TESIS – EE185401

PREDIKSI KONDISI JALAN (IRI) UNTUK

PENANGANAN JALAN NASIONAL
MENGGUNAKAN MODEL REGRESI
(STUDI KASUS : RUAS JALAN PAKAH
TEMANGKAR, TUBAN PROVINSI JAWA TIMUR)

DESSY ISYANA SUNARYATI

07111750067004

DOSEN PEMBIMBING
Prof. Dr. Ir. Yoyon K. Suprapto, M.Sc
Dr. Ir. Hitapriya Suprayitno, M.Eng

PROGRAM MAGISTER
BIDANG KEAHLIAN TELEMATIKA-PETIK
DEPARTEMEN TEKNIK ELEKTRO
FAKULTAS TEKNOLOGI ELEKTRO
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2019
TESIS – EE185401

PREDIKSI KONDISI JALAN (IRI) UNTUK

PENANGANAN JALAN NASIONAL
MENGGUNAKAN MODEL REGRESI
(STUDI KASUS : RUAS JALAN PAKAH
TEMANGKAR, TUBAN PROVINSI JAWA TIMUR)

DESSY ISYANA SUNARYATI

07111750067004

DOSEN PEMBIMBING
Prof. Dr. Ir. Yoyon K. Suprapto, M.Sc
Dr. Ir. Hitapriya Suprayitno, M.Eng

PROGRAM MAGISTER
BIDANG KEAHLIAN TELEMATIKA-PETIK
DEPARTEMEN TEKNIK ELEKTRO
FAKULTAS TEKNOLOGI ELEKTRO
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2019
LEMBAR PENGESAHAN TESIS

iii
Halaman ini sengaja dikosongkan

iv
PERNYATAAN KEASLIAN TESIS

v
Halaman ini sengaja dikosongkan

vi
 PREDIKSI KONDISI JALAN (IRI) UNTUK PENANGANAN
JALAN NASIONAL (STUDI KASUS : RUAS JALAN PAKAH
TEMANGKAR TUBAN, PROVINSI JAWA TIMUR)

Nama mahasiswa : Dessy Isyana Sunaryati

NRP : 07111750067004
Pembimbing : 1. Prof. Dr. Ir. Yoyon K. Suprapto, M.Sc
2. Dr.Ir. Hitapriya Suprayitno,M.Eng

ABSTRAK
Jalan merupakan komponen vital yang berdampak terhadap sistem
ekonomi dan sosial pada kehidupan manusia. Kondisi jalan yang baik akan
memudahkan mobilitas penduduk. Sedangkan apabila terjadi kerusakan jalan dapat
menyebabkan terjadi kecelakaan, hambatan dalam kegiatan ekonomi maupun
sosial. Keterbatasan anggaran merupakan masalah utama dalam pelaksanaan
penanganan jalan nasional. Sehingga diperlukan pemodelan penanganan jalan
nasional dalam menjaga umur dan kondisi jalan untuk memudahkan masyarakat
melakukan aktivitasnya sehari-hari. Prediksi Kondisi Jalan IRI Untuk Penanganan
Jalan Nasional mempunyai dua model regresi. Dua Model Regresi Untuk
Penanganan didasarkan pada pemodelan lalu lintas harian rata-rata tahunan (LHR)
truk berat 2 sumbu 4 roda dan pemodelan kondisi jalan (IRI) terkait LHR. Korelasi
antara kondisi jalan IRI dengan beban jalan LHR dimodelkan dengan model regresi
linier. Data yang digunakan merupakan data sekunder dari Satuan Kerja
Pengawasan dan Penanganan Jalan Provinsi Jawa Timur, BBPJN VIII
Kementerian PUPR dan data sekunder dari Satuan Kerja Pelaksanaan Jalan
Nasional Wilayah IV Provinsi Jawa Timur, BBPJN VIII Surabaya, Kementerian
PUPR. Model Regresi Linier dalam penelitian yaitu :
1. Model Regresi Logaritma LHR R2 = 0.25
𝐿𝒐𝒈 𝑳𝑯𝑹 = −𝟐𝟗𝟖. 𝟖𝟐 + 𝟎. 𝟏𝟓 𝒙 𝑻𝒂𝒉𝒖𝒏 𝑷𝒓𝒆𝒅𝒊𝒌𝒔𝒊
2. Model Regresi IRI terkait LHR dengan R2 = 0.11
∆𝑰𝑹𝑰 = 𝟏. 𝟎𝟏 + 𝟎. 𝟎𝟎𝟎𝟐𝒙 𝑳𝑯𝑹
Dengan menggunakan kedua model regresi kemudian dilakukan prediksi
kondisi jalan IRI untuk penanganan jalan nasional dari tahun 2018-tahun 2020.
Hasil Prediksi Kondisi Jalan (IRI ) untuk Penanganan Jalan Nasional yaitu:
1. Penanganan jalan tahun 2018 rehabilitasi minor, rehabilitasi mayor dan
rekonstruksi.
2. Penanganan jalan tahun 2019 rehabilitasi mayor dan rekonstruksi.
3. Penanganan jalan tahun 2020 rekonstruksi.
Pembahasan untuk penelitian selanjutnya pengaruh variabel kondisi tanah
dasar, drainase dan variabel LHR beragam variasi kendaraan sehingga menjadi
acuan konkret implementasi penyusunan program penanganan jalan nasional.

Kata kunci: (Kondisi jalan IRI, LHR, Model Regresi, Penanganan Jalan Nasional)

vii
Halaman ini sengaja dikosongkan

viii
PREDICTION OF ROAD CONDITION (IRI) FOR NATIONAL
ROAD PRESERVATION (CASE STUDY: PAKAH
TEMANGKAR TUBAN SECTION ROAD, EAST JAVA
PROVINCE)

By : Dessy Isyana Sunaryati

Student Identity Number : 07111750067004
Supervisor(s) : 1. Prof. Dr. Ir. Yoyon K. Suprapto, M.Sc
2. Dr.Ir. Hitapriya Suprayitno, M.Eng

ABSTRACT
A Road is a vital component that affects the economic and social systems
of human life. Good road conditions will facilitate population mobility. Whereas if
road damage occurs can cause accidents, obstacles in economic and social
activities. Budget limitations are a major problem in the implementation of
preservation national roads. So that modeling of national road preservation is
needed in maintaining the age and road conditions to make it easier for people to
carry out their daily activities. Prediction of IRI Road Conditions for Preservation
National Roads has two regression models. Two Regression Models for Handling
are based on modeling the annual 4-wheeled heavy-duty daily traffic (AADT) of 4-
wheeled heavy trucks and road condition modeling (IRI) related to AADT. The
correlation between the IRI road condition and the AADT road load is modeled by
a linear regression model. Data used is secondary data from the East Java Provincial
Road Monitoring and Preservation Unit, BBPJN VIII Ministry of Public Works and
secondary data from the Region IV East Java Province National Road
Implementation Work Unit, Surabaya BBPJN VIII, Ministry of PUPR. Linear
Regression Model in the research are:
1. AADT Logarithmic Regression Model with R2 = 0.25
AADT log = -298.82+ 0.15 x Year of Prediction
2. IRI Regression Model related to LHR with R2 = 0.11
∆IRI = 1.01 + 0.0002x AADT
By using both regression models then the IRI road conditions are predicted
for national road preservation from 2018 to 2020. IRI Road Condition Prediction
Results for National Road Maintenance, namely:
1. Preservation 2018 are minor rehabilitation, major rehabilitation and
reconstruction.
2. Preservation 2019 are major rehabilitation and reconstruction.
3. Preservation 2020 are reconstruction.
The further research on the effect of variable subgrade conditions, drainage
and AADT variables with variety of vehicles so that it became a concrete reference
for the implementation of the preparation of national road preservation programs.
Keywords: (IRI Road Conditions, LHR, Regression Model, National Road
Preservation)

ix
Halaman ini sengaja dikosongkan

x
 KATA PENGANTAR

Alhamdulillah, penulis mengucapkan terimakasih kepada pihak-pihak yang

telah membantu selama pengerjaan Tesis ini :
1. Prof. Dr. Ir. Yoyon Kusnendar Suprapto, M.Sc dan Dr.Ir. Hitapriya
Suprayitno, M.Eng sebagai dosen pembimbing terimakasih atas waktu,
nasehat dan masukan yang berharga yang diberikan selama bimbingan.
2. Dr. Adhi Dharma Wibawa, S.T, MT sebagai dosen wali terimakasih atas
bimbingan dan waktunya selama ini.
3. Semua Dosen Penguji Sidang Thesis dan semua Dosen Pengajar Departemen
Teknik Elektro, ITS.
4. Kementerian Koordinator Komunikasi dan Informatika dan Kementerian
Pekerjaan Umum dan Perumahan Rakyat selaku instansi yang memberikan
kesempatan untuk tugas belajar di ITS.
5. Orang tua penulis yaitu Ibu Dian S., S,H, M.H dan Alm. Siswoyo, S,E, M.M
atas doa dan dukungannya.
6. Suami penulis Prima Priangga, S.E, M.MT dan putra tercinta Genta Yusuf
Dirgantara atas doa, kasih sayang dan dukungan penuh lahir dan batin kepada
penulis.
7. Drs. Muhammad Najih, M.Sc sebagai dosen pemberi rekomendasi beasiswa
S2 PETIK Departemen Teknik Elektro ITS dari Universitas Trisakti Jakarta.
8. Teman-teman Telematika PETIK 2017 Departemen Teknik Elektro ITS.
9. Teman-teman Mahasiswa Magister MMAI 2017 dan Teman Mahasiswa
Doktor Departemen Teknik Sipil ITS.
10. Teman-teman Kementerian Pekerjaan Umum dan Perumahan Rakyat.
Penulis menyadari bahwa Tesis ini masih jauh dari sempurna, karena itu
penulis sangat mengharapkan masukan untuk penyempurnaan.

Surabaya, 26 Juni 2019

Penulis

xi
Halaman ini sengaja dikosongkan

xii
 DAFTAR ISI

LEMBAR PENGESAHAN TESIS ........................................................................ iii

PERNYATAAN KEASLIAN TESIS ..................................................................... v

ABSTRAK ............................................................................................................ vii

ABSTRACT ........................................................................................................... ix

KATA PENGANTAR ........................................................................................... xi

DAFTAR ISI ........................................................................................................ xiii

DAFTAR GAMBAR .......................................................................................... xvii

DAFTAR TABEL ................................................................................................ xix

DAFTAR NOMENKLATUR .............................................................................. xxi

BAB 1 PENDAHULUAN ...................................................................................... 1

1.1 Latar Belakang .......................................................................................... 1

1.2 Rumusan Masalah ..................................................................................... 4
1.3 Tujuan ....................................................................................................... 4
1.4 Batasan Masalah ....................................................................................... 5
1.5 Kontribusi ................................................................................................. 5
BAB 2 KAJIAN PUSTAKA................................................................................... 7

2.1 Kajian Penelitian Terkait .......................................................................... 7

2.2 Prediksi ................................................................................................... 11
2.2.1 Prediksi Kuantitatif ......................................................................... 12
2.2.2 Prinsip-Prinsip Prediksi................................................................... 12
2.2.3 Klasifikasi Model Prediksi .............................................................. 12
2.3 Jalan ........................................................................................................ 13
2.3.1 Peta Lokasi Ruas Jalan Pakah Temangkar Tuban Provinsi Jawa ... 16
Timur ............................................................................................................. 16
2.3.2 Kondisi Ruas Jalan Pakah Temangkar Tuban, Provinsi Jawa Timur
16
2.3.3 Dokumentasi Ruas Jalan Pakah Temangkar Terkini ...................... 18
2.4 Penanganan Preservasi Jalan.................................................................. 19

xiii
 2.5 Lalu Lintas Harian Rata-Rata Tahunan (LHR) ....................................... 22
2.6 Analisa Regresi Linier ............................................................................. 23
2.6.1 Regresi Linier Sederhana................................................................. 23
2.6.2 Regresi Linier Berganda ................................................................. 26
2.7 Pemodelan Regresi Linier ....................................................................... 26
2.7.1 Koefisien Determinasi (R2) ............................................................. 27
2.7.2 Bentuk Fungsional Pada Model Regresi ......................................... 27
2.8 Validasi Margin Of Error Dan Confidence Interval ................................ 28
BAB 3 METODE PENELITIAN .......................................................................... 30

3.1 Metodologi Penelitian ............................................................................. 30

3.2 Desain Penelitian ..................................................................................... 39
BAB 4 HASIL DAN PEMBAHASAN ................................................................. 40

4.1 Pengumpulan Data .................................................................................. 40

4.2 Preprocessing........................................................................................... 40
4.3 Penyuntingan Data .................................................................................. 40
4.4 Penentuan Model Prediksi Lalu Lintas Harian Rata-Rata (LHR) Truk
Berat ........................................................................................................ 45
4.4.1 Perhitungan Menggunakan Variabel Tahun Dan Variabel LHR..... 45
4.4.2 Perhitungan Menggunakan Variabel Tahun Dan Variabel Log LHR
46
4.4.3 Model Prediksi LHR Yang Dipilih ................................................. 47
4.5 Penentuan Model Prediksi Kondisi Jalan IRI Terkait LHR .................... 48
4.5.1 Model 1 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan ∆
IRI 48
4.5.2 Model 2 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan Log
∆ IRI 49
4.5.3 Model 3 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan
Log LHR ........................................................................................................ 50
4.5.4 Model 4 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan
Log LHR dan Log ∆ IRI................................................................................. 51
4.5.5 Model Prediksi Kondisi Jalan IRI Yang Dipilih ............................. 52
4.6 Kondisi Jalan IRI Untuk Penanganan Jalan Nasional ............................ 54
4.7 Prediksi Kondisi Jalan IRI Dengan LHR ................................................ 54

xiv
 4.8 Hasil Prediksi Kondisi Jalan IRI Dengan LHR Truk Berat 2 Sumbu 4
Roda ........................................................................................................ 55
4.9 Rekomendasi Penanganan Jalan Ruas Jalan Pakah Temangkar ........... 80
BAB 5 KESIMPULAN ......................................................................................... 82

5.1 Kesimpulan ............................................................................................. 82

5.2 Saran ....................................................................................................... 83
DAFTAR PUSTAKA ........................................................................................... 84

BIOGRAFI PENULIS ......................................................................................... 87

LAMPIRAN .......................................................................................................... 88

xv
Halaman ini sengaja dikosongkan

xvi
 DAFTAR GAMBAR

Gambar 2.1 Optimisasi dari Metode Pareto dan Pareto Front .............................. 10
Gambar 2.2 Tipikal Perkerasan Lentur ................................................................ 14
Gambar 2.3 Tipikal Perkerasan Kaku ................................................................... 15
Gambar 2.4 Peta Pakah Temangkar Tuban ........................................................... 16
Gambar 2.5 Pakah Temangkar Km.80 ................................................................. 18
Gambar 2.6 Pakah Temangkar Km. 100 ............................................................... 19
Gambar 2.7 Jenis Perkerasan Jalan ...................................................................... 20
Gambar 2.8 Model Regresi Linier LHR .............................................................. 25
Gambar 3.1 Alur Penelitian Prediksi .................................................................... 31
Gambar 4.1 Model Regresi Linier LHR Truk Berat 2 Sumbu 4 Roda ................. 46
Gambar 4.2 Model Regresi Linier Log LHR Truk Berat 2 Sumbu 4 Roda ........ 47
Gambar 4.3 Model Regresi Linier IRI .................................................................. 49
Gambar 4.4 Model Regresi Linier Log ∆ IRI ..................................................... 50
Gambar 4.5 Model Regresi Linier Log LHR ..................................................... 51
Gambar 4.6 Model Regresi Linier IRI Dengan Log LHR Dan Log ∆ IRI ......... 52

xvii
Halaman ini sengaja dikosongkan

xviii
 DAFTAR TABEL

Tabel 2.1 Informasi Ruas Pakah Temangkar ........................................................ 15

