simulasi model dengan hasil
observasi. Parameter-parameter berupa volume dan kecepatan diperbandingkan
antara model dan observasi di lapangan. Untuk memastikan secara statistik,
dilakukan beberapa uji meliputi:
1. Chi-square
Rangkuman hasil uji Chi-Square selengkapnya pada Tabel 5.12 dan Tabel
5.13.
Tabel 5. 12 Hasil Uji Chi Square dengan parameter volume kendaraan
X2
NO MODEL KET.
hitung
1 Nilai default 0,115 Tidak Berbeda Secara Signifikan
2 Nilai default, increment random seed 0,112 Tidak Berbeda Secara Signifikan
3 Penelitian Redi A Y, default 0,091 Tidak Berbeda Secara Signifikan
4 Penelitian Redi A Y, increment random seed 0,096 Tidak Berbeda Secara Signifikan
Tabel 5. 13 Hasil Uji Chi Square dengan parameter kecepatan kendaraan

X2
NO MODEL KET.
hitung
1 Nilai default 0,097 Tidak Berbeda Secara Signifikan
2 Nilai default, increment random seed 0,140 Tidak Berbeda Secara Signifikan
3 Penelitian Redi A Y 0,011 Tidak Berbeda Secara Signifikan
4 Penelitian Redi A Y, increment random seed 0,083 Tidak Berbeda Secara Signifikan
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.
Tabel 5. 14 Hasil Uji GEH dengan parameter volume kendaraan
VOLUME LALU LINTAS

KONDISI PROSES HITUNG GEH
Survei Model
Nilai default 3808 3819 121 3813,5 0,0317
4383 4371 139,24 4376,9 0,0318
3584 3595 121 3589,5 0,0337
3499 3507 60,84 3503,1 0,0174
NILAI GEH 0,1146
Nilai default, 3808 3798 100 3803 0,0263
increment random 4383 4369 190,44 4375,9 0,0435
seed 3584 3575 81 3579,5 0,0226
3499 3491 67,24 3495,1 0,0192
NILAI GEH 0,1117
3808 3819 121 3813,5 0,0317
Penelitian Redi A Y 4383 4372 116,64 4377,4 0,0266
3584 3593 81 3588,5 0,0226
3499 3505 33,64 3502,1 0,0096
NILAI GEH 0,0906
Penelitian Redi A Y, 3808 3797 121 3802,5 0,0318
increment random 4383 4369 190,44 4375,9 0,0435
seed 3584 3582 4 3583 0,0011
3499 3491 67,24 3495,1 0,0192
NILAI GEH 0,0957
93
Tabel 5. 15 Hasil Uji GEH dengan parameter kecepatan kendaraan
KECEPATAN
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, 88 89 1,7424 88,66 0,0197

increment random seed 92 94 4,5369 93,065 0,0487
93 94 1,9881 93,705 0,0212
NILAI GEH 0,1384
91 91 0,1681 90,795 0,0019
Penelitian Redi A Y 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, 88 86 5,2441 86,855 0,0604
increment random seed 92 91 0,3249 91,715 0,0035
93 92 1,0404 92,49 0,0112
NILAI GEH 0,0835
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.
3. Statistik RMSE dan MAPE

Hasil analisis RMSE dan MAPE yang membandingkan model dan observasi di
lapangan dengan parameter volume dan kecepatan, dapat dilihat pada Tabel 16
dan Tabel 5.17.
94
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:
volume kendaraan
Chi Square
NO MODEL GEH RMSE MAPE
(X2 hitung)
1 Nilai default 0,115 0,1146 442 0,0109

96
Chi Square
(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
kecepatan kendaraan
Chi Square
(X2 hitung)
1 Nilai default 0,097 0,0962 9 0,05873
Nilai default,
seed
3 Penelitian Redi A Y 0,011 0,01133 1 0,02136
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
2. Nilai GEH-nya < 5, dengan nilai terkecil dibandingkan dengan kondisi

lainnya.
3. Nilai RMSE-nya kecil, artinya hasil hitung model tidak berbeda jauh dari hasil
survei, dengan nilai terkecil dibandingkan dengan kondisi lainnya.
4. Nilai MAPE-nya jauh di bawah 50%, sehingga dinyatakan bahwa model yang
dihasilkan memiliki kemampuan yang baik untuk prediksi nilai volume dan
kecepatan lalu lintas, dengan nilai terkecil dibandingkan dengan kondisi
lainnya, kecuali pada parameter volume nilai Penelitian Redi A Y, increment
random seed lebih kecil dibandingkan dengan nilai penelitian Redi A Y.
Model dinyatakan valid secara statistik dan dapat dilanjutkan untuk proses analisis
selanjutnya yaitu seluruh skenario dalam penelitian ini.
5.5 Skenario Pengaruh Manajemen Kecepatan Terhadap Antrian

Kendaraan Pada Exit Gerbang Tol Palimanan Periode Liburan
Setelah mendapatkan model yang valid maka analisis dilanjutkan dengan
melakukan 5 (lima) skenario manajemen kecepatan untuk mengetahui pengaruh
manajemen kecepatan terhadap antrian kendaraan pada Exit Gerbang Tol
Palimanan periode liburan, meliputi:
1. Skenario 1 (Kecepatan pada saat kapasitas jalan maksimum)
Dari hasil analisis 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
dengan nilai kecepatan pada saat kapasitas jalan maksimum 61 km/jam. Pada
skenario 1 dilakukan 2 (dua) perubahan yaitu perubahan driving behavior dan
desired speed tiap kendaraan dalam Vissim, pada kondisi lapangan driving
behavior/perilaku pengemudi kendaraan berusaha untuk mendahului dan
menyalip kendaraan dari sisi sebelah kiri dan kanan jalan, sehingga pada
skenario 1 dilakukan perubahan perilaku mengemudi dengan mengubah
parameter Lateral antara lain tidak menceklis Diamond shape queuing,
penggunaan lajur yang awalnya di posisi any menjadi middle, dan proses
98
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.
Gambar 5. 24 Perubahan parameter Lateral kondisi do nothing dalam Vissim
Gambar 5. 25 Perubahan parameter Lateral skenario 1, 2 dan 3 dalam Vissim

99
Perubahan desired speed tiap kendaraan dalam Vissim dilakukan dengan

merubah kecepatan lapangan menjadi kecepatan rata-rata 61 km/jam, namun
perubahan ini hanya dilakukan pada jenis kendaraan LV khususnya mobil
pribadi yang memiliki kecepatan rata-rata diatas 61 km/jam dan komposisi
kendaraan tertinggi dengan prosentase 90,47%, untuk lebih jelasnya Perubahan
desired speed tiap kendaraan dalam Vissim dilakukan dengan merubah
kecepatan lapangan menjadi kecepatan rata-rata 61 km/jam pada tiap jenis
kendaraan dapat dilihat pada Tabel 5.20 dan Tabel 5.21.
Tabel 5. 20 Desired speed kondisi lapangan

Lower Upper
No Name
Bound Bound
1 Bus Besar 78 105
2 Bus Kecil 84 105
3 Truk 3 Gandar 75 85
7 Truk Kecil 82 110
8 Pick Up 83 111
9 MP 86 142
Tabel 5. 21 Desired speed skenario 1

Lower Upper
No Name
Bound Bound
1 Bus Besar 60 65
2 Bus Kecil 60 65
7 Truk Kecil 60 65
8 Pick Up 60 65
9 MP 60 65
100
Dalam pelaksanaannya dilapangan, skenario 1, 2, 3, 4 dan 5 membutuhkan

pemasangan rambu-rambu lalu lintas sesuai dengan Peraturan Menteri
Perhubungan Republik Indonesia Nomor PM 13 Tahun 2014 Tentang Rambu
Lalu Lintas dan Peraturan Pemerintah Nomor 80 Tahun 2012 Tentang Tata
Cara Pemeriksaan Kendaraan Bermotor di Jalan dan Penindakan Pelanggaran
Lalu Lintas dan Angkutan Jalan Pasal 23, yang mengatur bahwa penindakan
Pelanggaran Lalu Lintas dan Angkutan Jalan didasarkan atas hasil:
a. temuan dalam proses Pemeriksaan Kendaraan Bermotor di Jalan;
b. laporan; dan/atau
c. rekaman peralatan elektronik.
Penindakan Pelanggaran Lalu Lintas dan Angkutan Jalan yang didasarkan atas
hasil rekaman peralatan elektronik, Petugas Kepolisian Negara Republik
Indonesia atau Penyidik Pegawai Negeri Sipil di bidang Lalu Lintas dan
Angkutan Jalan dapat menerbitkan Surat Tilang. Surat Tilang tersebut harus
dilampiri dengan bukti rekaman alat penegakan hukum elektronik. Surat Tilang
disampaikan kepada pelanggar sebagai pemberitahuan dan panggilan untuk
hadir dalam sidang pengadilan. Dalam hal pelanggar tidak dapat memenuhi
panggilan untuk hadir dalam sidang pengadilan, pelanggar dapat menitipkan
uang denda melalui bank yang ditunjuk oleh Pemerintah.
Untuk pemasangan rambu yang digunakan pada skenario 1 seperti rambu

larangan menjalankan kendaraan dengan kecepatan lebih dari 60 km/jam,
rambu larangan menyalip kendaraan lain, rambu larangan mendahului dari
sebelah kiri, rambu petunjuk bus dan truk gunakan lajur kiri dan rambu
petunjuk lajur untuk kendaraan yang lebih lambat serta rambu petunjuk lajur
untuk mendahului, dapat dilihat pada Gambar 5.26, Gambar 5.27, Gambar
5.28, Gambar 5.29, Gambar 5.30 dan Gambar 5.31. Ilustrasi penindakan
pelanggaran lalu lintas yang didasarkan atas hasil rekaman peralatan elektronik
dapat dilihat pada Gambar 5.31.
101
Gambar 5. 26 Rambu Larangan Menjalankan Kendaraan dengan Kecepatan Lebih

dari 60 km/jam
Gambar 5. 27 Rambu larangan mendahului dari sebelah kiri
Dilarang Melebihi Batas

Kecepatan 60 Km/Jam

dengan Kecepatan Lebih dari 60 km/jam
102
LAJUR UNTUK
LAJUR UNTUK
KENDARAAN LEBIH
MENDAHULUI
LAMBAT
rambu petunjuk lajur untuk mendahului
Gambar 5. 30 Rambu petunjuk bus dan truk gunakan lajur kiri
Gambar 5. 31 Ilustrasi penindakan menggunakan rekaman peralatan elektronik

Sumber: https://www.youtube.com/user/VictoriaGovDOJT
103
2. Skenario 2 (Kecepatan kendaraan rata-rata 80 km/jam)

Pada skenario 2 dilakukan 2 (dua) perubahan yaitu perubahan driving
behavior dan desired speed tiap kendaraan dalam Vissim, pada kondisi
lapangan driving behavior/perilaku pengemudi kendaraan berusaha untuk
mendahului dan menyalip kendaraan dari sisi sebelah kiri dan kanan jalan,
sehingga pada skenario 2 dilakukan perubahan perilaku mengemudi dengan
mengubah parameter Lateral antara lain tidak menceklis Diamond shape
queuing penggunaan lajur yang awalnya di posisi any menjadi middle, dan
proses penyalipan pada lajur tengah atau middle of lane tanpa mengubah
besaran nilai jarak minimum lateralnya, sehingga pada skenario 2
meminimalisir kendaraan yang menyalip kendaraan lainnya, setiap kendaraan
melaju sesuai dengan antrian pada saat masuk ke ruas Jalan Tol Cipali sampai
dengan titik akhir perjalalanan yaitu Exit Gerbang Tol Palimanan Km. 189,
untuk lebih jelasnya perubahan parameter Lateral dalam Vissim dapat dilihat
pada Gambar 5.24 dan Gambar 5.25. Perubahan desired speed tiap kendaraan
dalam Vissim dilakukan dengan merubah kecepatan lapangan menjadi
kecepatan rata-rata 80 km/jam, namun perubahan ini hanya dilakukan pada
jenis kendaraan LV khususnya mobil pribadi yang memiliki kecepatan rata-
rata diatas 80 km/jam dan komposisi kendaraan tertinggi dengan prosentase
90,47%, untuk lebih jelasnya perubahan desired speed dalam Vissim dapat
dilihat pada Tabel 5.20 dan Tabel 5.22.