Tabel 2.2 Korelasi IRI Dan Penanganan Jalan..................................................... 17
Tabel 2.3 Kondisi Jalan IRI Dan Penanganan Jalan ............................................ 20
Tabel 2.4 Jenis Penanganan Jalan dan Kegiatan Penanganan Jalan ..................... 21
Tabel 2.5 Simulasi Model Regresi Linier LHR .................................................... 25
Tabel 3.1 Kerangka Tabel Prediksi Kondisi Jalan IRI .......................................... 38
Tabel 3.2 Desain Penelitian Prediksi Kondisi Jalan IRI ....................................... 39
Tabel 4.1 Data Prediksi IRI Dan LHR .................................................................. 41
Tabel 4.2 Simulasi Prediksi LHR ......................................................................... 45
Tabel 4.3 Simulasi Prediksi Log LHR Ruas Jalan Pakah Temangkar Tuban ....... 46
Tabel 4.4 Perbandingan Model Regresi Linier Untuk Prediksi LHR dan Log LHR
............................................................................................................................... 47
Tabel 4.5 Perbandingan Model Regresi Linier Untuk Prediksi IRI Terkait LHR 53
Tabel 4.6 Prediksi IRI dan Prediksi LOG LHR Ruas Pakah Temangkar 2014-2016
............................................................................................................................... 57
Tabel 4.7 Prediksi Kondisi Jalan IRI dan Prediksi LOG LHR Ruas Pakah
Temangkar 2016-2017 .......................................................................................... 62
Tabel 4.8 Hasil Prediksi Kondisi Jalan IRI dan Prediksi LOG LHR Ruas Pakah
Temangkar Tahun 2018 ........................................................................................ 66
Tabel 4.9 Hasil Prediksi Kondisi Jalan IRI dan Prediksi LOG LHR Ruas Pakah
Temangkar Tahun 2019 ....................................................................................... 70
Tabel 4.10 Hasil Prediksi Kondisi Jalan IRI dan Prediksi LOG LHR Ruas Pakah
Temangkar Tahun 2020 ........................................................................................ 75
Tabel 4.11 Ringkasan Prediksi Kondisi Jalan IRI Terkait LHR Untuk ................ 80
Tabel 4.12 Ringkasan Prediksi Kondisi Jalan IRI Terkait LHR Untuk Tahun 2019
............................................................................................................................... 80
Tabel 4.13 Ringkasan Prediksi Kondisi Jalan IRI Terkait LHR Untuk Tahun 2020
............................................................................................................................... 81

xix
Halaman ini sengaja dikosongkan

xx
 DAFTAR NOMENKLATUR

1. IRI : International Roughness Index

2. LHR : Lalu Lintas Harian Rata-Rata Tahunan
3. AADT : Annual average daily traffic
4. 𝛽̂1 𝑎𝑡𝑎𝑢 𝑎 : Intercept atau titik potong kurva terhadap sumbu Y
5. 𝛽1 : Koefisien regresi ke 1, ..., ke-n;
6. n : Banyaknya data
7. 𝛽̂0 𝑎𝑡𝑎𝑢 𝑏 : slope atau kemiringan garis regresi merupakan
seberapa jauh kenaikan (penurunan) komponen
deterministik dari Y sebagai kenaikan X.
8. Y : Variabel terikat (dependent variable)
9. X : Variabel Bebas (independent variable)
10. 𝑌̂ : Estimasi dari persamaan regresi
11. 𝑥̅ : Rata-rata x
12. 𝑦̅ : Rata-rata y
13. n : Jumlah Data
14. X1,X2, Xn : variabel bebas (Independent variable)
15. b1 : Koefisien Regresi X1
16. b2 : Koefisien Regresi X2
17. bn : Koefisien regresi Xn
18. R2 : Koefisien Determinasi
19. 𝑌𝑙̇ − 𝑌̅ : Variasi didalam Y dari Nilai Rata-Rata dan Total
dari penjumlahan kudarat

xxi
Halaman ini sengaja dikosongkan

xxii
 BAB 1
PENDAHULUAN

1.1 Latar Belakang

Infrastruktur Jalan merupakan komponen vital antara sistem ekonomi dan
sosial pada kehidupan manusia dan lingkungannya. Berdasarkan Undang-Undang
Republik Indonesia No.38 tahun 2004 tentang Jalan dimana Jalan adalah prasarana
transportasi darat yang meliputi segala bagian jalan, termasuk bangunan pelengkap
dan perlengkapannya yang diperuntukkan 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.
Ketersediaan jalan dalam kondisi mantap mempunyai peranan penting terutama
dalam mendukung bidang ekonomi, sosial dan budaya serta lingkungan dan
dikembangkan melalui pendekatan pengembangan wilayah agar tercapai
keseimbangan dan pemerataan pembangunan antar daerah, membentuk dan
memperkukuh kesatuan nasional untuk memantapkan pertahanan dan keamanan
nasional, serta membentuk struktur ruang dalam rangka mewujudkan sasaran
pembangunan nasional (Republik Indonesia, 2004).
Salah satu topik utama yang sering dibahas pada berbagai macam media
massa nasional dan media sosial dan menjadi treding topic adalah kerusakan jalan
nasional terutama kerusakan jalan di pantai utara jawa (PANTURA). Kerusakan
pada ruas jalan nasional, jalan propinsi, jalan kabupaten maupun jalan kota terdiri
dari dua yaitu kerusakan jalan secara fungsional dan kerusakan jalan secara
perkerasan struktural. Banyaknya kerusakan jalan yang terjadi sebelum umur
layanan selesai menyebabkan proses penanganan jalan yang selama ini diterapkan
belum memberikan hasil yang optimal. Fokus pemerintah dari kementerian
Pekerjaan Umum dan Perumahan Rakyat sebagai regulator jalan dan jembatan
tingkat nasional masih dalam tahap membangun dan memperbaiki infrastruktur
jalan dan jembatan (Hutauruk, 2015).
Manajemen pemeliharaan jalan merupakan kegiatan yang berguna untuk
mengurangi laju kerusakan jalan dan jembatan yang memberikan dampak keutuhan

1
dan keberlanjutan fungsi jalan dan jembatan supaya bertahan selama umur
rencana. Didalam manajemen pemeliharaan jalan terdapat beberapa aktivitas yaitu
merencanakan, melaksanakan dan mengawasi kegiatan pemeliharaan jalan
kemudian menghasilkan kondisi aset jalan yang terpelihara secara efektif dengan
pemberian kesesuaian tingkat pelayanan jalan yang diinginkan meliputi perkerasan,
bahu, drainase serta perlengkapan jalan. Aktivitas tersebut dilaksanakan dengan
optimalisasi sumber daya yang ada seperti anggaran, sumber daya manusia,
peralatan, organisasi, aset jalan serta penyedia jasa. Manajemen pemeiliharaan jalan
dilaksanakan , dievaluasi pada metode pelaksanaan pekerjaan jalan, konstruksi,
material, dan spesifikasi pekerjaan untuk pemeliharaan jalan serta sistem kontrak
pemeliharaan jalan (Budianto, 2017).
Fungsi dari infrastruktur jalan yang harus dipertahankan yaitu:
kemampuan strukutr jalan, kenyamanan pelayanan, kerusakan jalan yang minimal,
dan keamanan jalan. Berkaitan dengan pertahanan fungsi jalan tersebut maka
terdapat jenis preservasi (pemeliharaan) perkerasan jalan dari kondisi perkerasan
jalan baik hingga kondisi perkerasan jalan buruk. Penanganan jalan nasional
mempunyai 4 kategori yaitu (Budianto, 2017):
1. Pemeliharaan Korektif adalah pemeliharaan rutin sepanjang umur rencana
2. Pemeliharaan preventif adalah preservasi perkerasan yang mempunyai
output kemantapan jalan dapat dipertahankan.
3. Rehabilitasi adalah preservasi perkerasan jalan yang dilakukan ketika terjadi
kerusakan karena sebab khusus.
4. Rekonstruksi adalah preservasi perkerasan ketika terjadi kerusakan berat.
Kondisi jalan yang baik akan memudahkan mobilitas penduduk dalam
melakukan perdagangan dan kegiatan sosial yang lain. . Sedangkan apabila terjadi
kerusakan jalan dapat menimbulkan kecelakaan, menghambat kegiatan ekonomi
maupun sosial. Kerusakan - kerusakan jalan terjadi pada jalan pantai utara
(PANTURA) Jawa disebabkan oleh beberapa faktor (Kim and Kim, 2006):
1. Kondisi Jalan Internasional Roughness Index (IRI) tahun sebelumnya pada
ruas jalan tersebut dan kondisi lingkungan dapat mempengaruhi perkembangan
retak perkerasan.

2
2. Kepadatan Lalu Lintas Harian Rata-rata Kendaraan diruas jalan tersebut
3. Truk berat yang melewati jalan dengan daya angkut berlebihan (overload)
4. Kondisi tanah di ruas jalan tersebut
5. Drainase
Adapun kerusakan jalan yang terjadi memberikan pengaruh untuk
keselamatan, kenyamanan dan keamanan pengguna jalan. Oleh karena itu,
penanganan jalan diperlukan dengan konstruksi perkerasan baik yang bersifat
pemeliharaan, peningkatan atau rehabilitasi akan dapat dilakukan secara optimal
apabila kita mengetahui faktor-faktor penyebab kerusakan pada ruas jalan tersebut.
Pada tahun 2018, Kementerian PUPR mengalokasikan 57% dari Rp 41.6
triliun anggaran di Direktorat Jenderal Bina Marga untuk pemeliharaan jalan dan
jembatan. Dalam rangka menjaga umur jalan maka Kementerian PUPR melakuan
koordinasi dengan Kementerian Perhubungan dalam pengendalian beban
kendaraan melalui jembatan timbang. Tanpa adanya pengendalian ODOL (Over
Dimension Over Loading) menyebabkan Kementerian PUPR kesulitan menjaga
keberlanjutan jalan. Didalam Rencana Strategis Kementerian Pekerjaan Umum dan
Perumahan Rakyat pada tahun 2015-2019 adalah mencapai kemantapan jalan
nasional sebesar 98%. Selain itu, kebijakan pembangunan nasional dan prioritas
nasional di Provinsi Jawa Timur dalam rancangan awal rencana kerja pemerintah
tahun 2018 adalah sistem anggaran dengan money follow program (Kementerian
Pekerjaan Umum dan Perumahan Rakyat, 2015). Oleh karena itu, berdasarkan
permasalahan yang dihadapi Kementerian Pekerjaan Umum dan Perumahan Rakyat
khususnya Balai Besar Pelaksanaan Jalan Nasional (BBPJN) VIII Surabaya dalam
melakukan program penanganan jalan dengan keterbatasan anggaran yang ada
sehingga dibutuhkan penelitian tentang prediksi kondisi jalan IRI untuk
penanganan jalan nasional.
Balai Besar Pelaksanaan Jalan Nasional (BBPJN) VIII Surabaya,
Direktorat Jenderal Bina Marga, Kementerian Pekerjaan Umum Dan Perumahan
Rakyat mengalami kesulitan dalam menyusun program penanganan jalan nasional
dalam jangka waktu 3 tahun kedepan. Keterbatasan anggaran untuk penanganan
jalan nasional mempunyai dampak terhadap penentuan prioritas program

3
penanganan jalan nasional untuk masyarakat. Hal ini menghambat keberlanjutan
umur jalan nasional. Penanganan jalan mempunyai konsekuensi tepat waktu
sehingga diperlukan model prediksi kondisi jalan IRI yang akurat dan bersifat
spesifik pada tiap ruas jalan. Penelitian ini memberikan solusi untuk Kementerian
Pekerjaan Umum dan Perumahan Rakyat khususnya BBPJN VIII Surabaya
sehingga permasalahan yang dihadapi dapat terselesaikan sehingga tercapai
kemantapan jalan nasional.

1.2 Rumusan Masalah

Berdasarkan uraian diatas, rumusan masalah dari penelitian ini adalah :
1. Untuk mengetahui besarnya pengaruh variabel (independent ) lalu lintas harian
rata-rata tahunan (LHR) terhadap variabel tahun prediksi (dependent) dan
besarnya pengaruh variabel kondisi jalan (IRI) terhadap variabel lalu lintas
harian rata-rata tahunan .
2. Belum adanya analisa model prediksi beban lalu lintas harian rata-rata tahunan
(LHR) untuk penanganan jalan nasional kondisi pada ruas jalan Pakah
Temangkar, Tuban Provinsi Jawa Timur.
3. Adanya keterbatasan anggaran dan prioritas dalam menentukan penanganan
jalan nasional sehingga membutuhkan analisa model kondisi jalan (IRI) untuk
penanganan jalan nasional pada ruas jalan Pakah Temangkar, Tuban Provinsi
Jawa Timur.
4. Kesulitan menentukan program penanganan jalan yang tepat sesuai dengan
hasil rekomendasi prediksi kondisi jalan (IRI) pada ruas jalan Pakah
Temangkar, Tuban Provinsi Jawa Timur

1.3 Tujuan
Adapun tujuan dari penelitian prediksi kondisi jalan IRI untuk penanganan
jalan nasional adalah:
1. Menyusun model prediksi beban lalu lintas harian rata-rata tahunan (LHR)
pada ruas jalan Pakah Temangkar, Tuban, Provinsi Jawa Timur.

4
2. Menyusun model prediksi kondisi jalan (IRI) untuk penanganan jalan nasional
pada ruas Jalan Nasional Pakah Temangkar, Tuban, Provinsi Jawa Timur.
3. Membuat prediksi lalu lintas harian rata-rata tahunan (LHR).
4. Menyusun rekomendasi penanganan jalan nasional yang tepat sesuai dengan
hasil prediksi kondisi jalan (IRI) pada ruas jalan Pakah Temangkar, Tuban
Provinsi Jawa Timur.

1.4 Batasan Masalah

Dalam penelitian ini melakukan prediksi kondisi jalan IRI untuk
penanganan jalan nasional pada ruas jalan Pakah Temangkar, Tuban, Provinsi Jawa
Tmur dengan Regresi Linier menggunakan beberapa data antara lain :
1. Data Kondisi Jalan International Roughness Index (IRI) selama periode tahun
2014 sampai dengan tahun 2017.
2. Data Lalu Lintas Harian Tahunan Truk Berat 2 Sumbu 4 Roda selama periode
tahun 2014 sampai dengan tahun 2017.
3. Perangkat lunak (Software) yang digunakan adalah Microsoft Excel.

1.5 Kontribusi
Kontribusi dari penelitian prediksi kondisi jalan IRI untuk penanganan
jalan nasional adalah :
1. Penelitian ini diharapkan dapat menjadi rekomendasi bagi pihak manajemen
BBPJN VIII Surabaya, Kementerian Pekerjaan Umum dan Perumahan Rakyat
dalam proses pengambilan keputusannya, bila dilihat dari kondisi jalan IRI
untuk penanganan jalan nasional PANTURA, sehingga dapat dijadikan acuan
dalam penyusunan program penanganan jalan nasional untuk meminimalisasi
kerugian akibat kondisi jalan IRI yang tidak tepat.
2. Memberikan manfaat untuk kepentingan keilmuan dan menjadi informasi bagi
pihak-pihak yang membutuhkan. Penelitian ini dapat digunakan untuk melatih
penganalisaan suatu permasalahan berdasarkan ilmu dan pengetahuan yang
telah diperoleh di bangku perkuliahan.

5
Halaman ini sengaja dikosongkan

6
 BAB 2
KAJIAN PUSTAKA

Didalam kajian pustaka tentang prediksi kondisi jalan berdasarkan

International Roughness Index (IRI) untuk penanganan jalan nasioanal pada ruas
jalan Pakah Temangkar, Tuban Provinsi Jawa Timur berisi uraian singkat tentang
jalan, kerusakan jalan, penanganan jalan nasional, lalu lintas harian rata-rata
tahunan, analisa regresi linier dan pemodelan regresi linier .

2.1 Kajian Penelitian Terkait

Berdasarkan beberapa kajian penelitian yang pernah dilakukan
sebelumnya bahwa penelitian terkait mengenai model prediksi untuk penanganan
jalan telah dilakukan dijelaskan sebagai berikut :
Sistem Evaluasi Kondisi Perkerasan pada Departemen Transportasi
Georgia digunakan untuk menilai kondisi perkerasan pada seluruh sistem jalan raya
di Georgia setiap tahun periode lima belas tahun terakhir. Dalam penelitian ini,
model prediksi kinerja perkerasan aspal untuk jalan tol negara bagian dan jalan tol
antar negara bagian telah dibangun dengan metode regresi sederhana dan berganda
dengan memakai data dan peringkat Sistem Evaluasi Kondisi Perkerasan. Hasil
penelitian merupakan peramalan kinerja perkerasan model regresi linier berganda
tepat guna dengan beragam rangking Lalu Lintas Harian Rata-Rata Tahunan(Kim
and Kim, 2006)
Perencanaan anggaran pemeliharaan jalan membutuhkan data dan
informasi kerusakan jalan yang sebenarnya. Data yang digunakan dalam penelitian
ini adalah data historis kerusakan jalan, kondisi drainase jalan, lalu lintas harian,
data curah hujan, data keterampilan tenaga kerja dan data kualitas bahan material
berpengaruh pada biaya pemeliharaan jalan provinsi di kabupaten Sampang sebesar
75.6%. Hasil penelitian yaitu Fhitung = 9,820 > Ftabel = 2.59. Variabel historis
kerusakan jalan memiliki koefisen terbesar dengan 94,65 mendominasi model biaya
pemeliharaan jalan provinsi kabupaten sampang. Rumus prediksianggaran yang

7
didapat adalah Y = 98,092 + 94,652 X1 + 52,777 X2 + 38,615 X3 + 44,742 X4 –
7,950 X5 + 18,363 X6(Haris, 2016).

Kondisi jalan rusak berdampak pada tingginya biaya pemeliharaan jalan.

Penelitian ini bertujuan meramalkan penanganan kerusakan jalan dengan
pemodelan regresi linier sehingga mengoptimalkan biaya pemeliharaan jalan.
Variabel yang digunakan adalah variabel biaya sebagai variabel dependen dan
variabel kondisi jalan IRI, variabel kerusakan jalan SDI, serta variabel derajat
kejenuhan V/C Rasio sebagai variabel independen. Hasil penelitian yaitu analisa
Jalan Ringroad Utara-Barat dengan R = 83,1%, R2 = 69,1%, uji F sebesar 0,00
≤0,05, uji – t senilai 0,028 untuk IRI, 0,166 untuk SDI dan 0,135 untuk VC Ratio.
Model Persamaan untuk Jalan Ringroad Utara-Barat Y = -428192 + 59683,348
IRI. Waktu tepat untuk meramal pemeliharaan rutin pada nilai SDI < 50 dan nilai
IRI antara 4 – 8 m/Km. Nilai IRI memberikan pengaruh terhadap biaya
pemeliharaan jalan ruas jalan Ring Road Utara-Barat(Elka and Lulie, 2012).