Lower Upper
No Name Bound Bound
1 Bus Besar 78 85
2 Bus Kecil 84 85
7 Truk Kecil 82 85
8 Pick Up 83 85
9 MP 80 85
104

untuk mendahului, untuk lebih jelasnya dapat dilihat pada Gambar 5.32,
Gambar 5.33, Gambar 5.34, Gambar 5.35 dan Gambar 5.36. Ilustrasi
penindakan pelanggaran lalu lintas yang didasarkan atas hasil rekaman
peralatan elektronik dapat dilihat pada Gambar 5.37.

dari 80 km/jam

Kecepatan 80 Km/Jam

105
LAJUR UNTUK
LAJUR UNTUK
KENDARAAN LEBIH
MENDAHULUI
LAMBAT
106

Sumber: https://www.youtube.com/user/VictoriaGovDOJT
3. Skenario 3 (Kecepatan kendaraan rata-rata 100 km/jam)

Pada skenario 3 dilakukan 2 (dua) perubahan yaitu perubahan driving
behavior dan desired speed tiap kendaraan dalam Vissim, pada kondisi
lapangan driving behavior/perilaku pengemudi kendaraan berusaha untuk
mendahului dan menyalip kendaraan dari sisi sebelah kiri dan kanan jalan,
sehingga pada skenario 3 dilakukan perubahan perilaku mengemudi dengan
mengubah parameter Lateral antara lain tidak menceklis Diamond shape
queuing penggunaan lajur yang awalnya di posisi any menjadi middle, dan
proses penyalipan pada lajur tengah atau middle of lane tanpa mengubah
besaran nilai jarak minimum lateralnya, sehingga pada skenario 3
meminimalisir kendaraan yang menyalip kendaraan lainnya, setiap kendaraan
melaju sesuai dengan antrian pada saat masuk ke ruas Jalan Tol Cipali sampai
dengan titik akhir perjalalanan yaitu Exit Gerbang Tol Palimanan Km. 189,
untuk lebih jelasnya perubahan parameter Lateral dalam Vissim dapat dilihat
pada Gambar 5.24 dan Gambar 5.25. Perubahan desired speed tiap kendaraan
dalam Vissim dilakukan dengan merubah kecepatan lapangan menjadi
kecepatan rata-rata 100 km/jam, namun perubahan ini hanya dilakukan pada
jenis kendaraan LV khususnya mobil pribadi yang memiliki kecepatan rata-
rata diatas 100 km/jam dan komposisi kendaraan tertinggi dengan prosentase
107
90.47%, untuk lebih jelasnya perubahan desired speed dalam Vissim dapat
dilihat pada Tabel 5.20 dan Tabel 5.23.

Lower Upper
No Name
Bound Bound
1 Bus Besar 78 105
2 Bus Kecil 84 105
7 Truk Kecil 82 105
8 Pick Up 83 105
9 MP 86 105

Gambar 5.39, Gambar 5.40, Gambar 5.41, Gambar 5.42 dan Gambar 4.3.
Ilustrasi penindakan pelanggaran lalu lintas yang didasarkan atas hasil rekaman
peralatan elektronik dapat dilihat pada Gambar 5.44.

dari 100 km/jam
108

Kecepatan 100 Km/Jam

LAJUR UNTUK
LAJUR UNTUK
KENDARAAN LEBIH
MENDAHULUI
LAMBAT

109

Sumber: https://www.youtube.com/user/VictoriaGovDOJTV
4. Skenario 4 (Perlambatan pada 2 (dua) titik dengan kecepatan eksisting

dilapangan).
Pada skenario 4 tidak dilakukan perubahan parameter Lateral dan kecepatan
tiap kendaraan atau desired speed, sehingga perilaku pengemudi dan
kecepatan tiap kendaraan adalah sesuai dengan kondisi dilapangan. Perubahan
dilakukan dengan menambahkan pengaturan reduce speed dalam Vissim atau
pengurangan kecepatan menjadi 60 km/jam tiap jenis kendaraan sepanjang 1
km pada 2 (dua) titik perlambatan yaitu Jalan Tol Cipali Km 117-118 dan
Jalan Tol Cipali Km 147-148. Tujuan dari skenario 4 adalah mengetahui
apakah dengan dilakukannya perlambatan dapat mengatur ulang kecepatan
kendaraan yang sebelumnya berperilaku agresif saling mendahului ingin cepat
sampai tujuan menjadi lebih teratur, sehingga jarak kedatangan antar
kendaraan lebih teratur dan berpengaruh terhadap antrian kendaraan pada Exit
110
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. 44 Reduce speed pada skenario 4
Gambar 5. 45 Perlambatan pada 2 (dua) titik ruas JBH Cikampek km. 81 – Exit
Tol Palimanan km. 189

Gambar 5.47, Gambar 5.48, Gambar 5.49, Gambar 5.50, Gambar 5.51 dan
111
Gambar 5.52. Ilustrasi penindakan pelanggaran lalu lintas yang didasarkan atas
hasil rekaman peralatan elektronik dapat dilihat pada Gambar 5.53.

dari 60 km/jam
Kurangi Kecepatan Kendaraan Anda

Kecepatan Maksimum 60 Km/Jam
Gambar 5. 47 Piktogram Rambu Elektronik Kurangi Kecepatan Kendaraan Anda

Kecepatan Maksimum 60 km/jam
Gambar 5. 48 Rambu batas akhir larangan kecepatan maksimum 60 km/jam

112
LAJUR UNTUK
LAJUR UNTUK
KENDARAAN LEBIH
MENDAHULUI
LAMBAT
Gambar 5. 52 Ilustrasi pemasangan rambu perlambatan lalu lintas

113

5. Skenario 5 (Perlambatan pada 3 (tiga) titik dengan kecepatan eksisting

dilapangan). Pada skenario 5 tidak dilakukan perubahan parameter Lateral
dan kecepatan tiap kendaraan atau desired speed, sehingga perilaku
pengemudi dan kecepatan tiap kendaraan adalah sesuai dengan kondisi
dilapangan. Perubahan dilakukan dengan menambahkan pengaturan reduce
speed dalam Vissim atau pengurangan kecepatan menjadi 60 km/jam tiap jenis
kendaraan sepanjang 1 km pada 3 (tiga) titik perlambatan yaitu Jalan Tol
Cipali Km 117-118, Jalan Tol Cipali Km 148-149 dan Jalan Tol Cipali Km
169-170. Tujuan dari skenario 4 adalah mengetahui apakah dengan
dilakukannya perlambatan dapat mengatur ulang kecepatan kendaraan yang
sebelumnya berperilaku agresif saling mendahului ingin cepat sampai tujuan
menjadi lebih teratur, sehingga jarak kedatangan antar kendaraan lebih teratur
dan berpengaruh terhadap antrian kendaraan pada Exit Tol Palimanan. Untuk
lebih jelasnya reduce speed pada skenario 5 dapat dilihat pada Gambar 5.54
dan lokasi titik perlambatan sebagaimana pada Gambar 5.55.
114
Gambar 5. 54 Reduce speed pada skenario 5
Gambar 5. 55 Perlambatan pada 3 (tiga) titik ruas JBH Cikampek km. 81 – Exit
Tol Palimanan km. 189

Gambar 5.57, Gambar 5.58, Gambar 5.59, Gambar 5.60, Gambar 5.61 dan
Gambar 5.62. Ilustrasi penindakan pelanggaran lalu lintas yang didasarkan atas
hasil rekaman peralatan elektronik dapat dilihat pada Gambar 5.63.
115

dari 60 km/jam
Kurangi Kecepatan Kendaraan Anda

Kecepatan Maksimum 60 Km/Jam
Gambar 5. 57 Piktogram Rambu Elektronik Kurangi Kecepatan Kendaraan Anda

Kecepatan Maksimum 60 km/jam
Gambar 5. 58 Rambu batas akhir larangan kecepatan maksimum 60 km/jam

116
LAJUR UNTUK
LAJUR UNTUK
KENDARAAN LEBIH
MENDAHULUI
LAMBAT
Gambar 5. 62 Ilustrasi pemasangan rambu perlambatan lalu lintas

117

5.6 Analisis Pengaruh Manajemen Kecepatan Terhadap Antrian Kendaraan

Pada Exit Gerbang Tol Palimanan Periode Liburan
Dalam proses running Vissim setiap skenario memiliki waktu simulasi yang
berbeda-beda, yang dihitung berdasarkan waktu kedatangan kendaraan pada Exit
Tol Palimanan Km. 189. Dari hasil analisis Vissim, pengaruh manajemen
kecepatan terhadap antrian kendaraan pada Exit Gerbang Tol Palimanan dapat
dilihat dengan membandingkan antara kondisi do nothing dan 5 skenario
manajemen kecepatan, dari 5 skenario manajemen kecepatan terdapat perbedaan
karakteristik skenario manajemen kecepatan yaitu untuk manajemen kecepatan
skenario 1, 2 dan 3 memiliki karakteristik yang sama yaitu perubahan driving
behavior dan desired speed tiap kendaraan dalam Vissim, sedangkan manajemen
kecepatan skenario 4 dan 5 perilaku pengemudi dan kecepatan tiap kendaraan
adalah sesuai dengan kondisi dilapangan, perubahan dilakukan dengan
menambahkan pengaturan reduce speed dalam Vissim atau pengurangan
kecepatan menjadi 60 km/jam tiap jenis kendaraan sepanjang 1 km tiap titik
perlambatan. Perbandingan antara kondisi do nothing dan 5 skenario manajemen
kecepatan dapat dilihat pada Gambar 5.64 dan 5.65 dibawah ini:
118
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:
1. Manajemen Kecepatan Skenario 1

Pada skenario 1, terjadi penurunan jumlah antrian kendaraan sebesar 5.901
kendaraan, dengan rata-rata kecepatan kendaraan 61 km/jam dengan waktu
simulasi 173 menit atau 2 jam 53 menit.

kendaraan dengan kecepatan rata-rata kendaraan 80 km/jam dengan waktu

kendaraan dengan kecepatan rata-rata kendaraan 100 km/jam dengan waktu
119
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 4, terjadi penurunan jumlah antrian kendaraan sebesar 480

kendaraan, pada skenario 4 terjadi penurunan pada jumlah antrian kendaraan
yang sangat kecil, hal ini terjadi karena pada skenario 4 tidak dilakukan
perubahan perilaku pengemudi, hanya dilakukan perlambatan pada dua titik.
Kecepatan rata-rata kendaraan sebesar 85,87 km/jam dengan waktu simulasi
150 menit atau 2 jam 30 menit, hal ini disebabkan perlambatan pada dua titik
berfungsi dengan cukup baik dalam mengatur kecepatan kendaraan dengan
perilaku pengemudi kondisi lapangan yang saling mendahului dan ingin cepat
sampai tujuan, perlambatan pada dua titik berfungsi dalam mengatur
kecepatan dan kedatangan kendaraan sehingga walaupun perilaku pengemudi
tidak dirubah tetap terjadi penurunan jumlah antrian kendaraan walaupun tidak
terlalu signifikan.
120
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.
Rangkuman analisis hasil simulasi vissim 5 (lima) skenario pengaruh manajemen

kecepatan terhadap antrian di Exit tol Palimanan sebagaimana pada Tabel 5.24
dan Tabel 5.25 :
Tabel 5. 24 Jumlah antrian kendaraan kondisi do nothing dan 5 (lima) skenario
Do Nothing Skenario 1 Skenario 2 Skenario 3 Skenario 4 Skenario 5

12.953 7.052 6.367 4.462 12.473 11.721
Tabel 5. 25 Perbandingan kondisi do nothing dan 5 skenario hasil simulasi Vissim
Jumlah Antrian Kendaraan

Kondisi
Exit Tol Palimanan
Skenario 1 - 45,56 %
Skenario 4 - 3,71 %
Skenario 5 - 9,51 %
121
Kesimpulan hasil analisis perbandingan kondisi do nothing dan 5 skenario

manajemen kecepatan adalah sebagai berikut:
Pada skenario 1 jumlah antrian kendaraan pada Exit Tol Palimanan berkurang
sebesar 45,56% dibandingkan dengan kondisi do nothing dan kecepatan rata-
rata kendaraan menurun sebesar 29,19% dibandingkan dengan kondisi do
nothing dengan waktu simulasi 173 menit atau 2 jam 53 menit, hal ini terjadi
karena pengaruh perubahan perilaku pengemudi dan rata-rata kecepatan
kendaraan diatur 61 km/jam dalam Vissim.
rata kendaraan meningkat sebesar 2,39% dibandingkan dengan kondisi do
nothing dengan waktu simulasi 150 menit atau 2 jam 30 menit.
122

rata kendaraan meningkat sebesar 1,44% dibandingkan dengan kondisi do
nothing dengan waktu simulasi 150 menit atau 2 jam 30 menit.
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.
2. Hasil penelitian menunjukan manajemen kecepatan berpengaruh terhadap

antrian kendaraan pada Exit Gerbang Tol pada periode Liburan, skenario 1
dapat mengurangi jumlah antrian kendaraan sebesar 45,56 %, skenario 2
sebesar 50,85 %, skenario 3 sebesar 65,55 %, skenario 4 sebesar 3,71 % dan
skenario 5 sebesar 9,51 %. Skenario manajemen kecepatan yang terbaik
123
124
adalah skenario 3 yaitu kecepatan rata-rata 100 km/jam dan perubahan

perilaku pengemudi, dapat mengurangi antrian kendaraan sebesar 65,55 %.
3. Pengaruh manajemen kecepatan terhadap antrian kendaraan pada Exit

Gerbang Tol Palimanan periode liburan dapat menggunakan pendekatan
mikrosimulasi menggunakan perangkat lunak Vissim. Perubahan 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” dalam Vissim pada kondisi do
nothing menghasilkan jumlah antrian sebesar 12.953 kendaraan, skenario 1
sebesar 7.052 kendaraan, skenario 2 sebesar 6.367, skenario 3 sebesar 4.462,
skenario 4 sebesar 12.473 dan skenario 5 sebesar 11.721. Parameter-parameter
mikroskopik tertentu dalam Vissim dapat secara substantif menentukan
besaran jumlah antrian kendaraan yang dihasilkan.
4. Penggunaan perangkat lunak simulasi lalulintas Vissim dapat digunakan

sebagai alternatif dalam menyelesaikan permasalahan antrian pada Exit
Gerbang Tol Jalan Bebas Hambatan menggunakan strategi manajemen
kecepatan di masa yang akan datang. Hasil analisis Vissim dengan
menggunakan strategi manajemen kecepatan skenario 1 dapat mengurangi
jumlah antrian sebesar 5.901 kendaraan, skenario 2 sebesar 6.586 kendaraan,
skenario 3 sebesar 8.491 kendaraan, skenario 4 sebesar 480 kendaraan dan
skenario 5 sebesar 1.232 kendaraan. Fitur dalam Vissim yang mengizinkan
variasi model simulasi dengan mengubah besaran parameter-parameter
perilaku mengemudinya memberikan keleluasaan untuk dapat
menggambarkan kondisi lalulintas sebenarnya di lapangan.
6.2 Saran
1. Pendekatan mikrosimulasi membutuhkan pengamatan dan penelitian tersendiri

terhadap parameter-parameter perilaku berkendara yang berlaku di Indonesia,
karena Vissim berasal dari negara barat yang perilaku berkendaranya jauh
berbeda dengan di Indonesia.
125
2. Model kendaraan yang terdapat dalam Vissim masih berdasarkan negara-

negara barat dengan dimensi yang berbeda dan tidak terdapat di Indonesia
maupun negara-negara berkembang lainnya. Pada penelitian ini
pengklasifikasian jenis kendaraan angkutan berat dimodifikasi pada dimensi
kendaraan saja sesuai dengan yang berlaku di Indoneisa, karakteristik pada
mesin dan tenaga tidak dilakukan dengan pertimbangan keterbatasan
penelitian dan hanya membedakannya melalui besaran distribusi kecepatan
yang diharapkannya saja.
3. Penentuan pengaruh manajemen kecepatan terhadap antrian kendaraan pada

Exit Gerbang Tol Jalan Bebas Hambatan (JBH) dengan menggunakan Vissim
dalam penelitian ini berlaku secara empiris. Diperlukan penelitian terhadap
ruas-ruas JBH lainnya untuk dapat mendapatkan ragam perilaku mengemudi
yang dapat mencerminkan perilaku mengemudi di Indonesia secara
keseluruhan.
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
6. Dari hasil survey lapangan, kecepatan kendaraan khususnya mobil pribadi

cenderung melebihi batas kecepatan maksimal, dengan rata-rata kecepatan
109 km/jam, untuk itu diperlukan pengawasan dan penindakan tegas dari
pihak yang berwajib.
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.
8. Sistem pembayaran tol pertama kali menggunakan uang tunai namun

memiliki waktu pembayaran pada gerbang tol yang lama, kemudian saat ini
menggunakan e-money dapat mengurangi waktu pembayaran pada gerbang
tol namun masih memerlukan waktu yang cukup lama, untuk mengurangi
waktu pembayaran tol maka dapat menggunakan sistem free flow yaitu tiap
kendaraan ditempelkan stiker yang dilengkapi dengan barcode sebagai alat
pembayaran, sehingga dapat mengurangi waktu pembayaran pada gerbang
tol.
127
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).
Burghout, W., 2004. Hybird microscopic-mesoscopic traffic simulation. Doctoral

Dissertation. Stockholm, Sweden: Royal Institute of Technology.
Direktorat Jenderal Bina Marga, 1997. Manual Kapasitas Jalan Indonesia

(MKJI). Jakarta: Departemen Pekerjaan Umum.
Fitrada, A. G., Munawar A, 2015. Evaluasi Penerapan Sistem Contraflow Buslane
dengan menggunakan Software Vissim (Studi Kasus Jalan Prof. Yohannes
dan Jalan C. Simanjuntak, Yogyakarta). 18th FSTPT International
Symposium. 28 Agustus. Bandar Lampung: Universitas Lampung.
Hasan, M.I., 2002. Pokok-Pokok Materi: Teori Pengambilan Keputusan. Jakarta:

Ghalia Indonesia.
Hidayat, M.R., Munawar, A, Juni 2007. Penanganan Permasalahan Lalulintas di
Kota Pekalongan dengan Menggunakan Program EMME/2. Jurnal
Transportasi, 7, pp.13-22.
Hoogendoorn, S., P. and Bovy, P., H, 2001. State of the art of vehicular traffic
flow modeling. Proceedings of the Institution of Mechanical Engineers,
Part I: Journal of Systems and Control Engineering., 215, pp.283-303.
128
Irawan, M. Z., Putri, N. H, 2015. Kalibrasi Vissim Untuk Mikrosimulasi Arus

Lalu Lintas Tercampur Pada Simpang Bersinyal (Studi Kasus: Simpang
Tugu, Yogyakarta). Jurnal Penelitian Transportasi Multimoda, 13(3),
pp.97-106.
Japan International Cooperation Agency (JICA), 2004. Studi Rencana Induk
Transportasi Terpadu Jabodetabek (Tahap 2). Badan Perencanaan
Pembangunan Nasional (BAPPENAS) Republik Indonesia.
Kakiay, T.J., 2004. Dasar Teori Antrian untuk Kehidupan Nyata Yogyakarta.
Penerbit Andi.
Maciejweski, M., 2010. A Comparison of Microscopic Traffic Flow Simulation
Systems for an Urban Area. Transport Problems, 5(4).
Madhu, E., Velmurugan, S, November 2011. Estimation of Roadway Capacity of
Eight-Lane Divided Urban Expressway under Heterogeneous Traffic
Through Microscopic Simulation Models. International Journal of Science
and Technology Education Research, 1(6).
Mehri, H., Djemel, T, 2007. Study and Simulation of Queuing Theory in the Toll
Motorway. University of Sfax, Tunisia.
Munawar, A., Andrianto, A, 2013. Predicting Queues and Delays at Toll Plazas
by Computer Simulation (Case Study: Cililitan Toll Plaza, Jakarta). In
Proceedings of the World Congress on Engineering. 3 – 5 Juli. London.,
2013.
Munawar, A., Winnetou, I. A, 2015. Penggunaan Software vissim untuk Evaluasi