Peramalan kinerja perkerasan dilakukan dengan menggunakan model yang

sesuai kemudian dianalisa dengan data historis kerusakan dan penanganan jalan.
Disisi lain, data tersebut mempunyai kesalahan sistematis atau kesalahan acak
dalam sekumpulan data yang mengakibatkan ketidaklengkapan data.Kesalahan
lainnya terdapat data historis di lapangan adalah data historis jalan belum mewakili
kondisi jalan secara keseluruhan. Hal ini menyebabkan hasil prediksi kondisi jalan
untuk penanganan jalan yang tidak akurat. Penelitian ini menerjemahkan reliabilitas
prediksi kinerja perkerasan dan korelasi resiko menggunakan pendekatan
probabilitas. Tahap selanjutnya adalah menunjukan bagaimana reliabilitas dalam
prediksi kinerja perkerasan dapat diramalkan untuk menghitung berbagai
kombinasi parameter seperti kekuatan perkerasan, kumulatif beban gandar standard
dan ketidakrataan permukaan perkerasan awal yang berbentuk pemodelan kinerja.
Kerangka kerja penelitian menggunakan simulasi Monte Carlo yang berfungsi
untuk mengevaluasi pengaruh kombinasi parameter model pada kumulatif beban
gandar standar yang diizinkan. Hasil penelitian ini adalah terdapat kombinasi data
memiliki pengaruh yang penting terhadap reliabilitas (Suherman, 2009).

8
 Ketidakpastian dalam prediksi membawa kepada kebijakan pelestarian
yang keliru. Sistem inferensi fuzzy (FIS) telah dikaitkan dengan jalan raya Al-
Samawah-Nasiriyah sebagai sebuah kasus yang dipelajari karena jalan ini, sebagai
jalan bagian selatan Irak, bertahan dari kategori yang paling umum dari distress
suka rutting, bleeding, longitudinal dan transversal cracking, dan lajur bahu jalan.
Untuk memperluas model kegunaan trotoar yang berharga dengan kebijakan
pemeliharaan yang sama dari data lapangan, berdasarkan pada teori logika fuzzy,
yang mampu menangani variabel tidak jelas dan linguistik. Akurasi hasil model FIS
adalah 4% dengan nilai RMSE 4,21 dan MAE nilai 3,98(Al-Haddad dan Al-
Haydari, 2018).

Keterbatasan anggaran menyebabkan seseorang harus memilih prioritas

proyek dalam rehabilitasi perkerasan dan proses pemeliharaan. Penelitian ini
melihat pada prioritas berdasarkan model termasuk semua efek dari faktor-faktor
penting seperti indeks kondisi jalan, volume lalu lintas, lebar jalan rehabilitasi dan
biaya pemeliharaan. Sejak mendefinisikan model yang membahas semua faktor
yang sulit, sebuah pemodelan logika fuzzy merupakan rujukan dalam masalah
prioritisas. Meskipun analitis proses hierarki dapat digunakan untuk proses
pengambilan keputusan juga, pemodelan fuzzy menjadi memungkinkan seseorang
memiliki pilihan yang lebih tepat untuk hasilnya. Akhirnya dengan bantuan
perangkat lunak MATLAB dan kode M-file, inferensi mesin seperti mesin Produk,
Dienes – Rescher dan Lukasiewicz semuanya diuji dan logis pemisahan favorit
untuk aplikasi ini ditemukan di mesin inferensi produk. Sebagai studi kasus
beberapa jalan-jalan yang terletak di distrik No. 6 kota Teheran dipilih dan
matematika favorit model dieksekusi di jalan-jalan itu. Model ini digunakan untuk
memprioritaskan 131 bagian ini (Moazami et al., 2011).
Jaringan jalan di Indonesia memiliki panjang sekitar 516.239 kilometer, di
mana mayoritas menyajikan kurangnya informasi yang terkait dengan pemantauan
data dan evaluasi. Pengembangan model optimasi dalam pemeliharaan jalan
dimulai dengan mengidentifikasi tujuan dan kendala terhadap masalah dalam
pemeliharaan jalan. Model optimasi multi-objektif dengan Genetic Algorithm
dipilih sebagai model optimasi yang dianggap sesuai menerapkan optimalisasi

9
dalam sistem manajemen aset jalan. Dalam pemeliharaan jalan, ada beberapa tujuan
dan kendala yang harus diidentifikasi secara bersamaan. Pengoptimalan pareto
merupakan langkah awal untuk menentukan total kromosom dan total berjalan yang
diperlukan dalam proses pengoptimalan ini. Optimasi yang diterapkan dalam
penelitian ini dilakukan untuk meminimalkan biaya agensi dan memaksimalkan
tingkat jalan kemudahan layanan kepada masyarakat selama periode analisis.
Indikator kinerja menghadapi keterbatasan anggaran jalan raya, prioritas skala
distress permukaan diperlukan. Klasifikasi kondisi jalan yaitu baik, sedang, rusak
ringan, rusak berat berdasarkan SDI rating DGH. Model biaya dilakukan pada
optimasi dalam pemeliharaan rutin, pemeliharaan berkala, dan rekonstruksi (Hamdi
et al., 2017).

Gambar 2.1 Optimisasi dari Metode Pareto dan Pareto Front

Dari hasil sebagaimana ditunjukkan oleh Tabel 4 dan Gambar 2 (a), Jalan
Nasional di Propinsi Jambi, konsep Pareto adalah digunakan untuk mendapatkan
solusi yang optimal. Seperti yang ditunjukkan oleh Tabel 4 kromosom 21023 dapat
mewakili 5 tahun strategi pemeliharaan. Jika nilai SDI 6,6 maka penanganan
penanganannya adalah penanganan retak penyegelan di tahun pertama dan tahun
ke-4, menambal di tahun ke-2 tidak melakukan apa pun tahun ke-3 dan

10
pemeliharaan berkala di tahun ke-5. Berdasarkan hasilnya, itu ditunjukkan pada
SDI 6,6 bersamaan dengan biaya agensi tertinggi dengan nilai Rp. 22,16 miliar
(Hamdi et al., 2017).
Sistem Manajemen Perkerasan (SMP) digunakan untuk mengelola
perkerasan yang dilakukan oleh pengelola jalan seperti menyusun rencana
pemeliharaan dan rehabilitasi,dan merencanakan skema penanganan jalan yang
lebih baik untuk mencegah kerusakan jalan. Penelitian ini adalah membuat
pemodelan estimasi kerusakan perkerasan jalan dengan menggunakan teori Markov
dan Jaringan Saraf Tiruan (JST). Model yang digunakan untuk menyusun rencana
pemeliharaan perkerasan jalan. Adapun data yang digunakan adalah data kondisi
ruas jalan nasional pada area PPK 3, Satker PJN Propinsi Yogyakarta. Pemodelan
yang dibangun adalah peramalan kerusakan jalan dengan parameter luas retak, lebar
retak, jumlah lubang, bekas roda, IRI dan SDI. Penyusunan model Markov untuk
kategori beban lalu lintas rendah dan tinggi. Model JST menggunakan variabel
input berupa data hasil survei lalu lintas dan survei kondisi jalan yang berfungsi
untuk memprediksi nilai kondisi jalan yang akan datang dengan perangkat lunak
Matlab. Hasil penelitian adalah model JST memiliki nilai R2 yang lebih besar
dibandingkan model Markov. Model JST mempunyai keunggulan struktur
pemodelan yang umum dan mudah dalam penggunaannya dibandingkan dengan
Model Markov. Penggunaan variabel-variabel input dengan parameter IRI dan SDI
untuk prediksi penurunan kondisi jalan hanya dapat dimodelkan oleh JST bukan
pemodelan Markov. Keunggulan dari Model Markov adalah mudah digunakan
dalam penyusunan rencana pemeliharaan (Cahyaningrum, 2014).

2.2 Prediksi
Prediksi merupakan suatu proses memperkirakan secara sistematis
tentang sesuatu yang paling mungkin terjadi di masa depan berdasarkan informasi
masa lalu dan sekarang yang dimiliki agar kesalahannya (selisih antara sesuatu yang
terjadi dengan hasil perkiraan) dapat diperkecil. Prediksi merupakan alat bantu yang
penting dalam perencanaan yang efektif dan efisien (Markridakis et al., 1988).
Menurut kamus besar bahasa Indonesia, prediksi adalah hasil dari kegiatan
memprediksi atau meramal atau memperkirakan nilai pada masa yang akan datang

11
dengan menggunakan data masa lalu. Prediksi menunjukkan apa yang akan terjadi
pada suatu keadaan tertentu dan merupakan input bagi proses perencanaan dan
pengambilan keputusan. Apabila perbedaan waktu tersebut panjang sehingga
peran prediksi menjadi penting dan sangat dibutuhkan, terutama dalam penentuan
kapan terjadinya suatu sehingga dapat dipersiapkan tindakan yang perlu dilakukan.

2.2.1 Prediksi Kuantitatif

Prediksi kuantitatif dapat diterapkan bila terdapat tiga kondisi yaitu
(Markridakis et al., 1988):
1. Tersedia informasi tentang masa lalu
2. Informasi tersebut dapat dikantitatifkan dalam bentuk data numerik
3. Dapat diasumsikan bahwa beberapa aspek pola masa lalu akan
terus berlanjut di masa mendatang

2.2.2 Prinsip-Prinsip Prediksi

Yang menjadi prinsip-prinsip dalam sebuah prediksi yaitu:
1. Prediksi melibatkan kesalahan(eror)
2. Prediksi sebaiknya memakai tolak ukur kesalahan peramalan.
3. Prediksi jangka pendek lebih akurat dari pada jangka panjang.

2.2.3 Klasifikasi Model Prediksi

Model prediksi dapat diklasifikasikan menjadi dua bagian yaitu
(Markridakis et al., 1988):
1. Model Deret Berkala (Time series)
Model ini digunakan untuk meramalkan masa depan dilakukan
berdasarkan nilai masa lalu dari suatu variabel dan / atau kesalahan
masa lalu. Tujuan metode peramalan deret berkala seperti itu adalah
menemukan pola dalam deret data historis dan memperluas pola
dalam deret data historis dan memperluas pola tersebut ke masa
depan.

12
 2. Model Kausal (Regresi)
Model yang mengamsusikan bahwa faktor yang diramalkan
menunjukkan suatu hubungan sebab-akibat dengan satu atau lebih
variabel bebas . Maksud model kausal adalah menemukan bentuk
hubungan tersebut dan menggunakannya untuk menemukan bentuk
hubungan tersebut dan menggunakannya untuk meramalkan nilai
mendatang dari variabel tidak bebas.
Sedangkan untuk kategori prediksi berdasarkan horizon waktu terdiri dari 3
bagian yaitu (Ishak, 2010):
1. Prediksi jangka pendek
Prediksi ini mancakup jangka waktu hingga 1 tahun tetapi
umumnya kurang dari 3 bulan. Prediksi ini biasanya digunakan
untuk merencanakan pembelian, penjadwalan kerja, penjualan,
jumlah tenaga kerja, penugasan kerja, dan tingkat produksi
2. Prediksi jangka menengah
Prediksi ini umumnya mencakup hitungan bulanan hingga
waktu 3 tahun. Prediksi ini berfungsi untuk merencanakan
penjualan, perencanaan dan anggaran produksi, anggaran kas,
dan menganalisis bermacam-macam rencana operasi.
3. Prediksi jangka panjang
Umumnya untuk waktu perencanaan masa 3 tahun atau lebih.
Prediksi jangka panjang digunakan untuk merencanakan produk
baru, pembelanjaan modal, lokasi atau pengembangan fasilitas,
serta penelitian dan pengembangan (litbang).

2.3 Jalan
Jalan adalah salah satu moda transportasi signifikan di Indonesia karena
merupakan bagian dari sistem logistik nasional yang berperan sebagai prasarana
distribusi dan mencakup sebagai pembentuk struktur ruang wilayah. Kementerian
Pekerjaaan Umum dan Perumahan Rakyat mempunyai kewenangan dalam
penyelenggaraan jalan (jalan nasional non-tol dan tol) dan bertugas untuk
mempertahankan jalan dalam kondisi mantap. Infrastruktur Jalan adalah komponen

13
prasarana yang signifikan untuk menggerakan roda kehidupan manusia terkait
aspek teknis, ekonomi dan sosial. Jalan harus dikelola secara terpola dan terstruktur
supaya konstruksi perkerasan jalan dapat berfungsi secara baik(Agah,Heddy dan
Rarasati, Ayomi, 2010). Jenis perkerasan jalan terbagi dua yaitu jenis perkerasan
lentur (flexible pavement) dan perkerasan kaku (rigid pavement). Tipikal jenis
struktur perkerasan pada permukaan tanah asli (At Grade) dijelaskan pada gambar
2.1 dan gambar 2.2 (B. M. Kementerian Pekerjaan Umum dan Perumahan Rakyat,
2017) :

Gambar 2.2 Tipikal Perkerasan Lentur

Keterangan :
Simbol Singkatan
AC BC Asphaltic Concrete Binder Course
AC WC Asphaltic Concrete Wearing Course
AC Base Asphaltic Concrete Base Course
LFA Kelas A atau CTB Lapis Fondasi Agregat Kelas A atau
Cement Treated Based
LFA Kelas B Lapis Fondasi Agregat Kelas B

Lapis Fondasi Beton Kurus atau Lean Mix Concrete (LMC) merupakan
campuran material berbutir dan semen dengan kadar semen yang rendah. Lapis
LMC digunakan sebagai bagian dari lapis fondasi perkerasan beton(B. M.
Kementerian Pekerjaan Umum dan Perumahan Rakyat, 2017). LMC merupakan
bagian dari gambar 2.2 adalah tipikal struktur perkerasan kaku(rigid) pada
permukaan tanah asli (At Grade).

14
Gambar 2.3 Tipikal Perkerasan Kaku
Adapun Ruas Jalan Pakah Temangkar Tuban, Provinsi Jawa Timur yang
digunakan dalam penelitian ini termasuk jenis perkerasan lentur (flexible
pavement). Informasi tentang ruas jalan ini dijelaskan pada tabel 2.1.
Tabel 2.1 Informasi Ruas Pakah Temangkar

NO URAIAN DETAIL

Flexible Pavement (Aspal 2 Lapis)

1. Struktur Jalan :
Ac - Bc = 7 Cm Dan Ac – Wc = 5 Cm

2 Panjang Jalan : 8.830 Km

4 Lajur 2 Arah
3 Jumlah Lajur : 2 Lajur Untuk Sepeda Motor
2 Lajur Untuk Mobil/Truck/ Bus
4 Lebar Jalan : 11,20 M
Untuk Tahun 2011 yaitu Penanganan
Pelebaran Kanan Kiri (Dari 7 M Menjadi 11,20M)
: Dengan Bahu Jalan Diperkeras Untuk Lajur
Sepeda Motor

Untuk Tahun 2012 – 2013 yaitu Penanganan

Pemeliharaan Rutin Jalan (Salob Tutup
Lubang, Scraping (Perataan)
5 Sejarah Penanganan
Untuk Tahun 2015 yaitu Penanganan Peningkatan
Berkala Struktur Jalan (Dengan Coldmilling Dan
Di Overlay 2 Lapis Aspal)
Untuk Tahun 2017 yaitu Penanganan Pemeliharaan
Rutin Kondisi.
Untuk Tahun 2018 yaitu Penanganan Pemeliharaan
Rutin Jalan (Salob Tutup Lubang, Scraping
(Perataan)

15
(Sumber : Laporan Satuan Kerja PJN Wilayah IV Jawa Timur, Kementerian
Pekerjaan Umum dan Perumahan Rakyat).
2.3.1 Peta Lokasi Ruas Jalan Pakah Temangkar Tuban Provinsi Jawa
Timur
Ruas Jalan yang digunakan dalam penelitian adalah Ruas Jalan Pakah
Temangkar Tuban, Provinsi Jawa Timur dan merupakan salah satu ruas jalan di
jaringan jalan pantai utara (PANTURA) di Provinsi Jawa Timur.
Peta lokasi Ruas Jalan Pakah Temangkar Tubanberdasarkan Keputusan
Menteri Pekerjaan Umum Nomor: 58/KPTS/M/2012 Tentang Penetapan Kelas
Jalan Berdasarkan Daya Dukung Untuk Menerima Muatan Sumbu Terberat Dan
Dimensi Kendaraan Bermotor Di Pulau Jawa Dan Pulau Sumatera. Peta Ruas Pakah
Temangkar Tuban terkini dapat dilihat pada gambar 2.4.