Hitungan MKJI 1997 Kinerja Ruas Jalan Perkotaan (Studi Kasus: Jalan
Affandi, Yogyakarta). 18th FSTPT International Symposium. 28 Agustus.
Bandar Lampung: Universitas Lampung.
Munawar, A., Yulianto, R, A, 2016. Penentuan Nilai Kapasitas Jalan Bebas
Hambatan Dengan Aplikasi Perangkat Lunak Vissim. Jurusan Teknik Sipil
dan Lingkungan, Fakultas Teknik, Universitas Gadjah Mada.
Munawar, A., 2004. Analisis Sistem Jaringan Transportasi di Kampus UGM.
Media Teknik. no. 3 tahun XXVI Edisi Agustus 2004.
Munawar, A., 2006. Queues and Delays at Signalized Intersections, Indonesian
Experience. 5th International Symposium on Highway Capacity and
Quality of Service. 25 – 29 Juli. Yokohama.
Munawar, A., 2009. Pengkinian Manual Kapasitas Jalan Indonesia 1997. In
Proceeding Workshop Permasalahan MKJI’97. Bandung: Pusat
Penelitian dan Pengembangan Jalan dan Jembatan, Kementerian
Pekerjaan Umum., 2009.
129
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.
PRI, 2014. Peraturan Menteri Perhubungan Republik Indonesia Nomor PM 13

Tahun 2014 Tentang Rambu Lalu Lintas.
PRI, 2015. Peraturan Menteri Perhubungan Nomor 111 tahun 2015 Tentang Tata
Cara Penetapan Batas Kecepatan.
PRI, 2015. Peraturan Menteri Perhubungan Nomor 96 tahun 2015 Tentang
Manajemen dan Rekayasa Lalu Lintas.
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
Lampiran 1 Formulir Survey Traffic Counting
FORMULRI SURVEI VOLUME LALU LINTAS
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
Lampiran 2 Formulir Survey Kecepatan
SURVEY KECEPATAN KENDARAAN
Ruas :
Waktu :
Arah : Palimanan
Jenis Kendaraan
No. Mobil Bus Bus Truk Truk 2 Truk 3 Truk 4 Truk 5

Pick Up
Sampel Pribadi Sedang Besar Kecil Gandar Gandar Gandar Gandar
133
Lampiran 3 Formulir Survey Headway
SURVEY WAKTU ANTAR KENDARAAN
Ruas :
Waktu :
Arah : Palimanan
Waktu kedatanagan kendaraan (menit;detik ke-)
No. Mobil Bus Bus Truk Truk 2 Truk 3 Truk 4 Truk 5

Pick Up
Sampel Pribadi Sedang Besar Kecil Gandar Gandar Gandar Gandar
134
Lampiran 4 Formulir Inventarisasi Ruas Jalan Bebas Hambatan
No Nama Ruas Geometrik Jalan Ket Visualisasi Gambar

Awal
Node
Akhir
Status Jalan
Klasifikasi Jalan
Fungsi Jalan
Panjang (m)
Lebar (m)
Lajur
Jumlah
Jalur
Tipe Jalan
Model Arus (arah)
Lebar Parkir (m)
Lebar Efektif Jalan (m)
Median (m)
Kiri (m)
Trotoar
Kanan (m)
Kiri (m)
Drainase
Kanan (m)
Kiri (m)
Bahu Jalan
Kanan (m)
Jalur Hijau (m)
Kondisi Jalan
Jenis Perkerasan
Hambatan Samping
Luas Kerusakan (m2 )
Jumlah akses
Lampu Jumlah
Parkir On Street Sudut Parkir
Marka Keadaan
135
Lampiran 5 Pengolahan Data Volume Lalu Lintas
GOLONGAN 1 GOL II GOL III GOL IV GOL V

Mobil Pribadi Pick Up Bus Kecil Bus Besar Truk Kecil Truk 2 Gandar Truk 3 Gandar Truk 4 Gandar Truk 5 Gandar TOTAL
WAKTU
SMP SMP SMP SMP SMP SMP SMP SMP SMP
KEND KEND KEND KEND KEND KEND KEND KEND KEND KEND SMP
1 1 1.3 2 1 1.3 2 2 2
{1} {3} {5} {6} {7} {7} {3} {5} {3} {5} {11}
14.00 - 14.15 282 282 5 5 5 6 14 29 2 2 3 4 2 3 0 0 0 0 312 330
14.15 - 14.30 437 437 3 3 6 8 10 19 3 3 5 6 3 6 3 6 2 3 472 493
14.30 - 14.45 448 448 8 8 8 10 8 16 2 2 2 2 2 3 0 0 0 0 477 489
14.45 - 15.00 262 262 5 5 3 4 13 26 2 2 3 4 2 3 2 3 0 0 291 309
15.00 - 15.15 294 294 5 5 6 8 10 19 3 3 5 6 3 6 0 0 0 0 326 343
15.15 - 15.30 450 450 8 8 5 6 6 13 5 5 3 4 2 3 3 6 0 0 482 495
15.30 - 15.45 461 461 6 6 3 4 18 35 2 2 5 6 2 3 0 0 2 3 498 521
15.45 - 16.00 275 275 3 3 2 2 6 13 2 2 5 6 3 6 2 3 0 0 298 311
16.00 - 16.15 277 277 3 3 5 6 14 29 3 3 5 6 2 3 0 0 0 0 309 328
16.15 - 16.30 419 419 8 8 3 4 10 19 3 3 3 4 2 3 3 6 0 0 451 468
16.30 - 16.45 430 430 2 2 3 4 16 32 2 2 3 4 2 3 0 0 2 3 459 480
16.45 - 17.00 267 267 5 5 5 6 8 16 2 2 3 4 2 3 2 3 0 0 293 306
17.00 - 17.15 331 331 8 8 5 6 14 29 3 3 5 6 2 3 0 0 0 0 368 387
17.15 - 17.30 509 509 3 3 3 4 13 26 2 2 2 2 3 6 0 0 0 0 534 552
17.30 - 17.45 504 504 3 3 2 2 16 32 2 2 3 4 2 3 3 6 2 3 536 560
18.45 - 18.00 328 328 6 6 3 4 5 10 5 5 2 2 2 3 0 0 0 0 350 358
18.00 - 18.15 293 293 8 8 6 8 14 29 3 3 3 4 3 6 0 0 0 0 331 352
18.15 - 18.30 462 462 5 5 3 4 10 19 2 2 6 8 2 3 3 6 0 0 493 510
136

WAKTU
1 1 1.3 2 1 1.3 2 2 2
18.30 - 18.45 477 477 11 11 3 4 29 58 5 5 5 6 3 6 0 0 2 3 534 570
18.45 - 19.00 280 280 5 5 2 2 18 35 2 2 6 8 2 3 0 0 0 0 314 335
19.00 - 19.15 189 189 8 8 6 8 14 29 3 3 5 6 3 6 2 3 0 0 230 253
19.15 - 19.30 448 448 5 5 5 6 22 45 2 2 3 4 2 3 0 0 0 0 486 513
19.30 - 19.45 470 470 8 8 5 6 42 83 5 5 2 2 3 6 3 6 2 3 539 591
19.45 - 20.00 293 293 11 11 2 2 30 61 2 2 2 2 3 6 0 0 0 0 342 377
20.00 - 20.15 365 365 21 21 19 25 34 67 8 8 13 17 0 0 0 0 0 0 459 502
20.15 - 20.30 520 520 19 19 13 17 42 83 8 8 13 17 8 16 2 3 2 3 626 686
20.30 - 20.45 531 531 14 14 24 31 61 122 6 6 21 27 6 13 2 3 2 3 667 751
20.45 - 21.00 346 346 6 6 16 21 50 99 5 5 10 12 2 3 0 0 0 0 434 492
21.00 - 21.15 499 499 8 8 21 27 53 106 13 13 30 40 3 6 3 6 0 0 630 705
21.15 - 21.30 571 571 13 13 22 29 82 163 10 10 19 25 2 3 2 3 0 0 720 817
21.30 - 21.45 506 506 8 8 32 42 80 160 6 6 11 15 2 3 2 3 0 0 646 743
21.45 - 22.00 549 549 8 8 21 27 61 122 6 6 11 15 5 10 2 3 2 3 664 742
22.00 - 22.15 590 590 10 10 26 33 58 115 8 8 19 25 3 6 2 3 0 0 715 791
22.15 - 22.30 581 581 8 8 24 31 61 122 8 8 13 17 2 3 0 0 0 0 696 769
22.30 - 22.45 590 590 10 10 16 21 64 128 8 8 13 17 0 0 0 0 0 0 701 773
22.45 - 23.00 582 582 2 2 13 17 69 138 6 6 14 19 2 3 2 3 0 0 690 770
23.00 - 23.15 635 635 2 2 19 25 99 198 8 8 11 15 2 3 0 0 0 0 776 886
23.15 - 23.30 576 576 3 3 21 27 80 160 24 24 35 46 6 13 2 3 0 0 747 852
23.30 - 23.45 520 520 11 11 19 25 72 144 10 10 11 15 0 0 0 0 0 0 643 724
137

WAKTU
1 1 1.3 2 1 1.3 2 2 2
23.45 - 24.00 714 714 10 10 26 33 80 160 6 6 14 19 2 3 0 0 2 3 853 948
00.00 - 00.15 555 555 8 8 13 17 40 80 10 10 13 17 0 0 0 0 0 0 638 686
00.15 - 00.30 550 550 10 10 22 29 58 115 5 5 8 10 3 6 3 6 2 3 661 736
00.30 - 00.45 462 462 5 5 19 25 56 112 5 5 8 10 2 3 3 6 0 0 560 629
00.45 - 01.00 622 622 8 8 24 31 45 90 6 6 14 19 2 3 2 3 2 3 725 786
01.00 - 01.15 558 558 8 8 19 25 34 67 6 6 8 10 0 0 2 3 2 3 637 682
01.15 - 01.30 557 557 6 6 29 37 26 51 6 6 6 8 2 3 0 0 2 3 634 673
01.30 - 01.45 547 547 6 6 6 8 16 32 6 6 2 2 2 3 2 3 0 0 587 609
01.45 - 02.00 578 578 8 8 13 17 37 74 6 6 8 10 0 0 3 6 0 0 653 699
02.00 - 02.15 418 418 5 5 6 8 14 29 5 5 3 4 2 3 2 3 2 3 456 478
02.15 - 02.30 394 394 10 10 8 10 14 29 5 5 2 2 0 0 2 3 0 0 434 452
02.30 - 02.45 515 515 5 5 10 12 18 35 6 6 8 10 0 0 0 0 0 0 562 584
02.45 - 03.00 451 451 10 10 6 8 8 16 2 2 2 2 2 3 2 3 0 0 482 495
03.00 - 03.15 373 373 8 8 8 10 18 35 6 6 8 10 2 3 2 3 0 0 424 450
03.15 - 03.30 496 496 3 3 5 6 14 29 2 2 8 10 0 0 0 0 0 0 528 546
03.30 - 03.45 626 626 6 6 6 8 11 22 10 10 13 17 0 0 0 0 0 0 672 689
03.45 - 04.00 350 350 5 5 5 6 8 16 2 2 3 4 2 3 2 3 0 0 376 390
04.00 - 04.15 581 581 10 10 6 8 18 35 8 8 13 17 0 0 2 3 0 0 637 662
04.15 - 04.30 562 562 10 10 6 8 16 32 6 6 16 21 2 3 0 0 0 0 618 642
04.30 - 04.45 778 778 5 5 6 8 19 38 8 8 22 29 0 0 0 0 0 0 838 866
04.45 - 05.00 710 710 5 5 6 8 10 19 13 13 16 21 5 10 3 6 0 0 768 792
138