Gambar 2.4 Peta Pakah Temangkar Tuban

(Laporan Satker Pelaksanaan Jalan Nasional Wilayah IV Provinsi Jawa

Timur)

2.3.2 Kondisi Ruas Jalan Pakah Temangkar Tuban, Provinsi Jawa Timur
Sebuah penanganan preservasi jalan bertujuan untuk mempertahankan
jalan dalam kondisi mantap. Jalan dengan kondisi mantap merupakan ruas-ruas
jalan dengan kondisi baik atau sedang selaras umur rencana yang diperhitungkan
berdasarkan menurut suatu standar tertentu. Kementerian Pekerjaan Umum dan
Perumahan Rakyat sebagai penyelenggara jalan mempunyai wewenang dalam

16
penyelenggaraan jalan meliputi penyelenggaraan jalan secara umum dan
penyelenggaraan jalan nasional. Dari data BPS menyebutkan bahwa Provinsi Jawa
Timur terdiri dari 9 kota dan 29 Kabupaten. Data Jalan Nasional dari Direktorat
Jenderal Bina Marga, Kementerian Pekerjaan Umum dan Perumahan Rakyat terdiri
atas dua bagian :
1. Data ruas jalan Pantura sebanyak 94 ruas jalan
2. Data ruas jalan non Pantura sebanyak 275 ruas jalan
Identifikasi awal pada penelitian prediksi kondisi jalan (IRI) untuk
penanganan jalan nasional pada ruas jalan Pakah Temangkar Tuban, Provinsi Jawa
Timur adalah melakukan filtering data kondisi jalan IRI dari tahun 2014-2017. Data
kondisi ruas jalan yang digunakan dalam penelitian ini adalah data kondisi jalan
berdasarkan international roughness index (IRI). IRI adalah suatu skala yang
didasarkan pada simulasi respon suatu kendaraan standar terhadap ketidakrataan
dalam satu jejak roda dari permukaan jalan. Adapun satuan IRI berupa m/km)
(P. Kementerian Pekerjaan Umum dan Perumahan Rakyat, 2017). Penentuan nilai
IRI didapat dari pengukuran akurat dari profil jalan setelah itu diproses melalui
suatu algoritma yang mensimulasikan respon suatu kendaraan terhadap
ketidakrataan dan akumulasi pergerakan dari suspensi . Simbol warna IRI dan
kondisi jalan akan dijelaskan pada tabel 2. 2(Kementerian Pekerjaan Umum, 2011).
Tabel 2.2 Korelasi IRI Dan Penanganan Jalan

Nilai IRI Simbol Warna IRI Kondisi Jalan

1-4 Baik

4-8 Sedang

8-12 Rusak Ringan

>12 Rusak Berat

17
(Sumber : Peraturan Menteri Pekerjaan Umum Nomor 13/PRT/M/2011)

2.3.3 Dokumentasi Ruas Jalan Pakah Temangkar Terkini

Ruas Jalan Pakah Temangkar yang berada di Tuban Provinsi Jawa
Timur adalah jalan nasional dengan kelas jalan I. Jalan kelas I adalah ruas jalan
meliputi jalan arteri dan kolektor yang dapat dilalui Kendaraan Bermotor dengan
ukuran lebar tidak melebihi 2.500 (dua ribu lima ratus) milimeter, ukuran panjang
tidak melebihi 18.000 (delapan belas ribu) milimeter, ukuran tinggi tidak melebihi
4.200 (empat ribu dua ratus) milimeter, dan MST 10 (sepuluh) ton (Menteri
Pekerjaan Umum Dan Perumahan Rakyat, 2018).
Informasi terkini tentang dokumentasi ruas jalan Pakah Temangkar
dapat dilihat pada gambar 2.5 dan gambar 2.6. Gambar 2.5 merupakan ruas jalan
pakah temangkar pada Km. S. Baya 80+000 s/d 84+000. Gambar 2.6 merupakan
ruas jalan Pakah Temangkar pada Km. S. Baya 100+000 s/d 105+000 (Kementerian
Pekerjaan Umum dan Perumahan Rakyat, 2019).

Gambar 2.5 Pakah Temangkar Km.80

18
Gambar 2.6 Pakah Temangkar Km. 100

2.4 Penanganan Preservasi Jalan

Preservasi prekerasan merupakan suatu aksi proaktif untuk
mempertahanan jalan pada fungsinya. Dampak dari penanganan ini dapat
mengurangi beban biaya, waktu pemeliharaan jalan yang membutuhkan jangka
panjang dan dapat meminimalkan kegiatan peningkatan konstruksi (Agah,Heddy
dan Rarasati, Ayomi, 2010). Penanganan Preservasi Jalan adalah manajemen aset
jalan dengan melakukan kegiatan pemeliharaan, rehabilitasi dan rekonstruksi.
Didalam membuat program penanganan preservasi jalan berdasarkan beberapa
peraturan yaitu :
1. Peraturan Menteri Pekerjaan Umum No.13/PRT/M/2011 tentang
Tata Cara Pemeliharaan dan Penilikan Jalan
2. Peraturan Menteri Pekerjaan Umum No.19/PRT/M/2011 tentang
Persyaratan Teknis Jalan dan Kriteria Perencanaan Teknis Jalan
3. Peraturan Menteri Pekerjaan Umum dan Perumahan Rakyat No.
13.1/PRT/M/2015 tentang Rencana Strategis Kementerian
Pekerjaan Umum Dan Perumahan Rakyat Tahun 2015-2019
Adapun jenis perkerasan jalan dapat dilihat pada gambar 2.7 (Budianto,
2017).

19
 Gambar 2.7 Jenis Perkerasan Jalan

Pada gambar 2.7 merupakan model jenis perkerasan jalan yang harus
tepat waktu. Beberapa jenis perkerasan terdiri dari :
1. Pemeliharaan korektif : pemeliharaan rutin sepanjang umur rencana
2. Pemeliharaan preventif : preservasi perkerasan → kemantapan jalan
dapat dipertahankan
3. Rehabilitasi dilakukan ketika terjadi kerusakan karena sebab khusus
4. Rekonstruksi dilakukan ketika rusak berat
Manfaat dari penanganan preservasi jalan yang tepat pada masyarakat
sebagai pengguna jalan antara lain memberikan jaminan keselamatan serta
mengurangi kemacetan lalu lintas. Jenis penanganan preservasi jalan dapat dilihat
pada tabel 2.3 (Budianto, 2017).
Tabel 2.3 Kondisi Jalan IRI Dan Penanganan Jalan

Baik Sedang Rusak Ringan Rusak Berat

IRI = 1 - 4 IRI = 4 - 8 IRI = 8 - 12 IRI > 12

20
 Pemeliharaan Pemeliharaan Rehabilitasi : Rekonstruksi :
Rutin : Rutin Kondisi : Kegiatan Peningkatan
Kegiatan Kegiatan pencegahan struktur yang
merawat serta pencegahan terjadinya merupakan
memperbaiki terjadinya kerusakan yang kegiatan
kerusakan- kerusakan yang luas dan setiap penanganan
kerusakan yang lebih luas dan kerusakan yang untuk
terjadi pada setiap kerusakan tidak meningkatkan
ruas-ruas jalan yang diperhitungkan kemampuan
dengan kondisi diperhitungkan dalam design, bagian ruas
pelayanan dalam design agar yang berakibat jalan yang
mantap. penurunan kondisi menurunnya dalam kondisi
jalan dapat kondisi rusak berat agar
dikembalikan pada kemantapan pada mempunyai
kondisi bagian dari suatu kondisi mantap
kemantapan sesuai ruas jalan dengan kembali sesuai
rencana. kondisi rusak umur rencana
ringan, agar yang ditetapkan.
penurunan
kondisi
kemantapan
sesuai rencana.

Jenis penanganan jalan pada tabel 2.4 (Kementerian Pekerjaan Umum dan
Perumahan Rakyat, 2016).
Tabel 2.4 Jenis Penanganan Jalan dan Kegiatan Penanganan Jalan

Jenis Penanganan Kegiatan

Pemeliharaan Rutin • Pemeliharaan/pembersihan bahu jalan

Merupakan pemeliharaan
yang dilakukan pada
ruas jalan yang dalam
kondisi baik atau sedang
• Pemeliharaan sistem drainase
• Pemeliharaan/pembersihan rumaja
• Pemotongan tumbuhan/tanaman liar
• Pengisian celah/retak permukaan
• Laburan aspal
• Penambalan lubang
• Pemeliharaan bangunan pelengkap

21
Pemeliharaan Preventif
Merupakan pemeliharaan
yang dilakukan pada ruas
jalan terdampak cuaca / lalu
lintas mengalami kerusakan
meluas.
Rehabilitasi Minor
Merupakan pemeliharaan yang
dilakukan pada ruas jalan
dalam kondisi rusak ringan
Rehabilitasi Major
Dilakukan pada ruas jalan yang
dalam kondisi rusak ringan dan
ruas jalan yang semula ditangani
melalui pemeliharaan rutin
namun karena suatu sebab
mengalami kerusakan yang
tidak diperhitungkan berakibat
menurunnya kondisi menjadi
kondisi rusak ringan
Pelapisan aspal tipis, termasuk diantaranya fog
seal, chip seal, slurry seal, micro seal, dan SAMI.
• Pelapisan ulang (overlay)
• Perbaikan bahu jalan
• Pengasaran permukaan
• Pengisian celah/retak permukaan
• Perbaikan bangunan pelengkap
• Penggantian perlengkapan jalan yang hilang
• Pelapisan ulang
• Perbaikan bahu jalan
• Perbaikan bangunan pelengkap
• Penggantian perlengkapan jalan
• Penambalan lubang
• Penanganan tanggap darurat
• Pekerjaan galian/timbunan
• Penyiapan tanah dasar
• Pekerjaan struktur perkerasan
• Perbaikan/pembuatan drainase
• Pemarkaan
• Pengkerikilan kembali untuk jalan tanpa penutup

Rekonstruksi • Perbaikan seluruh struktur perkerasan, drainase,

Merupakan penanganan jalan bahu jalan, tebing, dan talud.
yang dilakukan pada ruas jalan • Peningkatan kekuatan struktur sesuai umur
dengn kondisi rusak berat rencananya kembali
• Perbaikan perlengkapan jalan
• Perbaikan bangunan pelengkap
2.5 Lalu Lintas Harian Rata-Rata Tahunan (LHR)
Salah satu variabel yang digunakan dalam penelitian ini adalah Lalu
Lintas Harian Rata-Rata Tahunan (LHR). Lalu Lintas Harian Rata-Rata Tahunan
(LHR) adalah jumlah lalu lintas kendaraan rata-rata yang melewati satu jalur jalan
selama 24 jam dan diperoleh dari data selama satu tahun penuh. LHR dijelaskan
pada persamaan 2.1 :

𝐽𝑢𝑚𝑙𝑎ℎ 𝐿𝑎𝑙𝑢 𝑙𝑖𝑛𝑡𝑎𝑠 𝑑𝑎𝑙𝑎𝑚 1 𝑡𝑎ℎ𝑢𝑛

𝐿𝐻𝑅 = (2.1)
365 ℎ𝑎𝑟𝑖

22
 LHR mempunyai satuan smp/hari/2 arah atau kendaraan/hari/2 arah untuk
jalan 2 lajur 2 arah, smp/hari/1 lajur atau kendaraan/hari/1 arah untuk jalan berlajur
banyak dengan median. Variabel LHR merupakan ukuran lalu lintas yang paling
penting untuk proyek terkait transportasi seperti pemeliharaan jalan, desain jalan,
perencanaan transportasi, analisa keselamatan lalu lintas dan pengambilan
keputusan investasi jalan raya.
LHR yang digunakan dalam penelitian ini adalah LHR Truk Berat 2 Sumbu
4 Roda yang merupakan salah satu faktor kendaraan yang membebani kerusakan
jalan nasional pada ruas jalan Pakah Temangkar Tuban, Provinsi Jawa Timur.

2.6 Analisa Regresi Linier

Secara umum, analisa regresi linier merupakan teknik statistika untuk
membuat pola hubungan model dan mengetahui pengaruh antara satu variabel atau
beberapa variabel bebas (Independent Variables) terhadap satu variabel respons
(dependent variable) (Basuki, Tri Agus dan Prawoto, Nano, 2016). Didalam
analisa regresi terdiri dari dua seperti regresi linier sederhana dan regresi linier
berganda.

2.6.1 Regresi Linier Sederhana

Regresi ini merupakan analisa regresi dengan satu independent
variabel dijelaskan pada persamaan 2.2 :
𝑌 = 𝑎 + 𝑏𝑋 (2.2)
Dimana :
Y = variabel terikat (dependent variable)
X = variabel bebas (Independent variable)
a = intercept, titik potong garis regresi dengan sumbu Y
b = slope, kemiringan garis regresi merupakan seberapa
jauh kenaikan (penurunan) komponen deterministik
dari Y sebagai kenaikan X.

23
2.6.1.1 Analisa Regresi Linier Sederhana Dengan Slope dan Intercept
Secara umum analisa regresi linier sederhana yang digunakan
dalam penelitian ini menggunakan varian tunggal dapat dilihat pada persamaan
2.3 (Freund et al., 2006), 2.4 , 2.5 dan 2.6 (Suprayitno and Ratnasari, 2017):
𝑌 = 𝛽0 + 𝛽1 𝑥 + 𝜀 (2.3)
𝑌̂ = 𝑎 + 𝑏𝑋 (2.4)

(2.5)

𝛽̂0 = 𝑎 = 𝑦̅ = 𝛽̂1 𝑥̅ (2.6)

Dimana :
Y = Variabel terikat
X = Variabel Bebas
𝑌̂ = Estimasi dari persamaan regresi
𝑥̅ = Rata-rata X
𝑦̅ = Rata-rata Y
a = Intercept
b = Slope
n = Jumlah data

2.6.1.2 Contoh Implementasi Analisa Regresi Linier Sederhana

Dengan Slope dan Intercept
Didalam penelitian ini menyajikan contoh studi kasus variabel
tunggal yaitu variabel independen Y terhadap variabel dependen X. Adapun
penelitian ini membahas tentang data lalu lintas harian rata-rata tahunan
(LHR) dengan tahun prediksi dapat dilihat pada tabel 2.5 dan gambar 2.8.

Tahun (X) LHR (Y)

2014 1299.00
2015 8526.00
2016 8526.00
2017 4.110.00
Mean Tahun (X) 2015.5

24
Tabel 2.5 Mean LHR(Y) 5615.25 Simulasi Model Regresi
Linier LHR

Dari hasil model regresi linier dengan slope dan intercept didapat :
1. Slope : 843.3
2. Intercept : -1694056
3. X : Tahun
4. Model : LHR = -1694055.9 + 843.3 x Tahun

MODEL REGRESI LINIER LHR

LHR = -1694055.9 + 843.3 x Tahun
10000 8526 8526
8000
LHR (Y)

6000
4110
4000 R² = 0.094
2000
1299
0
2014 2014.5 2015 2015.5 2016 2016.5 2017
TAHUN (X)

Gambar 2.8 Model Regresi Linier LHR

25
 2.6.2 Regresi Linier Berganda
Regresi berganda merupakan analisa regresi dengan dua atau lebih
variabel bebas dijelaskan pada persamaan 2.3 :
𝑌 = 𝑎 + 𝑏1 𝑋1 + 𝑏2 𝑋2 + ⋯ + 𝑏𝑛 𝑋𝑛 (2.7)
Dimana :
Y = variabel terikat (dependent variable)
X1,X2, Xn = variabel bebas (Independent variable)
a = konstanta
b1 = Koefisien regresi X1
b2 = Koefisien regresi X2
bn = Koefisien regresi Xn

2.7 Pemodelan Regresi Linier

Fungsi persamaan pada analisa regresi antara lain untuk memprediksi
nilai variabel terikat (Y) dan mengetahui arah dan besarnya pengaruh variabel
bebas (X) terhadap variabel terikat (Y) (Basuki, Tri Agus and Prawoto, Nano,
2016).
Beberapa kriteria model statistik yang baik yaitu (Basuki, Tri Agus and
Prawoto, Nano, 2016) :
1. Keterbatasan model dalam mencakup semua realitas yang ada sehingga
harus fokus pada pembuatan model sesuai tujuan penelitian.
2. Memiliki identifikasi tinggi dengan adanya data yang digunakan,
paramater yang diprediksi memiliki nilai tunggal dan berdiri sendiri
yang menghasilkan satu parameter saja.
3. Keselarasan atau Goodness of Fit artinya untuk analisa regresi
menerangkan banyak kombinasi variabel terikat dengan variabel bebas
dalam model. Model yang baik adalah model yang mempunyai
indikator R square bernilai tinggi.

26
 2.7.1 Koefisien Determinasi (R2)
Koefisien Determinasi (R2) merupakan pengukuran kemampuan
model dalam menjelaskan variasi variabel terikat. Perhitungan koefisien
determinasi (R2) dapat dilihat pada persamaan 2.8 (Kuncoro, Mudrajad,
2001):

𝑅 2 = (𝑇𝑆𝑆 − 𝑆𝑆𝐸)/𝑇𝑆𝑆 (2.8)

Dimana :
R2 = Koefisien determinasi
TSS = Total Sum of Squares
2 2
𝛴(𝑌𝑙̇ − 𝑌̅ )2 = 𝛴(𝑌̂ − 𝑌̅ ) + 𝛴(𝑌𝑙 − 𝑌̂)
SSE = Sum of Squares error

= 𝛴(𝑌 − 𝑌̂)2
𝑙

𝑌𝑙̇ − 𝑌̅ = Variasi didalam Y dari nilai rata-rata dan

total dari penjumlahan kuadrat

Nilai R2 adalah nol dan satu, apabila nilai R² yang kecil mempunyai arti
kemampuan variabel-variabel bebas dalam menjelaskan variasi variabel terikat
amat terbatas.

2.7.2 Bentuk Fungsional Pada Model Regresi

Secara umum, model regresi menjelaskan adanya hubungan linier antara
variabel terikat dengan variabel-variabel bebas. Tetapi pada kenyataanya ada data
yang digunakan tidak mempunyai hubungan linier antara variabel terikat dengan
variabel bebas. Untuk melihat hubungan antara variabel terikat dengan variabel
penjelas dinyatakan linear atau tidak yaitu dengan cara melihat diagram sebaran
atau scatter diagram. Jika diagram sebaran menunjukkan tanda bahwa hubungan
variabel terikat dan variabel bebas jauh dari linier sehingga dilakukan transformasi
bentuk variabel bebas ke dalam bentuk lain yang lebih cocok. Terdapat Empat

27
 metode transformasi variabel yaitu (Kuncoro, Mudrajad, 2001):
1. Logaritma
2. Akar Kudrat
3. Kuadrat
4. Resiprokal (hiperbola)

2.8 Validasi Margin Of Error Dan Confidence Interval

Untuk mengetahui besaran data sampel dari keseluruhan data populasi
sebenarnya diperlukan langkah validasi yaitu :
1. Margin Of Error
Perhitungan Estimasi paramater statistik berfungsi untuk menyatakan jumlah
kecenderungan berubah-ubah dari hasil penggunaan sampel secara random.
Estimasi ini mengukur besaran keyakinan peneliti dengan populasi
sesungguhnya. Margin of Error yang absolut merupakan setengah lebar dari
interval kepercayaan (confidence interval) beserta tingkat kepercayaan
sebesar 95%. Adapun level kepercayaan 95 % menunjukkan bahwa terdapat
peluang sebesar 5% bahwa perhitungan statistik untuk populasi berbeda dari
statistik yang ada pada survei. Kesalahan minimal menentukan presisi yang
lebih besar, akan tetapi didapat dari biaya ukuran sampel yang lebih besar.
Perhitungan untuk margin of error yang absolut sebesar 5% atau kurang
untuk estimasi nasional berdasarkan kelompok umur dan jenis kelamin.
Perhitungan sampel margin of error dapat dilihat pada persamaan 2.9 (Shatz
et al., 2015):

𝑝𝑥(1−𝑝)
𝑀𝐸 = 𝑧95 𝑥 √ (2.9)
𝑛

Dimana :
ME = Margin Of Error

𝑧95 = Nilai Z untuk interval kepercayaan 95 persen

𝑝𝑥 = Titik Estimasi
𝑛 = Jumlah Data

28
2. Confidence Interval
Kalkulasi interval nilai penduga (estimated value) dari suatu populasi
didapay dari data sampel populasi yang diinginkan. Confidence interval atau
penduga interval yang mempunyai arti berapa persen data sampel dari
populasi yang berada dalam interval parameter suatu populasi. Elemen dari
Confidence Interval adalah kalkulasi pada tingkat keyakinan (Confidence
level) suatu model statistika mempunyai arti bahwa model yang dihasilkan
memiliki tingkat kepercayaan kesalahan rata-rata dengan nilai mutlak
(Suprayitno et al., 2016).Distribusi statistik nilai kesalahan mutlak sebaiknya
dihitung dahulu sebelum uji statistika dilakukan (Suprayitno et al., 2016).
Confidence Interval merupakan interval diantara upper bound dan lower
bound dijelaskan pada persamaan 2.10, 2.11 dan 2.12 (Fariza, 2013) :
Upper Bound = 𝑥̅ + 𝑀𝐸 (2.10)
Lower Bound = 𝑥̅ + 𝑀𝐸 (2.11)
𝑥̅ + 𝑀𝐸 𝑠𝑎𝑚𝑝𝑎𝑖 𝑑𝑒𝑛𝑔𝑎𝑛 𝑥̅ + 𝑀𝐸 (2.12)
Dimana :
Upper Bound = Batas Atas Tingkat Keyakinan model
𝑥̅ = Nilai Rata-rata
𝑀𝐸 = Margin Of Error
Lower Bound = Batas Bawah Tingkat Keyakinan model

29
 BAB 3
METODE PENELITIAN

Metode penelitian adalah pemahaman semua cara atau teknik yang digunakan
untuk output penelitian (Kothari, 2004). Metode atau teknik merupakan suatu cara
untuk mendapatkan data yang dibutuhkan kemudian data tersebut dapat digunakan
untuk dianalisa sehingga memperoleh kesimpulan yang ingin dicapai dalam
penelitian. Didalam pandangan metode penelitian terdiri dari tiga kelompok
(Kothari, 2004):
1. Pada kelompok pertama dengan memasukkan metode-metode yang
berkaitan dengan pengumpulan data. Metode-metode ini digunakan
jika data yang sudah tersedia tidak mencukupi sampai pada solusi yang
diperlukan.
2. Kelompok kedua terdiri dari teknik statistik yang digunakan untuk
membangun antara data dan yang tidak diketahui.
3. Kelompok ketiga terdiri dari metode-metode yang digunakan untuk
mengevaluasi keakuratan hasil yang diperoleh.

3.1 Metodologi Penelitian

Metodologi penelitian adalah cara sistematis menyelesaikan masalah
penelitian (Kothari, 2004). Di dalam metodologi ini berisi langkah-langkah yang
dilakukan oleh seorang peneliti dalam mempelajari masalah penelitian bersamaan
dengan logika solusi permasalahan penelitian tersebut (Kothari, 2004). Para peneliti
harus mengetahui bagaimana cara mengembangkan indeks atau tes tertentu,
bagaimana cara menghitung mean, median atau standar deviasi atau chi-square,
bagaimana caranya menerapkan teknik penelitian tertentu (Kothari, 2004). Akan
tetapi, peneliti harus mengetahui apakah teknik ini sesuai atau tidak (Kothari,
2004).

30
 Metodologi penelitian merupakan tahapan proses penelitian yang
digunakan dijelaskan dalam gambar 3.1:

Pemilihan Ruas Jalan

Penyuntingan Data Kondisi

Jalan IRI Dan LHR

Analisa Bentuk Fungsional

Model Regresi LHR

Pemilihan Koef.
Determinasi
(R2 ) Model Regresi LHR
Yang Tertinggi

Pemilihan Model Regresi

LHR

Analisa Bentuk
Fungsional Model
Regresi Kondisi Jalan IRI
Terkait LHR

Pemilihan Koef.
Determinasi
(R2 ) Model Regresi
Kondisi Jalan IRI Terkait
LHR
Yang Tertinggi

Penentuan Model Regresi

LHR Dan Model Regresi
Kondisi Jalan IRI Terkait
LHR

Hasil Prediksi Kondisi

Jalan IRI Terkait LHR
dan Prediksi LHR Ruas
Pakah Temangkar

Gambar 3.1 Alur Penelitian Prediksi

31
 Tahapan alur penelitian prediksi kondisi jalan IRI untuk penanganan jalan
nasional pada ruas jalan Pakah Temangkar Tuban Provinsi Jawa Timur adalah :
1. Pemilihan Ruas Jalan
Adapun ruas jalan yang dipilih dalam penelitian ini adalah ruas jalan
nasional Pakah Temangkar yang terletak di Tuban Provinsi Jawa
Timur. Berdasarkan Keputusan Menteri Pekerjaan Umum Dan
Perumahan Rakyat Nomor : 248/KPTS/M/2015 Tentang Penetapan
Ruas Jalan Dalam Jaringan Jalan Primer Menurut Fungsinya Sebagai
Jalan Arteri Dan Jalan Kolektor-1 bahwa ruas jalan ini mempunyai
panjang 11,22 kilometer dan lebar jalan 11 meter. Ruas Jalan Pakah
Temangkar merupakan salah satu ruas jalan dengan kondisi kerusakan
yang signifikan. Oleh karena itu, ruas ini digunakan sebagai studi
kasus dalam penelitian prediksi ini.
2. Penyuntingan Data Kondisi Jalan IRI Dan LHR
Penyuntingan Data merupakan proses filtering untuk meyakinkan
apabila data yang digunakan penelitian dapat dibaca secara jelas,
konsisten dan lengkap. Pada saat menyunting data kondisi jalan IRI
dan LHR terdapat beberapa data yang tidak lengkap dimana data yang
disunting berasal dari data IRI dan data LHR Truk Berat 2 Sumbu 4
Roda dari tahun 2014 sampai dengan 2017. Keakuratan dan
kelengkapan data merupakan hal yang signifikan untuk mengolah ke
tahap selanjutnya.
3. Analisa Bentuk Fungsional Model Regresi LHR
Analisa Regresi menghitung kekuatan hubungan antara dua variabel
atau lebih selain itu menunujukkan arah hubungan antara variabel
terikat (diartikan random) dengan variabel bebas. Variabel terikat
memiliki distribusi probabilistik. Variabel bebas diartikan mempunyai
nilai tetap dalam penggunaan sampel berulang. Model probabilistik
pada analisa regresi sederhana adalah model garis lurus. Komponen
deterministik merupakan garis rata-rata karena rata-rata E(Y) sama

32
 dengan komponen garis lurus model tersebut yang dapat dilihat pada
persamaan 3.1 (Kuncoro, Mudrajad, 2001):
𝐸(𝑌) = 𝑎 + 𝑏𝑋 (3.1)
Dimana :
E(Y) = Nilai harapan Y (komponen garis
lurus)
X = variabel bebas (Independent variable)
a = intercept, titik potong garis regresi
dengan sumbu Y
b = slope, kemiringan garis regresi
merupakan seberapa jauh kenaikan
(penurunan) komponen deterministik
dari Y sebagai kenaikan X.
Terkait dengan persamaan 3.1 sehingga interpretasi model regresi
linier dapat dilihat pada gambar 3.2 (Kuncoro, Mudrajad, 2001).

𝐸(𝑌) = 𝑎 + 𝑏𝑋

b = slope

a = intercept

Gambar 3.2 Interpretasi Model Regresi Linier

Didalam melakukan analisa bentuk fungsional model regresi Lalu
Lintas Harian Rata-Rata Tahunan Truk Berat 2 Sumbu 4 Roda ini
menggunakan dua jenis perhitungan yaitu :
a. Perhitungan menggunakan variabel tahun dan variabel LHR
Variabel Tahun dimulai dari tahun 2014 sampai dengan tahun
2017 sebagai variabel bebas (X).
Sedangkan variabel LHR Truk Berat 2 Sumbu 4 Roda yang
digunakan adalah LHR dari tahun 2014 sampai dengan LHR
tahun 2017 sebagai variabel bebas (Y).

33
 Cara Perhitungan dalam analisa bentuk fungsional ini
menggunakan persamaan slope dan intercept kemudian
setelah mendapatkan slope dan intercept, hasilnya dimasukkan
ke model regresi. Slope dapat dilihat pada Persamaan 3.2
(Kuncoro, Mudrajad, 2001):

∆𝑦 𝑦 −𝑦
𝑆𝑙𝑜𝑝𝑒 = 𝑏 = = 𝑥2 −𝑥1 (3.2)
∆𝑥 2 1

Sedangkan intercept adalah suatu titik perpotongan antara

suatu garis dengan sumbu Y pada diagram ketika nilai X = 0.
Intercept merupakan nilai rata-rata pada variabel Y apabila
nilai pada variabel X bernilai 0. Di sisi lain, jika X tidak
memberikan kontribusi sehingga secara rata-rata
menghasilkan variabel Y akan bernilai sebesar intercept.
Apabila data pengamatan pada variabel X tidak mencakup
nilai 0 atau mendekati 0, maka intercept tidak memiliki makna
yang berarti, sehingga tidak perlu diinterpretasikan.

b. Perhitungan menggunakan Variabel tahun dan Logaritma

LHR
Variabel Tahun dimulai dari tahun 2014 sampai dengan tahun
2017 sebagai variabel bebas (X).
Sedangkan variabel LHR Truk Berat 2 Sumbu 4 Roda yang
digunakan adalah Logaritma LHR dari tahun 2014 sampai
dengan LHR tahun 2017 sebagai variabel bebas (Y).
Untuk mendapatkan kombinasi bentuk fungsional model
regresi maka nilai LHR dikonversi menjadi logaritma LHR.
Cara perhitungan dalam analisa bentuk fungsional ini
menggunakan persamaan slope dan intercept kemudian
setelah mendapatkan slope dan intercept, hasilnya dimasukkan
ke model regresi. Slope seperti pada Persamaan 3.2 (Kuncoro,
Mudrajad, 2001). Kemudian perhitungan dengan intercept
yang merupakan suatu titik perpotongan antara suatu garis

34
 dengan sumbu Y pada diagram ketika nilai X = 0. Intercept
merupakan nilai rata-rata pada variabel Y apabila nilai pada
variabel X bernilai 0.
4. Pemilihan Koefisien Determinasi (R2 ) Model Regresi LHR Yang
Tertinggi
Koefisien determinasi pada penelitian ini untuk menghitung besarnya
proporsi variasi variabel terikat (Y) yang dijelaskan oleh variabel
bebas (X). Variabel X pada model regresi LHR adalah tahun 2014
sampai dengan tahun 2017. Sedangkan, variabel Y pada model regresi
LHR ini adalah LHR dari tahun 2014 sampai dengan LHR tahun 2017.
Perhitungan Koefisien Determinasi (R2) model regresi pada
persamaan 2.8.

𝑅 2 = (𝑇𝑆𝑆 − 𝑆𝑆𝐸)/𝑇𝑆𝑆 (2.8)

Dimana :
R2 = Koefisien determinasi
TSS = Total Sum of Squares
2 2
𝛴(𝑌𝑙̇ − 𝑌̅ )2 = 𝛴(𝑌̂ − 𝑌̅ ) + 𝛴(𝑌𝑙 − 𝑌̂)
SSE = Sum of Squares error

= 𝛴(𝑌 − 𝑌̂)2
𝑙

𝑌𝑙̇ − 𝑌̅ = Variasi didalam Y dari nilai rata-rata dan

total dari penjumlahan kuadrat

5. Pemilihan Model Regresi LHR

Pemilihan Model Regresi LHR Truk Berat 2 Sumbu 4 Roda adalah
model regresi LHR Truk berat 2 Sumbu 4 Roda yang mempunyai
koefisien determinasi (R2) tertinggi antara model regresi LHR dan
model Regresi Logaritma LHR.

35
6. Analisa Bentuk Fungsional Model Regresi Kondisi Jalan IRI Terkait
LHR
Didalam melakukan analisa bentuk fungsional model regresi kondisi
jalan ini digunakan 3 variabel yaitu variabel kondisi jalan IRI
Semester 1 , IRI Semester 2 dan variabel LHR Truk Berat 2 Sumbu
4 Roda. Adapun cara perhitungan analisa bentuk fungsional model
regresi terdiri dari 4 model :
a. Model 1 Perhitungan Model Prediksi Kondisi Jalan IRI
Dengan ∆ IRI
Model 1 merupakan kombinasi variabel dengan variabel
Kondisi Jalan IRI Semester 1 dan IRI Semester 2, variabel
LHR Truk Berat 2 Sumbu 4 Roda, variabel ∆ IRI
b. Model 2 Perhitungan Model Prediksi Kondisi Jalan IRI
Dengan Log ∆ IRI
Model 2 merupakan kombinasi variabel dengan variabel
kondisi jalan IRI Semester 1 dan IRI Semester 2, variabel LHR
Truk Berat 2 Sumbu 4 Roda, variabel Log ∆ IRI. Pada model
2 ini, variabel ∆ IRI diubah menjadi nilai logaritma ∆ IRI .
c. Model 3 Perhitungan Model Prediksi Kondisi Jalan IRI
Dengan Log LHR
Model 3 merupakan menggunakan kombinasi dengan variabel
Kondisi Jalan IRI Semester 1 dan IRI Semester 2, variabel Log
LHR Truk Berat 2 Sumbu 4 Roda, variabel ∆ IRI. Adapun
proses perhitungannya adalah Variabel LHR diubah menjadi
nilai logaritma LHR terlebih dahulu.
d. Model 4 Perhitungan Model Prediksi Kondisi Jalan IRI
Dengan Log LHR dan Log ∆ IRI
Model 4 ini menggunakan kombinasi variabel dengan variabel
Kondisi Jalan IRI Semester 1 dan IRI Semester 2, variabel
Logaritma (Log) LHR Truk Berat 2 Sumbu 4 Roda dan
variabel Logaritma (Log) ∆ IRI.

36
 Dari masing-masing model tersebut dilakukan perhitungan slope
dan intercept untuk membentuk persamaan model regresinya.
7. Pemilihan Koefisien Determinasi (R2 ) Model Regresi Kondisi Jalan
IRI Terkait LHR Yang Tertinggi
Koefisien Determinasi pada penelitian ini untuk menghitung
besarnya proporsi variasi variabel terikat (Y) yaitu ∆ IRI yang
dijelaskan oleh variabel bebas (X) yaitu LHR Truk Berat 2 Sumbu
4 Roda. Variabel X pada model regresi Kondisi Jalan IRI Terkait
LHR adalah LHR dari tahun 2014 sampai dengan LHR tahun 2017.
Sedangkan, variabel Y pada model regresi LHR ini adalah ∆ IRI
(selisih antara IRI Semester 2 dan IRI Semester 1) dari tahun 2014
sampai dengan LHR tahun 2017.
Perhitungan Koefisien Determinasi (R2) model regresi pada
persamaan 2.8.