WAKTU
1 1 1.3 2 1 1.3 2 2 2
05.00 - 05.15 656 656 10 10 6 8 13 26 6 6 21 27 0 0 2 3 0 0 714 736
05.15 - 05.30 664 664 5 5 8 10 16 32 6 6 14 19 2 3 2 3 0 0 717 743
05.30 - 05.45 810 810 3 3 5 6 11 22 6 6 14 19 2 3 2 3 0 0 853 873
05.45 - 06.00 781 781 5 5 5 6 10 19 10 10 22 29 5 10 0 0 0 0 837 859
06.00 - 06.15 899 899 3 3 10 12 21 42 10 10 22 29 2 3 2 3 0 0 968 1002
06.15 - 06.30 798 798 6 6 3 4 10 19 10 10 19 25 3 6 2 3 0 0 851 872
06.30 - 06.45 859 859 2 2 8 10 10 19 13 13 18 23 0 0 0 0 0 0 909 926
06.45 - 07.00 1014 1014 10 10 3 4 10 19 18 18 22 29 0 0 3 6 0 0 1080 1100
07.00 - 07.15 1248 1248 5 5 3 4 6 13 8 8 18 23 5 10 2 3 1 2 1295 1315
07.15 - 07.30 936 936 3 3 2 2 13 26 11 11 22 29 3 6 2 3 0 0 992 1017
07.30 - 07.45 1126 1126 8 8 5 6 10 19 10 10 21 27 3 6 2 3 1 2 1185 1208
07.45 - 08.00 869 869 3 3 10 12 8 16 16 16 3 4 0 0 2 3 0 0 910 924
08.00 - 08.15 750 750 2 2 3 4 8 16 8 8 16 21 0 0 0 0 0 0 787 801
08.15 - 08.30 790 790 8 8 3 4 6 13 5 5 13 17 2 3 0 0 0 0 827 840
08.30 - 08.45 976 976 2 2 6 8 11 22 8 8 11 15 0 0 2 3 0 0 1016 1034
08.45 - 09.00 901 901 2 2 8 10 18 35 8 8 16 21 2 3 0 0 0 0 954 980
09.00 - 09.15 834 834 5 5 6 8 11 22 5 5 14 19 0 0 0 0 0 0 875 893
09.15 - 09.30 979 979 8 8 6 8 18 35 5 5 16 21 0 0 0 0 0 0 1032 1056
09.30 - 09.45 741 741 2 2 3 4 5 10 3 3 10 12 0 0 0 0 0 0 763 772
09.45 - 10.00 781 781 6 6 8 10 19 38 3 3 11 15 0 0 0 0 0 0 829 854
10.00 - 10.15 717 717 0 0 8 10 16 32 3 3 6 8 0 0 0 0 0 0 750 771
139

WAKTU
1 1 1.3 2 1 1.3 2 2 2
10.15 - 10.30 894 894 8 8 8 10 22 45 6 6 19 25 0 0 0 0 0 0 958 989
10.30 - 10.45 669 669 5 5 6 8 14 29 5 5 11 15 0 0 0 0 0 0 710 730
10.45 - 11.00 814 814 10 10 6 8 22 45 3 3 14 19 0 0 0 0 0 0 870 899
11.00 - 11.15 661 661 2 2 5 6 14 29 8 8 16 21 2 3 3 6 0 0 710 736
11.15 - 11.30 666 666 3 3 8 10 16 32 6 6 16 21 2 3 0 0 0 0 717 742
11.30 - 11.45 810 810 3 3 5 6 11 22 6 6 13 17 2 3 3 6 0 0 853 874
11.45 - 12.00 779 779 6 6 5 6 10 19 10 10 21 27 5 10 2 3 0 0 837 860
12.00 - 12.15 744 744 6 6 14 19 42 83 8 8 18 23 2 3 2 3 0 0 835 890
12.15 - 12.30 758 758 8 8 13 17 45 90 6 6 11 15 0 0 0 0 0 0 842 894
12.30 - 12.45 730 730 6 6 16 21 42 83 3 3 10 12 0 0 0 0 0 0 806 856
13.45 - 13.00 626 626 5 5 16 21 40 80 6 6 13 17 2 3 0 0 0 0 707 757
13.00 - 13.15 688 688 5 5 13 17 48 96 6 6 19 25 2 3 0 0 0 0 781 840
13.15 - 13.30 592 592 0 0 8 10 24 48 3 3 13 17 0 0 0 0 0 0 640 670
13.30 - 13.45 541 541 3 3 32 42 19 38 3 3 10 12 0 0 0 0 0 0 608 640
13.45 - 14.00 661 661 2 2 5 6 21 42 6 6 14 19 2 3 2 3 0 0 712 742
Total 57006 57006 602 602 936 1217 2520 5040 586 586 1077 1400 162 323 99 198 26 52 63013 66424
140
Lampiran 6 Pengolahan Data Hubungan Kecepatan dan Kerapatan

1. Hasil analisis hubungan kecepatan dan kerapatan Model Greenshield
xi yi
No xiyi xi2 yi2
(kerapatan) (kecepatan)
1 2.82 117 330.4 7.97459 13689
2 4.29 115 492.96 18.37501 13225
3 4.29 114 489.28 18.42066 12996
4 2.69 115 309.12 7.225344 13225
5 3.06 112 342.56 9.354859 12544
6 4.34 114 495.2 18.86912 12996
7 4.61 113 520.8 21.24149 12769
8 2.70 115 310.72 7.300334 13225
9 2.93 112 327.68 8.559804 12544
10 4.29 109 467.52 18.39702 11881
11 4.37 110 480.32 19.06672 12100
12 2.69 114 306.4 7.223835 12996
13 3.31 117 386.88 10.93404 13689
14 4.80 115 551.84 23.02665 13225
15 4.91 114 559.84 24.11671 12996
16 3.12 115 358.24 9.704038 13225
17 3.14 112 351.68 9.8596 12544
18 4.47 114 510.08 20.02013 12996
19 5.05 113 570.4 25.48016 12769
20 2.91 115 335.2 8.495958 13225
21 2.26 112 252.96 5.101145 12544
22 4.70 109 512.8 22.13314 11881
23 5.37 110 590.72 28.83885 12100
24 3.31 114 376.96 10.93404 12996
25 4.70 107 502.4 22.0461 11449
26 6.35 108 686.08 40.35543 11664
27 6.83 110 751.04 46.61662 12100
28 4.60 107 492.48 21.18408 11449
29 6.78 104 704.96 45.94754 10816
30 7.78 105 817.28 60.58473 11025
31 6.81 109 742.56 46.40984 11881
32 7.28 102 742.4 52.97556 10404
33 7.91 100 791.04 62.57443 10000
34 7.77 99 769.44 60.40587 9801
35 7.51 103 773.44 56.38698 10609
36 7.62 101 769.76 58.08553 10201
37 8.77 101 885.92 76.93895 10201
141
xi yi
No xiyi xi2 yi2
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
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
jxx 700 jyy 6711
R2 0.7854
qmax 1330
Sm 60
143
2. Hasil analisis hubungan kecepatan dan kerapatan Model Greenberg

k yi
No xi xiyi xi2 yi2
1 2.82 1.04 117 121.46 1.08 13689.0
2 4.29 1.46 115 167.38 2.12 13225.0
3 4.29 1.46 114 166.07 2.12 12996.0
4 2.69 0.99 115 113.71 0.98 13225.0
5 3.06 1.12 112 125.21 1.25 12544.0
6 4.34 1.47 114 167.44 2.16 12996.0
7 4.61 1.53 113 172.66 2.33 12769.0
8 2.70 0.99 115 114.31 0.99 13225.0
9 2.93 1.07 112 120.24 1.15 12544.0
10 4.29 1.46 109 158.71 2.12 11881.0
11 4.37 1.47 110 162.14 2.17 12100.0
12 2.69 0.99 114 112.71 0.98 12996.0
13 3.31 1.20 117 139.93 1.43 13689.0
14 4.80 1.57 115 180.36 2.46 13225.0
15 4.91 1.59 114 181.43 2.53 12996.0
16 3.12 1.14 115 130.67 1.29 13225.0
17 3.14 1.14 112 128.15 1.31 12544.0
18 4.47 1.50 114 170.81 2.25 12996.0
19 5.05 1.62 113 182.94 2.62 12769.0
20 2.91 1.07 115 123.03 1.14 13225.0
21 2.26 0.81 112 91.25 0.66 12544.0
22 4.70 1.55 109 168.79 2.40 11881.0
23 5.37 1.68 110 184.89 2.83 12100.0
24 3.31 1.20 114 136.34 1.43 12996.0
25 4.70 1.55 107 165.48 2.39 11449.0
26 6.35 1.85 108 199.68 3.42 11664.0
27 6.83 1.92 110 211.31 3.69 12100.0
28 4.60 1.53 107 163.35 2.33 11449.0
29 6.78 1.91 104 199.03 3.66 10816.0
30 7.78 2.05 105 215.46 4.21 11025.0
31 6.81 1.92 109 209.14 3.68 11881.0
32 7.28 1.98 102 202.46 3.94 10404.0
33 7.91 2.07 100 206.82 4.28 10000.0
34 7.77 2.05 99 203.00 4.20 9801.0
35 7.51 2.02 103 207.66 4.06 10609.0
36 7.62 2.03 101 205.13 4.12 10201.0
37 8.77 2.17 101 219.32 4.72 10201.0
38 8.35 2.12 102 216.51 4.51 10404.0
144
k yi
No xi xiyi xi2 yi2
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
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
3. Hasil analisis hubungan kecepatan dan kerapatan Model Underwood