𝑅 2 = (𝑇𝑆𝑆 − 𝑆𝑆𝐸)/𝑇𝑆𝑆 (2.8)

Dimana :
R2 = Koefisien Determinasi
TSS = Total Sum of Squares
2 2
𝛴(𝑌𝑙̇ − 𝑌̅ )2 = 𝛴(𝑌̂ − 𝑌̅ ) + 𝛴(𝑌𝑙 − 𝑌̂)
SSE = Sum of Squares error

= 𝛴(𝑌 − 𝑌̂)2
𝑙

𝑌𝑙̇ − 𝑌̅ = Variasi didalam Y dari nilai rata-rata dan

total dari penjumlahan kuadrat
8. Penentuan Model Regresi LHR Dan Model Regresi Kondisi Jalan IRI
Terkait LHR
Tahap awal adalah menuliskan model regresi LHR yang sudah
terpilih. Kemudian, dari hasil perhitungan 4 model regresi kondisi
jalan IRI terkait LHR maka model yang dipilih adalah model yang
mempunyai nilai R2 tertinggi diantara ketiga nilai R2 lainnya. Model
yang dipilih ini memiliki R2 tertinggi untuk selanjutnya digunakan

37
 dalam prediksi kondisi jalan IRI untuk penanganan jalan nasional di
ruas jalan Pakah Temangkar Tuban, Jawa Timur. Didalam penelitian
ini mempunyai 2 model regresi yaitu model regresi LHR dan model
regresi kondisi jalan IRI terkait LHR sebagai model untuk prediksi
untuk penanganan jalan nasional di ruas jalan Pakah Temangkar
Tuban, Jawa Timur.
9. Hasil Prediksi Kondisi Jalan IRI Terkait LHR dan Prediksi LHR Ruas
Pakah Temangkar
Untuk melakukan perhitungan prediksi kondisi jalan IRI terkait LHR
dan prediksi LHR maka dibuat kerangka tabel prediksi kondisi jalan
IRI dapat dilihat pada tabel 3.1.
Tabel 3.1 Kerangka Tabel Prediksi Kondisi Jalan IRI
IRI S1 20 18

LHR 2018

IRI S2 2018

IRI S1 2019

LHR 2019

IRI S2 2019

IRI S1 2 020

LHR 2020

IRI S2 2020
Penanganan Jalan

Penanganan Jalan

Penanganan Jalan

38
3.2 Desain Penelitian
Untuk melakukan penelitian setelah dibuat alur penelitian kemudian dibuat
desain penelitian secara detail pada tabel 3.2.
Tabel 3.2 Desain Penelitian Prediksi Kondisi Jalan IRI

No Uraian Analisa Data yang Sumber

diperlukan Data
1 Prediksi Lalu Bentuk LHR Truk Data
Lintas Harian Fungsional Berat 2 Sumbu Sekunder
Rata-rata Model 4 Roda dari Satker
Tahunan (LHR) Regresi P2JNProvinsi
Jawa Timur,
Kementerian
PUPR
2 Prediksi Kondisi Bentuk a. Kondisi Data
Jalan IRI Fungsional Jalan IRI Sekunder
Terkait LHR Model Semester 1 dari Satker
Regresi b.Kondisi P2JN
Kondisi Jalan IRI Provinsi
Jalan IRI Semester 2 Jawa Timur,
Terkait c. LHR Truk BBPJN VIII
LHR Berat 2 Surabaya,
Sumbu 4 Kementerian
Roda PUPR
3 Informasi terkini Analisa a. Peta Lokasi Data Teknis
ruas Pakah Data teknis Ruas Jalan Sekunder
Temangkar kondisi Pakah dari Satker
Tuban, Provinsi jalan Temangkar PJN Wilayah
Jawa Timur b.Dokumentasi IV Provinsi
kondisi jalan Jawa Timur,
ruas pakah Kementerian
temangkar PUPR

39
 BAB 4
HASIL DAN PEMBAHASAN

Pada bab ini, Peneliti menganalisa dan membahas prediksi kondisi jalan
IRI untuk penanganan jalan nasional di ruas jalan Pakah Temangkar, Tuban,
Provinsi Jawa Timur menggunakan beberapa data yang diperlukan untuk prediksi
kondisi jalan selama tahun 2014 sampai dengan tahun 2017.

4.1 Pengumpulan Data

Dalam penelitian ini, sumber data yang didapat peneliti dimulai tahun 2014
sampai dengan tahun 2017 terhadap data jalan berdasarkan indeks kekasaran
internasional (IRI) dan data lalu lintas harian rata-rata harian (LHR) truk berat 2
sumbu 4 roda. Data yang diambil merupakan data sekunder ruas jalan Pakah
Temangkar, Tuban, Provinsi Jawa Timur.

4.2 Preprocessing
Dalam tahap pre processing ini yakni data mentah sebanyak ± 165 yang
diseleksi dan dibersihkan sehingga berguna untuk memilih data yang siap untuk
diolah. Pada tahap ini bertujuan untuk membersihkan data dari kerangkapan data
sehingga menghasilkan data yang akurat.

4.3 Penyuntingan Data

Dalam tahap ini bertujuan memilih data dari sekumpulan data mentah
operasional perlu dilakukan sebelum tahap penggalian informasi dalam Knowledge
Discovery in Database (KDD). Data yang siap diolah dan menghasilkan predikasi
akurat dari penyeleksian data ini, data kondisi jalan IRI dan dan data lalu lintas
harian rata-rata harian (LHR) truk berat 2 sumbu 4 roda di ruas Pakah Temangkar,
Tuban, Jawa Timur sebanyak ± 165 dengan data prediksi IRI dan LHR yang
dijelaskan pada tabel 4.1 .

40
Tabel 4.1 Data Prediksi IRI Dan LHR

Tahun No IRI S1 IRI S2 LHR Truk Berat (X) ∆IRI (Y)

2014 1 2.36 4.62 1299.00 2.36
2 4.80 4.98 1299.00 0.18
3 3.26 5.35 1299.00 2.09
4 5.35 8.07 1299.00 2.72
5 4.98 5.89 1299.00 0.91
6 3.26 4.44 1299.00 1.18
7 5.07 5.80 1299.00 0.73
8 5.07 6.17 1299.00 1.10
9 4.07 5.07 1299.00 1.00
10 4.80 5.17 1299.00 0.37
11 4.80 5.07 1299.00 0.27
12 3.35 4.53 1299.00 1.18
13 4.71 5.35 1299.00 0.64
2015 14 1.89 4.26 8526.00 2.37
15 1.08 4.98 8526.00 3.90
16 2.49 3.53 8526.00 1.04
17 1.71 4.26 8526.00 2.55
18 1.28 4.35 8526.00 3.07
19 1.10 3.35 8526.00 2.25
20 0.88 4.62 8526.00 3.74
21 1.41 4.25 8526.00 2.84
22 2.19 4.16 8526.00 1.97
23 1.04 4.89 8526.00 3.85
24 1.97 3.80 8526.00 1.83
25 2.50 4.16 8526.00 1.66
26 2.53 4.71 8526.00 2.18
27 1.85 4.07 8526.00 2.22
28 0.96 2.44 8526.00 1.48
29 1.52 3.35 8526.00 1.83
30 1.46 3.44 8526.00 1.98
31 2.10 3.71 8526.00 1.61
32 1.19 2.98 8526.00 1.79
33 1.44 2.44 8526.00 1.00
34 2.61 3.07 8526.00 0.46
35 1.30 7.35 8526.00 6.05
36 2.10 4.26 8526.00 2.16
37 1.37 2.80 8526.00 1.43
38 2.56 3.62 8526.00 1.06
39 1.12 4.44 8526.00 3.32
40 1.20 7.44 8526.00 6.24
41 1.62 5.53 8526.00 3.91
42 1.24 2.98 8526.00 1.74
43 1.39 4.62 8526.00 3.23

41
Tahun No IRI S1 IRI S2 LHR TrukBerat (X) ∆IRI (Y)
2015 44 1.99 2.62 8526.00 0.63
45 2.13 3.35 8526.00 1.22
46 1.04 2.53 8526.00 1.49
47 1.36 2.89 8526.00 1.53
48 1.49 3.62 8526.00 2.13
49 0.86 5.89 8526.00 5.03
50 2.42 3.35 8526.00 0.93
51 1.43 2.80 8526.00 1.37
52 1.47 3.71 8526.00 2.24
53 1.01 3.26 8526.00 2.25
54 1.04 5.98 8526.00 4.94
55 1.89 5.44 8526.00 3.55
56 2.40 3.44 8526.00 1.04
57 2.54 6.35 8526.00 3.81
58 1.53 6.89 8526.00 5.36
59 4.18 5.62 8526.00 1.44
60 1.69 5.44 8526.00 3.75
61 2.89 3.35 8526.00 0.46
62 1.83 5.53 8526.00 3.70
63 1.70 4.53 8526.00 2.83
64 2.05 4.71 8526.00 2.66
65 1.15 3.26 8526.00 2.11
66 1.99 5.71 8526.00 3.72
67 1.95 7.35 8526.00 5.40
68 3.85 9.44 8526.00 5.59
69 3.39 7.26 8526.00 3.87
70 2.43 5.07 8526.00 2.64
71 5.78 6.35 8526.00 0.57
72 4.50 9.62 8526.00 5.12
73 5.23 7.53 8526.00 2.30
74 2.66 5.62 8526.00 2.96
75 1.78 3.17 8526.00 1.39
76 1.24 3.53 8526.00 2.29
77 3.40 4.62 8526.00 1.22
78 2.40 6.71 8526.00 4.31
79 1.94 4.71 8526.00 2.77
80 2.11 6.71 8526.00 4.60
81 2.48 5.71 8526.00 3.23
82 1.31 4.71 8526.00 3.40
83 1.83 3.07 8526.00 1.24
84 2.19 6.07 8526.00 3.88
85 2.60 3.71 8526.00 1.11
86 6.26 7.07 8526.00 0.81
87 2.35 6.71 8526.00 4.36

42
Tahun No IRI S1 IRI S2 LHR TrukBerat (X) ∆IRI (Y)
2015 88 4.65 6.44 8526.00 1.79
89 3.90 5.98 8526.00 2.08
90 1.88 5.98 8526.00 4.10
91 2.64 5.71 8526.00 3.07
92 2.98 6.89 8526.00 3.91
93 2.79 4.71 8526.00 1.92
94 2.01 4.62 8526.00 2.61
95 3.18 4.62 8526.00 1.44
96 3.71 4.26 8526.00 0.55
97 2.75 3.62 8526.00 0.87
2016 98 2.44 4.26 8526.00 1.82
99 2.17 3.80 8526.00 1.63
100 2.53 3.98 8526.00 1.45
101 4.53 5.98 8526.00 1.45
102 3.71 4.80 8526.00 1.09
103 4.16 5.44 8526.00 1.28
104 1.89 2.98 8526.00 1.09
105 3.80 4.35 8526.00 0.55
106 4.71 5.16 8526.00 0.45
2017 107 5.16 6.71 4110.00 1.55
108 4.89 5.98 4110.00 1.09
109 6.71 10.07 4110.00 3.36
110 6.89 8.26 4110.00 1.37
111 9.44 10.16 4110.00 0.72
112 6.26 7.07 4110.00 0.81
113 6.26 7.53 4110.00 1.27
114 8.80 12.80 4110.00 4.00
115 9.07 11.07 4110.00 2.00
116 4.89 6.98 4110.00 2.09
117 7.98 9.62 4110.00 1.64
118 6.80 9.89 4110.00 3.09
119 7.26 8.16 4110.00 0.90
120 4.89 5.44 4110.00 0.55
121 5.71 6.89 4110.00 1.18
122 6.07 7.07 4110.00 1.00
123 6.53 8.71 4110.00 2.18
124 4.89 7.98 4110.00 3.09
125 4.16 6.44 4110.00 2.28
126 7.80 8.53 4110.00 0.73
127 4.80 8.62 4110.00 3.82
128 4.71 5.71 4110.00 1.00
129 8.16 10.53 4110.00 2.37
130 11.26 14.98 4110.00 3.72
131 7.53 8.89 4110.00 1.36

43
Tahun No IRI S1 IRI S2 LHR TrukBerat (X) ∆IRI (Y)
2017 132 4.26 5.98 4110.00 1.72
133 4.16 5.07 4110.00 0.91
134 2.98 4.80 4110.00 1.82
135 6.62 7.07 4110.00 0.45
136 7.07 8.26 4110.00 1.19
137 8.98 9.71 4110.00 0.73
138 5.44 6.62 4110.00 1.18
139 5.62 6.53 4110.00 0.91
140 5.89 9.16 4110.00 3.27
141 10.07 11.16 4110.00 1.09
142 6.62 8.26 4110.00 1.64
143 5.07 5.89 4110.00 0.82
144 9.16 11.07 4110.00 1.91
145 6.80 9.80 4110.00 3.00
146 8.62 9.26 4110.00 0.64
147 11.98 13.35 4110.00 1.37
148 9.16 10.16 4110.00 1.00
149 9.89 11.71 4110.00 1.82
150 10.16 11.44 4110.00 1.28
151 8.07 11.26 4110.00 3.19
152 4.80 6.71 4110.00 1.91
153 7.80 9.80 4110.00 2.00
154 9.35 11.07 4110.00 1.72
155 6.71 7.71 4110.00 1.00
156 5.80 6.80 4110.00 1.00
157 4.35 7.07 4110.00 2.72
158 12.16 13.98 4110.00 1.82
159 6.98 11.35 4110.00 4.37
160 13.07 14.71 4110.00 1.64
161 8.44 9.71 4110.00 1.27
162 11.07 11.98 4110.00 0.91
163 10.07 12.80 4110.00 2.73
164 10.44 13.07 4110.00 2.63
165 9.98 10.35 4110.00 0.37

44
4.4 Penentuan Model Prediksi Lalu Lintas Harian Rata-Rata (LHR) Truk
Berat
Tahapan penentuan model prediksi LHR dalam penelitian ini adalah
mendapatkan Model Regresi Linier Ruas Pakah Temangkar, kami melakukan
prediksi LHR Truk Berat 2 sumbu 4 Roda yang dijelaskan dengan tabel 4.2. Kami
menggunakan 2 variabel yaitu variabel tahun dan variabel LHR Truk Berat 2
Sumbu 4 Roda. Tahun 2014 sampai tahun 2017 serta LHR Truk berat 2 sumbu 4
roda pada tahun tersebut. Analisa model perhitungan terhadap setiap kemungkinan
kombinasi variabel dijelaskan pada subab 4.4.1 dan subab 4.4.2.

4.4.1 Perhitungan Menggunakan Variabel Tahun Dan Variabel LHR

Untuk melakukan perhitungan prediksi LHR Ruas Pakah Temangkar,
Tuban, Jawa Timur, peneliti melakukan simulasi prediksi LHR pada tabel 4.2.
Tabel 4.2 Simulasi Prediksi LHR

Tahun (X) LHR (Y)

2014 1299.00
2015 8526.00
2016 8526.00
2017 4110.00

Untuk mendapatkan pemodelan regresi linier maka peneliti mencari slope

dan Y-Intercept yaitu :
1. Model : 𝐿𝐻𝑅 = − 1694055.9 + 843.3𝑥 𝑇𝑎ℎ𝑢𝑛 (4.1)
2. R2 = 0.093
Setelah Peneliti mendapatkan Model Regresi Linier LHR yang dijelaskan
grafik pada gambar 4.1 dimana sumbu x merupakan nilai tahun dan sumbu y
merupakan nilai Lalu Lintas Harian Rata-rata Tahunan (LHR) Truk Berat 2 Sumbu
4 Roda.

45
 MO DE L RE GRE S I L INIE R L H R
8526.00 8526.00
9000.00
8000.00
7000.00
6000.00
LHR (Y)

5000.00 y = 843.3x - 20000000 4110.00

4000.00 R² = 0.094
3000.00
2000.00 1299.00
1000.00
0.00
2013.5 2014 2014.5 2015
2014 2015 2 0 1 5 . 5 2016
2016 2016.5 2017
2017
TAHUN (X)

Gambar 4.1 Model Regresi Linier LHR Truk Berat 2 Sumbu 4 Roda

4.4.2 Perhitungan Menggunakan Variabel Tahun Dan Variabel Log LHR

Peneliti menggunakan kombinasi variabel dengan variabel tahun dan
variabel Logaritma (Log) LHR seperti tabel 4.3.
Tabel 4.3 Simulasi Prediksi Log LHR Ruas Jalan Pakah Temangkar Tuban

Tahun (X) LHR Log LHR (Y)

2014 1299.00 3.11
2015 8526.00 3.93
2016 8526.00 3.93
2017 4110.00 3.61

Untuk mendapatkan pemodelan regresi linier pada prediksi log LHR

kemudian mencari slope dan Y-Intercept yaitu:
1. Model : 𝐿𝑜𝑔 𝐿𝐻𝑅 = −298.82 + 0.15 𝑥 𝑇𝑎ℎ𝑢𝑛 (4.2)
2. R2 = 0.25
Setelah mendapatkan Model Regresi Linier LHR yang dijelaskan grafik
pada gambar 4.2 dimana sumbu x merupakan nilai tahun dan sumbu y merupakan

46
nilai Lalu Lintas Harian Rata-rata Tahunan (LHR) yang dikonversi menjadi nilai
Log LHR Truk Berat 2 Sumbu 4 Roda.

MODEL REGRESI LINIER LOG LHR

4.50 3.93 3.93
4.00 3.61
3.50 3.11
LOG LHR (Y)

3.00
y = 0.15x - 298.68
2.50
R² = 0.2501
2.00
1.50
1.00
0.50
0.00
2013.5 2014
2014 2014.5 2015
2015 2015.5 2016
2016 2016.5 2017
2017
2017 TAHUN (X)

Gambar 4.2 Model Regresi Linier Log LHR Truk Berat 2 Sumbu 4 Roda

4.4.3 Model Prediksi LHR Yang Dipilih

Model regresi linier yang digunakan untuk penelitian ini adalah model
dengan hasil prediksi LHR yang mempunyai nilai R2 terbesar. Nilai R2 Model
Prediksi Log LHR = 0.2521 > nilai R2 Model Prediksi LHR=0.0939. Perbandingan
Model Regresi Linier Untuk Prediksi LHR dan Log LHR Ruas Jalan Pakah
Temangkar Tuban dijelaskan pada tabel 4.4.
Tabel 4.4 Perbandingan Model Regresi Linier Untuk Prediksi LHR dan Log LHR
Ruas Jalan Pakah Temangkar Tuban
No Model R2
1 𝐿𝐻𝑅 = −1694055.9 + 843.3 𝑥 𝑇𝑎ℎ𝑢𝑛 0.09

2 𝐿𝑜𝑔 𝐿𝐻𝑅 = −298.82 + 0.15 𝑥 𝑇𝑎ℎ𝑢𝑛 0.25

47
Dari dua kombinasi perhitungan model regresi untuk prediksi LHR kemudian
dipilih model yang mempunyai nilai R2 terbesar yaitu 0.2521. Model regresi linier
yang dipilih pada penilitian ini dijelaskan pada persamaan 4.2 :

1. 𝐿𝑜𝑔 𝐿𝐻𝑅 = −298.82 + 0.15 𝑥 𝑇𝑎ℎ𝑢𝑛 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖 (4.2)

2. R2 = 0.25
Dimana :
Log LHR = Logaritma Lalu Lintas Harian Rata-Rata
Tahunan Truk Berat 2 Sumbu 4 Roda Yang
Diprediksi
- 297.82 = Intercept, titik potong garis regresi dengan
sumbu Y
0.15 = Slope, kemiringan garis regresi merupakan
seberapa jauh kenaikan (penurunan)
komponen deterministik dari Y sebagai
kenaikan X.
Tahun Prediksi = Tahun 2018, Tahun 2019 dan Tahun 2020

4.5 Penentuan Model Prediksi Kondisi Jalan IRI Terkait LHR

Tahapan penentuan model prediksi kondisi jalan IRI dalam penelitian
ini adalah mendapatkan pemodelan regresi linier ruas pakah temangkar. Kami
menggunakan 3 variabel yaitu variabel IRI Semester 1, IRI Semester 2 dan LHR
Truk Berat 2 Sumbu 4 Roda selama tahun 2014 sampai tahun 2017. Analisa model
perhitungan terhadap setiap kemungkinan kombinasi variabel dijelaskan pada subab
4.5.1, subab 4.5.2, subab 4.5.3 dan subab 4.5.4.

4.5.1 Model 1 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan ∆ IRI
Peneliti menggunakan kombinasi variabel dengan variabel Kondisi Jalan
IRI Semester 1 dan IRI Semester 2, variabel LHR Truk Berat 2 Sumbu 4 Roda,
variabel ∆ IRI seperti pada lampiran 1.

48
 Untuk mendapatkan pemodelan regresi linier pada prediksi kondisi jalan
IRI kemudian mencari slope dan Y-Intercept yaitu :
1. Model: ∆𝐼𝑅𝐼 = 1.01 + 0.0002𝑥 𝐿𝐻𝑅 (4.3)
2. R2 = 0.11
3. 𝐼𝑅𝐼1 = 𝐼𝑅𝐼0 + ∆𝐼𝑅𝐼 (4.4)
Setelah mendapatkan Model Regresi Linier IRI yang dijelaskan grafik pada
gambar 4.3 dimana sumbu x merupakan nilai lalu lintas harian rata-rata
tahunan (LHR) Truk Berat 2 Sumbu 4 Roda dan sumbu y merupakan nilai
kondisi jalan ∆ IRI .

MODEL REGRESI LINIER IRI

7.00
6.00
5.00
y = 0.0002x + 1.0076
∆ IRI (Y)

4.00
R² = 0.1129
3.00
2.00
1.00
0.00
0 2000 4000 6000 8000 10000
LHR (X)

Gambar 4.3 Model Regresi Linier IRI

4.5.2 Model 2 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan

Log ∆ IRI
Peneliti menggunakan kombinasi variabel dengan variabel kondisi
jalan IRI Semester 1 dan IRI Semester 2, variabel LHR Truk Berat 2 Sumbu 4
Roda, variabel Log ∆ IRI seperti pada lampiran 2. Pada model 2 ini, variabel
∆ IRI diubah menjadi nilai logaritma ∆ IRI .

49
 Untuk mendapatkan pemodelan regresi linier pada prediksi IRI maka
peneliti mencari slope dan Y-Intercept yaitu:
1. Model: 𝐿𝑜𝑔 ∆ 𝐼𝑅𝐼 1 = 0.21 + 0.00002 𝑥 𝐿𝐻𝑅 (4.5)
2. R2 = 0.05
3. ∆ IRI = 10 Log ∆ IRI (4.6)
4. 𝐼𝑅𝐼1 = 𝐼𝑅𝐼0 + ∆𝐼𝑅𝐼 (4.4)
Hasil Log ∆ IRI yang digunakan dalam penelitian yaitu nilai positif dari
Log ∆ IRI. Setelah mendapatkan Model Regresi Linier IRI bahwa didalam
grafik pada gambar 4.4 dimana sumbu x merupakan nilai lalu lintas harian rata-
rata tahunan (LHR) Truk Berat 2 Sumbu 4 Roda dan sumbu y merupakan nilai
kondisi jalan Log ∆ IRI .

MODEL REGRESI LINIER LOG ∆ IRI

0.90
0.80 y = 0.00002x + 0.2142
0.70 R² = 0.0531
Log ∆ IRI(Y)

0.60
0.50
0.40
0.30
0.20
0.10
0.00
0 2000 4000 6000 8000 10000
LHR (X)

Gambar 4.4 Model Regresi Linier Log ∆ IRI

4.5.3 Model 3 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan

Log LHR
Model 3 menggunakan kombinasi dengan variabel Kondisi Jalan IRI
Semester 1 dan IRI Semester 2, variabel Log LHR Truk Berat 2 Sumbu 4 Roda,
variabel ∆ IRI . Adapun proses perhitungannya adalah Variabel LHR diubah
menjadi nilai logaritma LHR terlebih dahulu. Kombinasi variabel pada model
3 dijelaskan pada lampiran 3.

50
 Untuk mendapatkan pemodelan regresi linier pada prediksi IRI dengan
Log LHR maka peneliti mencari slope dan Y-Intercept yaitu:
1. Model: ∆ 𝐼𝑅𝐼 = −4.66 + 1.80𝑥𝐿𝑜𝑔 𝐿𝐻𝑅 (4.7)
2. R2 = 0.10
3. 𝐼𝑅𝐼1 = 𝐼𝑅𝐼0 + ∆𝐼𝑅𝐼 (4.4)
Setelah Peneliti mendapatkan Model Regresi Linier IRI yang dijelaskan
grafik pada gambar 4.5 dimana sumbu x merupakan nilai Logaritma lalu lintas
harian rata-rata tahunan ( Log LHR) Truk Berat 2 Sumbu 4 Roda dan sumbu y
merupakan nilai kondisi jalan IRI .

MODEL REGRESI LINIER LOG LHR

TRUK BERAT
5.00
4.00
∆ IRI (Y)

3.00
y = 0.0606x + 3.6255
2.00
R² = 0.1093
1.00
0.00
0.00 1.00 2.00 3.00 4.00 5.00 6.00 7.00
Log LHR (X)

Gambar 4.5 Model Regresi Linier Log LHR

4.5.4 Model 4 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan

Log LHR dan Log ∆ IRI
Model ini menggunakan kombinasi variabel dengan variabel Kondisi
Jalan IRI Semester 1 dan IRI Semester 2, variabel Logaritma (Log) LHR Truk
Berat 2 Sumbu 4 Roda, variabel Logaritma (Log) ∆ IRI yang dijelaskan pada
lampiran 4.

51
 Untuk mendapatkan pemodelan regresi linier pada prediksi IRI maka peneliti
mencari slope dan Y-Intercept yaitu:
1. Model : 𝐿𝑜𝑔 ∆ 𝐼𝑅𝐼 2 = −0.50 + 0.22 𝑥 𝐿𝑜𝑔 𝐿𝐻𝑅 (4.8)
2. R2 = 0.05
3. ∆ IRI = 10 Log ∆ IRI
(4.6)
4. 𝐼𝑅𝐼1 = 𝐼𝑅𝐼0 + ∆𝐼𝑅𝐼 (4.4)

Setelah Peneliti mendapatkan Model Regresi Linier IRI yang dijelaskan

grafik pada gambar 4.6 dimana sumbu x merupakan nilai Logaritma lalu lintas
harian rata-rata tahunan ( Log LHR) Truk Berat 2 Sumbu 4 Roda dan sumbu y
merupakan nilai kondisi jalan Logaritma (Log) ∆ IRI .

MODEL REGRESI LINIER DENGAN LOG LHR

DAN LOG ∆ IRI
1.00
0.80
Log ∆ IRI (Y)

0.60
y = 0.2227x - 0.4967
0.40 R² = 0.053
0.20
0.00
0.00 1.00 2.00 3.00 4.00 5.00
Log LHR(X)

Gambar 4.6 Model Regresi Linier IRI Dengan Log LHR Dan Log ∆ IRI

4.5.5 Model Prediksi Kondisi Jalan IRI Yang Dipilih

Dari hasil perhitungan 4 kombinasi R2 kemudian model yang dipilih adalah
model yang mempunyai nilai R2 = 0.11 karena nilainya lebih tinggi dibandingkan
nilai R2 lainnya. Perbandingan Model Regresi Linier Untuk Prediksi Kondisi Jalan
IRI pada Ruas Jalan Pakah Temangkar Tuban, Provinsi Jawa Timur dijelaskan
pada tabel 4.5.

52
Tabel 4.5 Perbandingan Model Regresi Linier Untuk Prediksi IRI Terkait LHR

NO MODEL R2
1 ∆𝐼𝑅𝐼 = 1.01 + 0.0002 𝑥 𝐿𝐻𝑅 0.11
2 ∆𝐼𝑅𝐼 = −4.66 + 1.80 𝑥 𝐿𝑜𝑔 𝐿𝐻𝑅 0.10
3 𝐿𝑜𝑔 ∆ 𝐼𝑅𝐼 1 = 0.21 + 0.00002 𝑥 𝐿𝐻𝑅 0.05
4 𝐿𝑜𝑔 ∆ 𝐼𝑅𝐼 2 = −0.50 + 0.22𝑥 𝐿𝑜𝑔 𝐿𝐻𝑅 0.05

Dari empat kombinasi perhitungan model regresi untuk prediksi kondisi

jalan IRI terkait LHR kemudian dipilih model yang mempunyai nilai R2 terbesar
yaitu 0.11. Adapun model regresi linier yang dipilih pada penilitian ini dijelaskan
pada persamaan 4.3:
1. ∆𝐼𝑅𝐼 = 1.01 + 0.0002 𝑥 𝐿𝐻𝑅 (4.3)
2. R2 = 0.11
Dimana :
∆IRI = Prediksi selisih Nilai Kondisi IRI 1 dan IRI 0
1.01 = Intercept, titik potong garis regresi dengan sumbu Y
0.0002 = Slope, kemiringan garis regresi merupakan seberapa
jauh kenaikan (penurunan) komponen deterministik
dari Y sebagai kenaikan X.
LHR = Lalu Lintas Harian Rata-Rata Tahunan Truk Berat 2
Sumbu 4 Roda
Model Prediksi Kondisi Jalan IRI untuk penanganan jalan ini akan diuji
untuk mendapatkan ketepatan dengan metode regresi linier.

53
4.6 Kondisi Jalan IRI Untuk Penanganan Jalan Nasional
Kondisi Jalan International Roughness Index (IRI) adalah kondisi jalan
yang berfungsi sebagai profil permukaan jalan dan karakteristik kendaraan. Salah
satu penyebab penurunan kondisi jalan IRI untuk penanganan jalan nasional
adalah peningkatan jumlah dan beban lalu lintas yang diukur dari nilai Lalu Lintas
Harian Rata-rata Tahunan (LHR). Berkaitan dengan kondisi jalan IRI dan LHR
kemudian variabel yang digunakan dalam penelitian adalah IRI dan LHR truk
Berat 2 Sumbu 4 Roda.

4.7 Prediksi Kondisi Jalan IRI Dengan LHR

Untuk melakukan prediksi kondisi jalan IRI untuk penanganan jalan
nasional ruas jalan Pakah Temangkar Tuban menggunakan beberapa variabel
dari tahun 2014 sampai dengan tahun 2017.Variabel yang digunakan untuk
prediksi kondisi jalan IRI untuk penanganan jalan nasional terdiri dari :
1. Variabel Kondisi Jalan IRI Semester 1
2. Variabel Kondisi Jalan IRI Semester 2
3. Variabel Lalu Lintas Harian Rata-Rata Tahunan Tru k Berat 2
Sumbu 4 Roda
Proses prediksi kondisi jalan IRI dengan model regresi mempunyai output
yang dijelaskan yaitu :
1. Variabel kondisi jalan IRI Semester 1 (S1) tahun 2018 di ruas jalan
Pakah Temangkar, Tuban Provinsi Jawa Timur dan mempunyai nilai
Lalu Lintas Harian Rata-rata Tahunan (LHR) truk berat 2 sumbu 4
roda menjadi variabel kondisi jalan IRI Semester 2 (S2) tahun 2018.
Variabel Kondisi jalan IRI (S2) tahun 2018 mengalami penanganan
jalan kemudian hasil dari proses ini adalah kondisi jalan IRI (S1) tahun
2019.
2. Variabel kondisi jalan IRI Semester 1 (S1) tahun 2019 di ruas jalan
Pakah Temangkar, Tuban Provinsi Jawa Timur dan mempunyai nilai
Lalu Lintas Harian Rata-rata Tahunan (LHR) truk berat 2 sumbu 4
roda menjadi variabel kondisi jalan IRI Semester 2 (S2) tahun 2019.

54
 Variabel Kondisi jalan IRI (S2) tahun 2019 mengalami penanganan
jalan kemudian hasil dari proses ini adalah kondisi jalan IRI (S1)
tahun 2020.
3. Variabel kondisi jalan IRI Semester 1 (S1) tahun 2020 di ruas jalan
Pakah Temangkar, Tuban Provinsi Jawa Timur dan mempunyai nilai
Lalu Lintas Harian Rata-rata Tahunan (LHR) truk berat 2 sumbu 4
roda menjadi variabel kondisi jalan IRI Semester 2 (S2) tahun 2020.
Variabel Kondisi jalan IRI (S2) tahun 2020 mengalami penanganan
jalan.
Adapun prediksi kondisi jalan IRI terkait LHR terdapat pada tabel 3.1.
Tabel 3.1 Kerangka Tabel Prediksi Kondisi Jalan IRI
IRI S1 20 18

LHR 2018

IRI S2 2018

IRI S1 2019

LHR 2019

IRI S2 2019

IRI S1 2 020

LHR 2020

IRI S2 2020
Penanganan Jalan

Penanganan Jalan

Penanganan Jalan
4.8 Hasil Prediksi Kondisi Jalan IRI Dengan LHR Truk Berat 2 Sumbu 4
Roda
Penelitian ini menggunakan variabel IRI Semester 1 dan variabel IRI
Semester 2, variabel LHR dari tahun 2014-2017 kemudian hasil prediksi kondisi
jalan IRI yaitu dengan cara memetakan variabel IRI Semester 1 dan variabel IRI
Semester 2, variabel LHR dari tahun 2018-2020. Adapun persamaan yang
digunakan untuk prediksi kondisi jalan IRI pada ruas jalan Pakah Temangkar,
Tuban Provinsi Jawa Timur adalah :
1. Prediksi Lalu Lintas Harian Rata-Rata Tahunan Truk Berat 2 Sumbu
4 Roda dengan Model Regresi Logaritma Lalu Lintas Harian Rata-Rata Tahunan
(Log LHR) seperti persamaan 4.2.
Model: 𝐿𝑜𝑔 𝐿𝐻𝑅 = −298.82 + 0.15 𝑥 𝑇𝑎ℎ𝑢𝑛 𝑃𝑟𝑒𝑑𝑖𝑘𝑠𝑖 (4.2)
Model Log LHR ini digunakan untuk prediksi LHR Truk Berat 2 Sumbu 4 Roda
dari tahun 2018 sampai tahun 2020.

55
2. Prediksi Kondisi Jalan International Roughness Index (IRI)
Dengan LHR dengan Model Regresi Kondisi Jalan IRI terkait LHR
seperti persamaan 4.3.
Model: ∆𝐼𝑅𝐼 = 1.01 + 0.0002 𝑥 𝐿𝐻𝑅 (4.3)
3. Untuk mengetahui seberapa jauh data sampel dari data populasi
sesungguhnya maka dilakukan margin of error. Margin of Error
melibatkan rata-rata dan standar deviasi dari sampel data penelitian
yang digunakan. Hasil prediksi kondisi jalan IRI dengan LOG LHR
mempunyai margin of error dan confidence interval yaitu :
a. Tahun 2018, Tahun 2019 dan Tahun 2020 mempunyai margin
of error sebesar 65%.
b. Tahun 2018 mempunyai confidence interval sebesar 10.97
sampai dengan 12.86.
c. Tahun 2019 mempunyai confidence interval sebesar14.12
sampai dengan 15.43.
d. Tahun 2020 mempunyai confidence interval sebesar 18.16
sampai dengan 19.47.
4. Pemetaan tabel prediksi kondisi jalan IRI dengan LHR dari tahun
2014-2017 dijelaskan pada tabel 4.6 dan tabel 4.7. Sedangkan, hasil
prediksi kondisi jalan IRI dengan LHR untuk tahun 2018-2020
dijelaskan pada tabel 4.8, tabel 4.9 dan tabel 4.10.