S Xi
No Volume Yi Yi2 XiYi Xi2
(Kecepatan) (Kerapatan)
1 330.4 117 2.82 4.76 22.68 13.45 7.97
2 492.96 115 4.29 4.74 22.51 20.34 18.38
3 489.28 114 4.29 4.74 22.43 20.33 18.42
4 309.12 115 2.69 4.74 22.51 12.75 7.23
5 342.56 112 3.06 4.72 22.26 14.43 9.35
6 495.2 114 4.34 4.74 22.43 20.57 18.87
7 520.8 113 4.61 4.73 22.35 21.79 21.24
8 310.72 115 2.70 4.74 22.51 12.82 7.30
9 327.68 112 2.93 4.72 22.26 13.80 8.56
10 467.52 109 4.29 4.69 22.01 20.12 18.40
11 480.32 110 4.37 4.70 22.09 20.52 19.07
12 306.4 114 2.69 4.74 22.43 12.73 7.22
13 386.88 117 3.31 4.76 22.68 15.75 10.93
14 551.84 115 4.80 4.74 22.51 22.77 23.03
15 559.84 114 4.91 4.74 22.43 23.26 24.12
16 358.24 115 3.12 4.74 22.51 14.78 9.70
17 351.68 112 3.14 4.72 22.26 14.82 9.86
18 510.08 114 4.47 4.74 22.43 21.19 20.02
19 570.4 113 5.05 4.73 22.35 23.86 25.48
20 335.2 115 2.91 4.74 22.51 13.83 8.50
21 252.96 112 2.26 4.72 22.26 10.66 5.10
22 512.8 109 4.70 4.69 22.01 22.07 22.13
23 590.72 110 5.37 4.70 22.09 25.24 28.84
24 376.96 114 3.31 4.74 22.43 15.66 10.93
25 502.4 107 4.70 4.67 21.84 21.94 22.05
26 686.08 108 6.35 4.68 21.92 29.74 40.36
27 751.04 110 6.83 4.70 22.09 32.09 46.62
28 492.48 107 4.60 4.67 21.84 21.51 21.18
29 704.96 104 6.78 4.64 21.57 31.48 45.95
30 817.28 105 7.78 4.65 21.66 36.22 60.58
31 742.56 109 6.81 4.69 22.01 31.96 46.41
32 742.4 102 7.28 4.62 21.39 33.66 52.98
33 791.04 100 7.91 4.61 21.21 36.43 62.57
34 769.44 99 7.77 4.60 21.12 35.71 60.41
35 773.44 103 7.51 4.63 21.48 34.80 56.39
36 769.76 101 7.62 4.62 21.30 35.17 58.09
37 885.92 101 8.77 4.62 21.30 40.48 76.94
38 852 102 8.35 4.62 21.39 38.63 69.77
147
S Xi
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
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
14.00 - 14.15 330 2.82 117 113 116 113

14.15 - 14.30 493 4.29 115 109 109 109
14.30 - 14.45 489 4.29 114 109 109 109
14.45 - 15.00 309 2.69 115 113 117 114
15.00 - 15.15 343 3.06 112 112 115 113
15.15 - 15.30 495 4.34 114 109 109 109
15.30 - 15.45 521 4.61 113 108 107 108
15.45 - 16.00 311 2.70 115 113 117 114
16.00 - 16.15 328 2.93 112 113 115 113
16.15 - 16.30 468 4.29 109 109 109 109
16.30 - 16.45 480 4.37 110 109 108 109
16.45 - 17.00 306 2.69 114 113 117 114
17.00 - 17.15 387 3.31 117 112 113 112
17.15 - 17.30 552 4.80 115 108 107 108
17.30 - 17.45 560 4.91 114 107 106 107
18.45 - 18.00 358 3.12 115 112 114 113
18.00 - 18.15 352 3.14 112 112 114 113
18.15 - 18.30 510 4.47 114 109 108 109
18.30 - 18.45 570 5.05 113 107 106 107
18.45 - 19.00 335 2.91 115 113 115 113
19.00 - 19.15 253 2.26 112 115 120 115
19.15 - 19.30 513 4.70 109 108 107 108
19.30 - 19.45 591 5.37 110 106 105 106
19.45 - 20.00 377 3.31 114 112 113 112
20.00 - 20.15 502 4.70 107 108 107 108
20.15 - 20.30 686 6.35 108 103 102 103
20.30 - 20.45 751 6.83 110 102 101 102
20.45 - 21.00 492 4.60 107 108 108 108
21.00 - 21.15 705 6.78 104 102 101 102
21.15 - 21.30 817 7.78 105 99 98 99
21.30 - 21.45 743 6.81 109 102 101 102
21.45 - 22.00 742 7.28 102 101 100 101
22.00 - 22.15 791 7.91 100 99 98 99
22.15 - 22.30 769 7.77 99 99 98 99
22.30 - 22.45 773 7.51 103 100 99 100
22.45 - 23.00 770 7.62 101 100 99 100
23.00 - 23.15 886 8.77 101 97 96 97
150

23.15 - 23.30 852 8.35 102 98 97 98

23.30 - 23.45 724 7.03 103 102 100 101
23.45 - 24.00 948 9.29 102 95 95 95
00.00 - 00.15 686 6.79 101 102 101 102
00.15 - 00.30 736 7.21 102 101 100 101
00.30 - 00.45 629 6.23 101 104 102 104
00.45 - 01.00 786 8.02 98 99 98 99
01.00 - 01.15 682 6.89 99 102 100 102
01.15 - 01.30 673 6.87 98 102 101 102
01.30 - 01.45 609 6.09 100 104 103 104
01.45 - 02.00 699 7.28 96 101 100 101
02.00 - 02.15 478 4.73 101 108 107 108
02.15 - 02.30 452 4.48 101 109 108 109
02.30 - 02.45 584 5.90 99 105 103 104
02.45 - 03.00 495 4.85 102 107 107 107
03.00 - 03.15 450 4.54 99 108 108 108
03.15 - 03.30 546 5.46 100 106 105 106
03.30 - 03.45 689 6.82 101 102 101 102
03.45 - 04.00 390 3.86 101 110 111 110
04.00 - 04.15 662 6.75 98 102 101 102
04.15 - 04.30 642 6.69 96 102 101 102
04.30 - 04.45 866 9.22 94 96 95 96
04.45 - 05.00 792 8.08 98 99 98 98
05.00 - 05.15 736 7.44 99 100 99 100
05.15 - 05.30 743 7.35 101 101 99 100
05.30 - 05.45 873 8.73 100 97 96 97
05.45 - 06.00 859 9.14 94 96 96 96
06.00 - 06.15 1002 10.33 97 92 93 93
06.15 - 06.30 872 9.09 96 96 96 96
06.30 - 06.45 926 10.18 91 93 94 93
06.45 - 07.00 1100 11.71 94 89 91 89
07.00 - 07.15 1315 15.85 83 77 86 80
07.15 - 07.30 1017 11.82 86 88 91 89
07.30 - 07.45 1208 14.38 84 81 88 83
07.45 - 08.00 924 10.26 90 93 94 93
08.00 - 08.15 801 8.80 91 97 96 97
08.15 - 08.30 840 9.13 92 96 96 96
08.30 - 08.45 1034 12.61 82 86 90 87
08.45 - 09.00 980 10.77 91 91 93 92
151

09.00 - 09.15 893 9.50 94 95 95 95

09.15 - 09.30 1056 11.87 89 88 91 89
09.30 - 09.45 772 8.21 94 98 97 98
09.45 - 10.00 854 8.71 98 97 96 97
10.00 - 10.15 771 7.79 99 99 98 99
10.15 - 10.30 989 10.52 94 92 93 92
10.30 - 10.45 730 7.61 96 100 99 100
10.45 - 11.00 899 9.46 95 95 95 95
11.00 - 11.15 736 7.67 96 100 99 100
11.15 - 11.30 742 7.34 101 101 99 100
11.30 - 11.45 874 9.20 95 96 95 96
11.45 - 12.00 860 9.15 94 96 96 96
12.00 - 12.15 890 9.27 96 95 95 95
12.15 - 12.30 894 9.31 96 95 95 95
12.30 - 12.45 856 9.30 92 95 95 95
13.45 - 13.00 757 7.89 96 99 98 99
13.00 - 13.15 840 8.75 96 97 96 97
13.15 - 13.30 670 6.64 101 103 101 102
13.30 - 13.45 640 6.59 97 103 101 103
13.45 - 14.00 742 7.57 98 100 99 100
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)
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)
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)
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
II. Nilai Tingkat Kepercayaan 95 0.05
III. Derajat Kebebasan (v) = (k-1) = 95
IV. Jadi Nilai Chi Kuadrat tabel ( χ2 tabel ) = 118.7516
V. Menghitung χ2 hitung = 14.084
VI. Aturan Keputusan : H0 diterima jika χ2 hitung < 118.7516

H1 diterima jika χ2 hitung > 118.7516
VII. Keputusan :
Ho Diterima
b. Hasil uji statistik chi square Model Greenberg

Uji Chi-Square
No Volume E-O (X²)
1 116 117.00 -0.98423 0.008279502
2 109 115.00 -6.25474 0.340189183
3 109 114.00 -5.27635 0.244209323
4 117 115.00 1.875149 0.030575508
5 115 112.00 2.625347 0.061539688
6 109 114.00 -5.48586 0.263987881
7 107 113.00 -5.51738 0.269393793
8 117 115.00 1.785216 0.027713004
9 115 112.00 3.398957 0.103150952
10 109 109.00 -0.26516 0.000645053
11 108 110.00 -1.5766 0.022596847
155
Uji Chi-Square
No Volume E-O (X²)
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)
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)
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

VII. Keputusan :
Ho Diterima
c. Hasil uji statistik chi square Model Underwood

Uji Chi-Square
No Volume E-O (X²)
1 113 117.00 -3.50556 0.105033787
2 109 115.00 -5.90036 0.302732905
3 109 114.00 -4.91604 0.211994851
4 114 115.00 -1.08825 0.010298213
5 113 112.00 0.777694 0.005400071
6 109 114.00 -5.06888 0.225381643
7 108 113.00 -4.84547 0.207774816
8 114 115.00 -1.13104 0.011123849
9 113 112.00 1.18297 0.012494807
158
Uji Chi-Square
No Volume E-O (X²)
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)
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)
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

VII. Keputusan :
Ho Diterima
161
Lampiran 7 Pengolahan Data (Kecepatan Kendaraan)

1. Jenis Kendaraan Mobil Pribadi
N : 100
Min : 86
Max : 142,07 N>N’, sampel data memenuhi syarat uji kecukupan data
Mean : 109,48
SD : 13,56
K :3
Min < BKB, nilai minimum masuk kedalam rentang uji
keseragaman data
α : 0,05
N’ : 37
BKB : 69 Max < BKA, nilai maksimum masuk kedalam rentang uji
BKA : 150 keseragaman data
Frekuensi Frekuensi
Interval Frekuensi
Relatif Komulatif
86.00 - 93.00 16 0.16 0.16

93.01 - 100.01 13 0.13 0.29
100.02 - 107.02 15 0.15 0.44
107.03 - 114.03 15 0.15 0.59
114.04 - 121.04 17 0.17 0.76
121.05 - 128.05 17 0.17 0.93
128.06 - 135.06 5 0.05 0.98
135.07 - 142.07 2 0.02 1.00
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
2. Jenis Kendaraan Pick Up

N : 25
Min : 83
Mean : 95,3
SD : 7,62
K :3 Min < BKB, nilai minimum masuk kedalam rentang uji
α : 0,05 keseragaman data
N’ : 22,68
Frekuensi Frekuensi
Interval Frekuensi
Relatif Komulatif
83.00 - 85.80 4 0.16 0.27