56
Tabel 4.6 Prediksi IRI dan Prediksi LOG LHR Ruas Pakah Temangkar 2014-2016
DATA IRI S1 IRI S2 LHR Truk ∆ IRI 2014 IRI S1 IRI S2 LHR Truk ∆ IRI
KE- i 2014 2014 Berat 2014 2015 2015 Berat 2015 2015

1 2.26 4.62 1299.00 2.36 1.89 4.26 8526.00 2.37

2 4.80 4.98 1299.00 0.18 1.08 4.98 8526.00 3.90
3 3.26 5.35 1299.00 2.09 2.49 3.53 8526.00 1.04
4 5.35 8.07 1299.00 2.72 1.71 4.26 8526.00 2.55
5 4.98 5.89 1299.00 0.91 1.28 4.35 8526.00 3.07
6 3.26 4.44 1299.00 1.18 1.10 3.35 8526.00 2.25
7 5.07 5.80 1299.00 0.73 0.88 4.62 8526.00 3.74
8 5.07 6.17 1299.00 1.10 1.41 4.25 8526.00 2.84
9 4.07 5.07 1299.00 1.00 2.19 4.16 8526.00 1.97
10 4.80 5.17 1299.00 0.37 1.04 4.89 8526.00 3.85
11 4.80 5.07 1299.00 0.27 1.97 3.80 8526.00 1.83
12 3.35 4.53 1299.00 1.18 2.50 4.16 8526.00 1.66
13 4.71 5.35 1299.00 0.64 2.53 4.71 8526.00 2.18
14 1.85 4.07 8526.00 2.22
15 0.96 2.44 8526.00 1.48
16 1.52 3.35 8526.00 1.83
17 1.46 3.44 8526.00 1.98

57
 DATA IRI S1 IRI S2 LHR Truk ∆ IRI 2014 IRI S1 IRI S2 LHR Truk ∆ IRI
KE- i 2014 2014 Berat 2014 2015 2015 Berat 2015 2015

18 2.10 3.71 8526.00 1.61

19 1.19 2.98 8526.00 1.79
20 1.44 2.44 8526.00 1.00
21 2.61 3.07 8526.00 0.46
22 1.30 7.35 8526.00 6.05
23 2.10 4.26 8526.00 2.16
24 1.37 2.80 8526.00 1.43
25 2.56 3.62 8526.00 1.06
26 1.12 4.44 8526.00 3.32
27 1.20 7.44 8526.00 6.24
28 1.62 5.53 8526.00 3.91
29 1.24 2.98 8526.00 1.74
30 1.39 4.62 8526.00 3.23
31 1.99 2.62 8526.00 0.63
32 2.13 3.35 8526.00 1.22
33 1.04 2.53 8526.00 1.49
34 1.36 2.89 8526.00 1.53
35 1.49 3.62 8526.00 2.13
36 0.86 5.89 8526.00 5.03

58
 DATA IRI S1 IRI S2 LHR Truk ∆ IRI 2014 IRI S1 IRI S2 LHR Truk ∆ IRI
KE- i 2014 2014 Berat 2014 2015 2015 Berat 2015 2015

37 2.42 3.35 8526.00 0.93

38 1.43 2.80 8526.00 1.37
39 1.47 3.71 8526.00 2.24
40 1.01 3.26 8526.00 2.25
41 1.04 5.98 8526.00 4.94
42 1.89 5.44 8526.00 3.55
43 2.40 3.44 8526.00 1.04
44 2.54 6.35 8526.00 3.81
45 1.53 6.89 8526.00 5.36
46 4.18 5.62 8526.00 1.44
47 1.69 5.44 8526.00 3.75
48 2.89 3.35 8526.00 0.46
49 1.83 5.53 8526.00 3.70
50 1.70 4.53 8526.00 2.83
51 2.05 4.71 8526.00 2.66
52 1.15 3.26 8526.00 2.11
53 1.99 5.71 8526.00 3.72
54 1.95 7.35 8526.00 5.40
55 3.85 9.44 8526.00 5.59
56 3.39 7.26 8526.00 3.87

59
 DATA IRI S1 IRI S2 LHR Truk ∆ IRI 2014 IRI S1 IRI S2 LHR Truk ∆ IRI
KE- i 2014 2014 Berat 2014 2015 2015 Berat 2015 2015

57 2.43 5.07 8526.00 2.64

58 5.78 6.35 8526.00 0.57
59 4.50 9.62 8526.00 5.12
60 5.23 7.53 8526.00 2.30
61 2.66 5.62 8526.00 2.96
62 1.78 3.17 8526.00 1.39
63 1.24 3.53 8526.00 2.29
64 3.40 4.62 8526.00 1.22
65 2.40 6.71 8526.00 4.31
66 1.94 4.71 8526.00 2.77
67 2.11 6.71 8526.00 4.60
68 2.48 5.71 8526.00 3.23
69 1.31 4.71 8526.00 3.40
70 1.83 3.07 8526.00 1.24
71 2.19 6.07 8526.00 3.88
72 2.60 3.71 8526.00 1.11
73 6.26 7.07 8526.00 0.81
74 2.35 6.71 8526.00 4.36
75 4.65 6.44 8526.00 1.79
76 3.90 5.98 8526.00 2.08

60
 DATA IRI S1 IRI S2 LHR Truk ∆ IRI 2014 IRI S1 IRI S2 LHR Truk ∆ IRI
KE- i 2014 2014 Berat 2014 2015 2015 Berat 2015 2015

77 1.88 5.98 8526.00 4.10

78 2.64 5.71 8526.00 3.07
79 2.98 6.89 8526.00 3.91
80 2.79 4.71 8526.00 1.92
81 2.01 4.62 8526.00 2.61
82 3.18 4.62 8526.00 1.44
83 3.71 4.26 8526.00 0.55
84 2.75 3.62 8526.00 0.87

(Sumber : Laporan Kondisi Jalan IRI Dan LHR Kementerian Pekerjaan Umum dan Perumahan Rakyat)

61
Tabel 4.7 Prediksi Kondisi Jalan IRI dan Prediksi LOG LHR Ruas Pakah Temangkar 2016-2017

DATA IRI S1 IRI S2 LHR Truk ∆ IRI 2016 IRI S1 IRI S2 LHR Truk ∆ IRI 2017
KE- i 2016 2016 Berat 2016 2017 2017 Berat 2017

1 2.44 4.26 8526.00 1.82 5.16 6.71 4110.00 1.55

2 2.17 3.80 8526.00 1.63 4.89 5.98 4110.00 1.09
3 2.53 3.98 8526.00 1.45 6.71 10.07 4110.00 3.36
4 4.53 5.98 8526.00 1.45 6.89 8.26 4110.00 1.37
5 3.71 4.80 8526.00 1.09 9.44 10.16 4110.00 0.72
6 4.16 5.44 8526.00 1.28 6.26 7.07 4110.00 0.81
7 1.89 2.98 8526.00 1.09 6.26 7.53 4110.00 1.27
8 3.80 4.35 8526.00 0.55 8.80 12.80 4110.00 4.00
9 4.71 5.16 8526.00 0.45 9.07 11.07 4110.00 2.00
10 4.89 6.98 4110.00 2.09
11 7.98 9.62 4110.00 1.64
12 6.80 9.89 4110.00 3.09
13 7.26 8.16 4110.00 0.90
14 4.89 5.44 4110.00 0.55
15 5.71 6.89 4110.00 1.18
16 6.07 7.07 4110.00 1.00
17 6.53 8.71 4110.00 2.18

62
DATA IRI S1 IRI S2 LHR Truk ∆ IRI 2016 IRI S1 IRI S2 LHR Truk ∆ IRI 2017
KE- i 2016 2016 Berat 2016 2017 2017 Berat 2017

18 4.89 7.98 4110.00 3.09

19 4.16 6.44 4110.00 2.28
20 7.80 8.53 4110.00 0.73
21 4.80 8.62 4110.00 3.82
22 4.71 5.71 4110.00 1.00
23 8.16 10.53 4110.00 2.37
24 11.26 14.98 4110.00 3.72
25 7.53 8.89 4110.00 1.36
26 4.26 5.98 4110.00 1.72
27 4.16 5.07 4110.00 0.91
28 2.98 4.80 4110.00 1.82
29 6.62 7.07 4110.00 0.45
30 7.07 8.26 4110.00 1.19
31 8.98 9.71 4110.00 0.73
32 5.44 6.62 4110.00 1.18
33 5.62 6.53 4110.00 0.91
34 5.89 9.16 4110.00 3.27
35 10.07 11.16 4110.00 1.09
36 6.62 8.26 4110.00 1.64

63
DATA IRI S1 IRI S2 LHR Truk ∆ IRI 2016 IRI S1 IRI S2 LHR Truk ∆ IRI 2017
KE- i 2016 2016 Berat 2016 2017 2017 Berat 2017

37 5.07 5.89 4110.00 0.82

38 9.16 11.07 4110.00 1.91
39 6.80 9.80 4110.00 3.00
40 8.62 9.26 4110.00 0.64
41 11.98 13.35 4110.00 1.37
42 9.16 10.16 4110.00 1.00
43 9.89 11.71 4110.00 1.82
44 10.16 11.44 4110.00 1.28
45 8.07 11.26 4110.00 3.19
46 4.80 6.71 4110.00 1.91
47 7.80 9.80 4110.00 2.00
48 9.35 11.07 4110.00 1.72
49 6.71 7.71 4110.00 1.00
50 5.80 6.80 4110.00 1.00
51 4.35 7.07 4110.00 2.72
52 12.16 13.98 4110.00 1.82
53 6.98 11.35 4110.00 4.37
54 13.07 14.71 4110.00 1.64
55 8.44 9.71 4110.00 1.27
56 11.07 11.98 4110.00 0.91

64
DATA IRI S1 IRI S2 LHR Truk ∆ IRI 2016 IRI S1 IRI S2 LHR Truk ∆ IRI 2017
KE- i 2016 2016 Berat 2016 2017 2017 Berat 2017

57 10.07 12.80 4110.00 2.73

58 10.44 13.07 4110.00 2.63
59 9.98 10.35 4110.00 0.37
(Sumber : Laporan Kondisi Jalan IRI Dan LHR Kementerian Pekerjaan Umum dan Perumahan Rakyat)

65
Tabel 4.8 Hasil Prediksi Kondisi Jalan IRI dan Prediksi LOG LHR Ruas Pakah Temangkar Tahun 2018

DATA IRI S1 2018 Prediksi LOG LHR Prediksi LHR 2018 ∆ IRI 2018 IRI S2 2018 Penanganan Jalan
KE- i Truk Berat 2018 2018

1 6.71 3.88 7585.78 2.52 9.23 Rehabilitasi Minor

2 5.98 3.88 7585.78 2.52 8.50 Rehabilitasi Minor
3 10.07 3.88 7585.78 2.52 12.59 Rekonstruksi
4 8.26 3.88 7585.78 2.52 10.78 Rehabilitasi Mayor
5 10.16 3.88 7585.78 2.52 12.68 Rekonstruksi
6 7.07 3.88 7585.78 2.52 9.59 Rehabilitasi Minor
7 7.53 3.88 7585.78 2.52 10.05 Rehabilitasi Mayor
8 12.80 3.88 7585.78 2.52 15.32 Rekonstruksi
9 11.07 3.88 7585.78 2.52 13.59 Rekonstruksi
10 6.98 3.88 7585.78 2.52 9.50 Rehabilitasi Minor
11 9.62 3.88 7585.78 2.52 12.14 Rekonstruksi
12 9.89 3.88 7585.78 2.52 12.41 Rekonstruksi
13 8.16 3.88 7585.78 2.52 10.68 Rehabilitasi Mayor
14 5.44 3.88 7585.78 2.52 7.96 Rutin Kondisi

66
DATA IRI S1 2018 Prediksi LOG LHR Prediksi LHR 2018 ∆ IRI 2018 IRI S2 2018 Penanganan Jalan
KE- i Truk Berat 2018 2018

15 6.89 3.88 7585.78 2.52 9.41 Rehabilitasi Minor

16 7.07 3.88 7585.78 2.52 9.59 Rehabilitasi Minor
17 8.71 3.88 7585.78 2.52 11.23 Rehabilitasi Mayor
18 7.98 3.88 7585.78 2.52 10.50 Rehabilitasi Mayor
19 6.44 3.88 7585.78 2.52 8.96 Rehabilitasi Minor
20 8.53 3.88 7585.78 2.52 11.05 Rehabilitasi Mayor
21 8.62 3.88 7585.78 2.52 11.14 Rehabilitasi Mayor
22 5.71 3.88 7585.78 2.52 8.23 Rehabilitasi Minor
23 10.53 3.88 7585.78 2.52 13.05 Rekonstruksi
24 14.98 3.88 7585.78 2.52 17.50 Rekonstruksi
25 8.89 3.88 7585.78 2.52 11.41 Rehabilitasi Mayor
26 5.98 3.88 7585.78 2.52 8.50 Rehabilitasi Minor
27 5.07 3.88 7585.78 2.52 7.59 Rutin Kondisi
28 4.80 3.88 7585.78 2.52 7.32 Rutin Kondisi
29 7.07 3.88 7585.78 2.52 9.59 Rehabilitasi Minor

67
DATA IRI S1 2018 Prediksi LOG LHR Prediksi LHR 2018 ∆ IRI 2018 IRI S2 2018 Penanganan Jalan
KE- i Truk Berat 2018 2018

30 8.26 3.88 7585.78 2.52 10.78 Rehabilitasi Mayor

31 9.71 3.88 7585.78 2.52 12.23 Rekonstruksi
32 6.62 3.88 7585.78 2.52 9.14 Rehabilitasi Minor
33 6.53 3.88 7585.78 2.52 9.05 Rehabilitasi Minor
34 9.16 3.88 7585.78 2.52 11.68 Rehabilitasi Mayor
35 11.16 3.88 7585.78 2.52 13.68 Rekonstruksi
36 8.26 3.88 7585.78 2.52 10.78 Rehabilitasi Mayor
37 5.89 3.88 7585.78 2.52 8.41 Rehabilitasi Minor
38 11.07 3.88 7585.78 2.52 13.59 Rekonstruksi
39 9.80 3.88 7585.78 2.52 12.32 Rekonstruksi
40 9.26 3.88 7585.78 2.52 11.78 Rehabilitasi Mayor
41 13.35 3.88 7585.78 2.52 15.87 Rekonstruksi
42 10.16 3.88 7585.78 2.52 12.68 Rekonstruksi
43 11.71 3.88 7585.78 2.52 14.23 Rekonstruksi
44 11.44 3.88 7585.78 2.52 13.96 Rekonstruksi

68
DATA IRI S1 2018 Prediksi LOG LHR Prediksi LHR 2018 ∆ IRI 2018 IRI S2 2018 Penanganan Jalan
KE- i Truk Berat 2018 2018

45 11.26 3.88 7585.78 2.52 13.78 Rekonstruksi

46 6.71 3.88 7585.78 2.52 9.23 Rehabilitasi Minor
47 9.80 3.88 7585.78 2.52 12.32 Rekonstruksi
48 11.07 3.88 7585.78 2.52 13.59 Rekonstruksi
49 7.71 3.88 7585.78 2.52 10.23 Rehabilitasi Mayor
50 6.80 3.88 7585.78 2.52 9.32 Rehabilitasi Minor
51 7.07 3.88 7585.78 2.52 9.59 Rehabilitasi Minor
52 13.98 3.88 7585.78 2.52 16.50 Rekonstruksi
53 11.35 3.88 7585.78 2.52 13.87 Rekonstruksi
54 14.71 3.88 7585.78 2.52 17.23 Rekonstruksi
55 9.71 3.88 7585.78 2.52 12.23 Rekonstruksi
56 11.98 3.88 7585.78 2.52 14.50 Rekonstruksi
57 12.80 3.88 7585.78 2.52 15.32 Rekonstruksi
58 13.07 3.88 7585.78 2.52 15.59 Rekonstruksi
59 10.35 3.88 7585.78 2.52 12.87 Rekonstruksi

69
Tabel 4.9 Hasil Prediksi Kondisi Jalan IRI dan Prediksi LOG LHR Ruas Pakah Temangkar Tahun 2019

DATA IRI S1 2019 Prediksi LOG Prediksi LHR Truk ∆ IRI 2019 IRI S2 2019 Penanganan Jalan
KE- i LHR 2019 Berat 2019 2019

1 9.23 4.03 10715.19 3.15 12.38 Rekonstruksi

2 8.50 4.03 10715.19 3.15 11.65 Rehabilitasi Mayor
3 12.59 4.03 10715.19 3.15 15.74 Rekonstruksi
4 10.78 4.03 10715.19 3.15 13.93 Rekonstruksi
5 12.68 4.03 10715.19 3.15 15.83 Rekonstruksi
6 9.59 4.03 10715.19 3.15 12.74 Rekonstruksi
7 10.05 4.03 10715.19 3.15 13.20 Rekonstruksi
8 15.32 4.03 10715.19 3.15 18.47 Rekonstruksi
9 13.59 4.03 10715.19 3.15 16.74 Rekonstruksi
10 9.50 4.03 10715.19 3.15 12.65 Rekonstruksi
11 12.14 4.03 10715.19 3.15 15.29 Rekonstruksi
12 12.41 4.03 10715.19 3.15 15.56 Rekonstruksi
13 10.68 4.03 10715.19 3.15 13.83 Rekonstruksi

70
DATA IRI S1 2019 Prediksi LOG Prediksi LHR Truk ∆ IRI 2019 IRI S2 2019 Penanganan Jalan
KE- i LHR 2019 Berat 2019 2019

14 7.96 4.03 10715.19 3.15 11.11 Rehabilitasi Mayor

15 9.41 4.03 10715.19 3.15 12.56 Rekonstruksi
16 9.59 4.03 10715.19 3.15 12.74 Rekonstruksi
17 11.23 4.03 10715.19 3.15 14.38 Rekonstruksi
18 10.50 4.03 10715.19 3.15 13.65 Rekonstruksi
19 8.96 4.03 10715