85.81 - 88.61 1 0.04 0.33
88.62 - 91.42 4 0.16 0.60
91.43 - 94.23 2 0.08 0.73
94.24 - 97.04 4 0.16 1.00
97.05 - 99.85 3 0.12 1.20
99.86 - 102.66 2 0.08 1.33
102.67 - 105.47 2 0.08 1.47
105.48 - 108.28 2 0.08 1.60
108.29 - 111.09 1 0.04 1.67
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
3. Jenis Kendaraan Bus Kecil
N : 25
Min : 84
Mean : 94,08
SD : 6,68
N’ : 16
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
84.00 - 86.10 5 0.38 0.42

86.11 - 88.21 2 0.15 0.58
88.22 - 90.32 2 0.15 0.75
90.33 - 92.43 2 0.15 0.92
92.44 - 94.54 1 0.08 1.00
94.55 - 96.65 1 0.08 1.08
96.66 - 98.76 4 0.31 1.42
98.77 - 100.87 4 0.31 1.75
100.88 - 102.98 2 0.15 1.92
102.99 - 105.09 2 0.15 2.08
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
4. Jenis Kendaraan Bus Besar
N : 32
Min : 78
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
78.00 - 82.50 8 0.09 0.09

82.51 - 87.01 14 0.16 0.24
87.02 - 91.52 24 0.27 0.51
91.53 - 96.03 12 0.13 0.64
96.04 - 100.54 16 0.18 0.82
100.55 - 105.05 16 0.18 1.00
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
5. Jenis Kendaraan Truk Kecil
N : 35
Min : 82
Mean : 82,6
SD : 23,67
N’ : 22
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
82.00 - 86.00 8 0.23 0.23

86.01 - 90.01 5 0.14 0.37
90.02 - 94.02 7 0.20 0.57
94.03 - 98.03 6 0.17 0.74
98.04 - 102.04 4 0.11 0.86
102.05 - 106.05 4 0.11 0.97
106.06 - 110.06 1 0.03 1.00
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
6. Jenis Kendaraan Truk 2 As
N : 40
Min : 75
Mean : 81,84
SD : 5,08
N’ : 14
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
75.00 - 78.50 11 0.28 0.28

78.51 - 82.01 15 0.38 0.65
82.02 - 85.52 5 0.13 0.78
85.53 - 89.03 6 0.15 0.93
89.04 - 92.54 1 0.03 0.95
92.55 - 96.05 1 0.03 0.98
96.06 - 99.56 1 0.03 1.00
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
Mean : 78,08
SD : 2,53
N’ :5
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
75.00 - 77.50 6 0.55 0.55

77.51 - 80.01 3 0.27 0.82
80.02 - 82.52 1 0.09 0.91
82.53 - 85.03 1 0.09 1.00
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
keseragaman data
α : 0,05
N’ : 10
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
70.00 - 73.30 1 0.17 0.17

73.31 - 76.61 2 0.33 0.50
76.62 - 79.92 1 0.17 0.67
79.93 - 83.23 2 0.33 1.00
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
Max : 75,01
data
Mean : 72,01
SD : 2,12
K :3
keseragaman data
α : 0,05
N’ :6
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
69.00 - 72.00 1 0.50 0.50

72.01 - 75.01 1 0.50 1.00
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
Lampirann 8 Pengolahan Data (Headway antar kendaraan)
Frekuensi Komulatif % Komulatif

Interval Frekuensi
Relatif Frekuensi Frekuensi
0.50 - 1.70 2284 52.13% 4381 100%
1.71 - 2.91 953 21.75% 2097 48%
2.92 - 4.12 483 11.02% 1144 26%
4.13 - 5.33 288 6.57% 661 15%
5.34 - 6.54 175 3.99% 373 8.51%
6.55 - 7.75 91 2.08% 198 4.52%
7.76 - 8.96 44 1.00% 107 2.44%
8.97 - 10.17 23 0.52% 63 1.44%
10.18 - 11.38 18 0.41% 40 0.91%
11.39 - 12.59 10 0.23% 22 0.50%
12.60 - 13.80 6 0.14% 12 0.27%
13.81 - 15.01 3 0.07% 6 0.14%
15.02 - 16.22 2 0.05% 3 0.07%
16.23 - 17.43 1 0.02% 1 0.02%
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
Lampirann 9 Pengolahan Data Waktu Layanan Gardu Tol Per Jenis

Kendaraan
1. Jenis Kendaraan Mobil Pribadi
N : 100
Min : 10
Mean : 11,94
SD : 1,31
keseragaman data
α : 0,05
N’ : 22
BKA : 16
keseragaman data
Interval Frekuensi Frekuensi Relatif Frekuensi Komulatif
10.00 - 10.50 19 0.19 0.19

10.51 - 11.01 19 0.19 0.38
11.02 - 11.52 0 - 0.38
11.53 - 12.03 20 0.20 0.58
12.04 - 12.54 0 - 0.58
12.55 - 13.05 21 0.21 0.79
13.06 - 13.56 0 - 0.79
13.57 - 14.07 21 0.21 1.00
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
Lama Pembayaran Tol (detik)

172
2. Jenis Kendaraan Pick Up

N : 40
Min : 10
Max :15,66 N>N’, sampel data memenuhi syarat uji kecukupan data
Mean : 12,18
SD : 1,64
N’ : 35
BKA :17 keseragaman data
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
10.00 - 10.80 11 0.28 0.28

10.81 - 11.61 7 0.18 0.45
11.62 - 12.42 7 0.18 0.63
12.43 - 13.23 3 0.08 0.70
13.24 - 14.04 7 0.18 0.88
14.05 - 14.85 0 - 0.88
14.86 - 15.66 5 0.13 1.00
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

173
3. Jenis Kendaraan Bus Kecil

N : 40
Min : 11
Mean : 12,96
α : 0,05
N’ : 27 Max < BKA, nilai maksimum masuk kedalam rentang uji
BKA : 18
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
11.00 - 11.80 11 0.28 0.28

11.81 - 12.61 11 0.28 0.55
12.62 - 13.42 5 0.13 0.68
13.43 - 14.23 6 0.15 0.83
14.24 - 15.04 2 0.05 0.88
15.05 - 15.85 0 - 0.88
15.86 - 16.66 5 0.13 1.00
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

174
4. Jenis Kendaraan Bus Besar

N : 40
Min : 13
N>N’, sampel data memenuhi syarat uji kecukupan data
Max : 16,05
Mean : 13,94
K : 2 keseragaman data
α : 0,05
N’ :8 Max < BKA, nilai maksimum masuk kedalam rentang uji
BKA : 16
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
13.00 - 13.50 16 0.40 0.40

13.51 - 14.01 13 0.33 0.73
14.02 - 14.52 0 - 0.73
14.53 - 15.03 7 0.18 0.90
15.04 - 15.54 0 - 0.90
15.55 - 16.05 4 0.10 1.00
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

175
5. Jenis Kendaraan Truk Kecil

N : 40
Min : 11
Mean : 13,10
α : 0,05
N’ : 33 Max < BKA, nilai maksimum masuk kedalam rentang uji
BKA : 18
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
11.00 - 11.80 14 0.35 0.35

11.81 - 12.61 6 0.15 0.50
12.62 - 13.42 5 0.13 0.63
13.43 - 14.23 4 0.10 0.73
14.24 - 15.04 5 0.13 0.85
15.05 - 15.85 0 - 0.85
15.86 - 16.66 6 0.15 1.00
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

176

N : 40
Min : 12
Max : 16.26 N>N’, sampel data memenuhi syarat uji kecukupan data
Mean : 13.86
SD : 1,302
α : 0,05
N’ : 17
Max < BKA, nilai maksimum masuk kedalam rentang uji
BKB : 10
keseragaman data
BKA : 18
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
12.00 - 12.60 11 0.32 0.32

12.61 - 13.21 6 0.18 0.50
13.22 - 13.82 0 - 0.50
13.83 - 14.43 8 0.24 0.74
14.44 - 15.04 9 0.26 1.00
15.05 - 15.65 0 - 1.00
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

177

N : 15
Min : 12
Mean : 13,91
SD : 1,09
K : 2
keseragaman data
α : 0,05
N’ : 14
keseragaman data
BKA : 17
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
12.00 - 12.80 3 0.20 0.20

12.81 - 13.61 3 0.20 0.40
13.62 - 14.42 4 0.27 0.67
14.43 - 15.23 3 0.20 0.87
15.24 - 16.04 2 0.13 1.00
1.20
1.00
0.80
0.60
0.40
0.20
0.00
12.40 13.21 14.02 14.83 15.64

178

N : 10
Min : 12 N<N’, sampel data tidak memenuhi syarat uji kecukupan
Max : 16,54 data
Mean : 14,27
SD : 1,35
α : 0,05
N’ : 16
Max < BKA, nilai maksimum masuk kedalam rentang uji
BKB : 10
keseragaman data
BKA : 18
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
12.00 - 12.90 2 0.20 0.20

12.91 - 13.81 2 0.20 0.40
13.82 - 14.72 2 0.20 0.60
14.73 - 15.63 2 0.20 0.80
15.64 - 16.54 2 0.20 1.00
1.20
1.00
0.80
0.60
0.40
0.20
0.00
12.45 13.36 14.27 15.18 16.09

179

N :5
Min : 13
Max : 16.63
data
Mean : 14,91
SD : 1,03
K :2
keseragaman data
α : 0,05
N’ :8
keseragaman data
BKA : 18
Frekuensi Komulatif
Interval Frekuensi
Relatif Frekuensi
13.00 - 13.90 1 0.20 0.20

13.91 - 14.81 1 0.20 0.40
14.82 - 15.72 2 0.40 0.80
15.73 - 16.63 1 0.20 1.00
1.20
1.00
0.80
0.60
0.40
0.20
0.00
13.45 14.36 15.27 16.18

180
Lampiran 10 Analisis Data (Kalibrasi dan Validasi Model)
1. Hasil analisis vissim increment random seed parameter volume kendaraan

Random Seed
Kondisi Waktu Rata-Rata
10 20 30 40 50 60 70
Nilai default, Pkl. 06.00-07.00 WIB 3695 3822 3870 3776 3768 3793 3863 3798
increment
Pkl. 07.00-08.00 WIB 4205 4390 4459 4367 4335 4398 4429 4369
random seed
Pkl. 08.00-09.00 WIB 3477 3592 3646 3543 3538 3582 3650 3575
Pkl. 09.00-10.00 WIB 3408 3493 3559 3453 3474 3490 3557 3491
Nilai Pkl. 06.00-07.00 WIB 3694 3820 3869 3776 3767 3793 3863 3797
Penelitian
Redi A Y, Pkl. 07.00-08.00 WIB 4206 4390 4460 4364 4333 4398 4429 4369
increment Pkl. 08.00-09.00 WIB 3476 3592 3645 3544 3587 3580 3648 3582
random seed Pkl. 09.00-10.00 WIB 3409 3493 3558 3453 3474 3491 3556 3491
2. Hasil analisis vissim increment random seed parameter kecepatan kendaraan

Random Seed
Kondisi Waktu Rata-Rata
10 20 30 40 50 60 70
Nilai default, Pkl. 06.00-07.00 WIB 93.94 93.40 93.15 92.50 93.13 92.85 92.89 93.12
increment
Pkl. 07.00-08.00 WIB 89.88 89.09 87.89 88.39 90.60 89.89 89.54 89.33
random seed
Pkl. 08.00-09.00 WIB 94.49 94.88 94.24 94.25 94.21 94.05 92.82 94.13
Pkl. 09.00-10.00 WIB 94.82 95.33 94.62 94.29 94.32 94.11 93.40 94.41
Nilai Pkl. 06.00-07.00 WIB 91.19 90.26 90.20 90.59 90.06 89.61 89.04 90.14
Penelitian
Pkl. 07.00-08.00 WIB 87.48 86.84 88.54 84.06 80.77 86.80 85.48 85.71
Redi A Y,
increment Pkl. 08.00-09.00 WIB 91.86 91.99 91.40 92.46 90.59 91.27 90.43 91.43
random seed Pkl. 09.00-10.00 WIB 92.39 92.36 91.81 92.76 92.08 91.28 91.19 91.98
3. Hasil Uji Statistik Chi Square Volume Kendaraan

Nilai default
Volume E-O Uji Chi-Square (X²)
Waktu
Pkl. 06.00-07.00 WIB 3819 3808 11 0.03177521
Pkl. 07.00-08.00 WIB 4371 4383 -11.8 0.031769645
Pkl. 08.00-09.00 WIB 3595 3584 11 0.033761161
Pkl. 09.00-10.00 WIB 3507 3499 7.8 0.017386831
Total 0.114692847
181
Nilai default, increment random seed

Waktu
Pkl. 06.00-07.00 WIB 3798 3808 -10 0.026260504
Pkl. 07.00-08.00 WIB 4369 4383 -13.8 0.043451675
Pkl. 08.00-09.00 WIB 3575 3584 -9 0.022600446
Pkl. 09.00-10.00 WIB 3491 3499 -8.2 0.019215821
Total 0.111528446
Nilai Redi A Y
Waktu
Pkl. 06.00-07.00 WIB 3819 3808 11 0.03177521
Pkl. 07.00-08.00 WIB 4372 4383 -10.8 0.026613124
Pkl. 08.00-09.00 WIB 3593 3584 9 0.022600446
Pkl. 09.00-10.00 WIB 3505 3499 5.8 0.009613626
Total 0.090602407
Nilai Redi A Y, increment random seed
Waktu
Pkl. 06.00-07.00 WIB 3797 3808 -11 0.03177521
Pkl. 07.00-08.00 WIB 4369 4383 -13.8 0.043451675
Pkl. 08.00-09.00 WIB 3582 3584 -2 0.001116071
Pkl. 09.00-10.00 WIB 3491 3499 -8.2 0.019215821
Total 0.095558777
I. HIPOTESA
II. Nilai Tingkat Kepercayaan α 95 0.05

VII. Keputusan :
Tidak Berbeda Secara Signifikan
182
I. HIPOTESA

VII. Keputusan :
I. HIPOTESA

VII. Keputusan :
I. HIPOTESA

VII. Keputusan :
183
4. Hasil Uji Statistik Chi Square Kecepatan Kendaraan

Nilai default
Kecepatan E-O Uji Chi-Square (X²)
Pkl. 06.00-07.00 WIB 93 91 2.2 0.053186813
Pkl. 07.00-08.00 WIB 88 88 -0.49 0.002728409
Pkl. 08.00-09.00 WIB 94 92 1.67 0.03031413
Pkl. 09.00-10.00 WIB 94 93 1.008 0.010925419
Total 0.097154772
Nilai default, increment random seed
Pkl. 06.00-07.00 WIB 93 91 2.12 0.049389011
Pkl. 07.00-08.00 WIB 89 88 1.32 0.0198
Pkl. 08.00-09.00 WIB 94 92 2.13 0.04931413
Pkl. 09.00-10.00 WIB 94 93 1.41 0.021377419
Total 0.139880561
Nilai Redi A Y
Pkl. 06.00-07.00 WIB 91 91 -0.41 0.001847253
Pkl. 07.00-08.00 WIB 88 88 -0.4 0.001818182
Pkl. 08.00-09.00 WIB 92 92 -0.4 0.00173913
Pkl. 09.00-10.00 WIB 92 93 -0.74 0.005888172
Total 0.011292737
Nilai Redi A Y, increment random seed
Pkl. 06.00-07.00 WIB 90 91 -0.87 0.008317582
Pkl. 07.00-08.00 WIB 86 88 -2.29 0.059592045
Pkl. 08.00-09.00 WIB 91 92 -0.57 0.003531522
Pkl. 09.00-10.00 WIB 92 93 -1.02 0.011187097
Total 0.082628246
184
I. HIPOTESA

VII. Keputusan :
I. HIPOTESA

VII. Keputusan :
I. HIPOTESA

VII. Keputusan :
I. HIPOTESA

VII. Keputusan :
185
5. Hasil Uji Statistik GEH
KONDISI VOLUME LALU LINTAS PROSES HITUNG GEH

Survei Model
Nilai default 3808 3819 121 3813.5 0.0317
4383 4371 139.24 4376.9 0.0318
3584 3595 121 3589.5 0.0337
3499 3507 60.84 3503.1 0.0174
NILAI GEH 0.1146
3808 3798 100 3803 0.0263
Nilai default,
increment random 4383 4369 190.44 4375.9 0.0435
seed 3584 3575 81 3579.5 0.0226
3499 3491 67.24 3495.1 0.0192
NILAI GEH 0.1117
Penelitian Redi A Y, 3808 3819 121 3813.5 0.0317
default 4383 4372 116.64 4377.4 0.0266
3584 3593 81 3588.5 0.0226
3499 3505 33.64 3502.1 0.0096
NILAI GEH 0.0906
3808 3797 121 3802.5 0.0318
seed 3584 3582 4 3583 0.0011
3499 3491 67.24 3495.1 0.0192
NILAI GEH 0.0957
KECEPATAN
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,
seed 92 94 4.5369 93.065 0.0487
93 94 1.9881 93.705 0.0212
NILAI GEH 0.1384
186
KECEPATAN
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
seed 92 91 0.3249 91.715 0.0035
93 92 1.0404 92.49 0.0112
NILAI GEH 0.0835
6. Hasil Uji Statistik RMSE dan MAPE

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 3808 3819 121 0.00289
A Y , default 4383 4372 117 0.00246
3584 3593 81 0.00251
3499 3505 34 0.00166
352 0.0095
Penelitian Redi 3808 3797 121 0.00289
A Y , increment 4383 4369 190 0.00315
random seed 3584 3582 4 0.00056
3499 3491 67 0.00234
383 0.0089
187
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

Pengaruh Kecepatan Pada Antrian GT PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Pengaruh Kecepatan Pada Antrian GT PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

TESIS

ANALISIS PENGARUH MANAJEMEN KECEPATAN TERHADAP

Diajukan untuk memenuhi sebagian persyaratan mencapai derajat Sarjana S2 pada

DEPARTEMEN TEKNIK SIPIL DAN LINGKUNGAN

Dr. Eng. Imam Muthohar, ST., MT

Pembimbing Pendamping Anggota Tim Penguji Lain

Dr. Ir. Dewanti, M.S. Ir. H. Wardhani Sartono, M.Sc

Tesis ini telah diterima sebagai salah satu persyaratan

Pengelola Program Studi Teknik Sipil

Dr. Ir. Latief Budi Suparma, M.Sc

Mengetahui Ketua Jurusan Teknik Sipil dan Lingkungan/

Prof. Ir. Joko Sujono, M.Eng., Ph.D.

Yogyakarta, Juli 2018

Yohanes Andika Suryo Negoro

penulis dapat menyelesaikan penulisan Tesis dengan judul “Analisis Pengaruh

Manajemen Kecepatan Terhadap Antrian Kendaraan Pada Exit Gerbang

Transportasi, Fakultas Teknik, Universitas Gadjah Mada, Yogyakarta.

Penyusun mengucapkan banyak terima kasih kepada semua pihak yang

Transportasi atas bantuan fasilitas dan kerjasama selama proses penelitian

6. Program Beasiswa Magister Lembaga Pengelola Dana Pendidikan (LPDP),

atas diberikannya kesempatan kepada penyusun untuk melakukan studi

hingga mencapai jenjang magister.

yang telah memberikan dorongan dan masukan kepada penyusun.

8. Teman-teman seperjuangan MSTT angkatan 29 yang tidak bisa penulis

sebutkan satu persatu.

pada umumnya dan penyusun pada khususnya.

Yogyakarta, Juli 2018

2.8.6 Model Simulasi untuk Manajemen Kecepatan Kendaraan................ 21

5.2.4 Kecepatan kendaraan ....................................................................... 73

Gambar 1. 1 Lokasi Penelitian ............................................................................. 2

Gambar 5. 56 Rambu Larangan Menjalankan Kendaraan dengan Kecepatan

Penelitian ini bertujuan untuk mengidetifikasi apakah manajemen kecepatan

Hasil penelitian menunjukan manajemen kecepatan berpengaruh terhadap antrian

Kata kunci: simulasi lalu lintas, manajemen kecepatan, antrian kendaraan

Keywords: traffic simulation, speed management, vehicle queue

1.1 Latar Belakang

panjang, tikungan yang melengkung jauh, sehingga pengemudi tak perlu

Gambar 1. 1 Lokasi Penelitian

1.2 Rumusan Masalah

Dalam kondisi Libur Panjang, dengan karakteristik pengemudi yang cenderung

3. Apakah manajemen kecepatan dapat dilakukan dengan menggunakan

4. Apakah pendekatan simulasi dapat dijadikan sebagai alternatif dalam

1.3 Tujuan Penelitian

1.4 Batasan Penelitian

Adanya batasan penelitian dalam sebuah penelitian ditujukan untuk lebih

1.5 Manfaat Penelitian

1.6 Keaslian Penelitian

penelitian menunjukkan perbedaan yang signifikan antara nilai kecepatan

Perbedaan penelitian yang akan dilakukan dengan penelitian-penelitian terdahulu

2.1 Manajemen dan Rekayasa Lalu Lintas

Definisi manajemen dan rekayasa lalu lintas berdasarkan Undang-Undang Nomor

Peraturan Pemerintah Nomor 32 Tahun 2011 Tentang Manajemen dan Rekayasa,

2.2 Manajemen Kecepatan

3. Atas pertimbangan keselamatan atau pertimbangan khusus lainnya,

Berdasarkan Peraturan Pemerintah Republik Indonesia Nomor 15 Tahun 2005,

Berdasarkan Peraturan Menteri Perhubungan Nomor 111 Tahun 2015 Tentang

2.3 Jalan Tol

2.4 Gerbang Tol/Pintu Tol

2.5 Sistem Antrian untuk Gardu Tol

Sistem tertutup adalah sistem pengumpulan tol yang kepada penggunanya

Terdapat beberapa sistem antrian yang berbeda-beda yang menggunakan suatu

V : Menunjukkan pola kedatangan

Ada beberapa sistem dalam antrian yaitu: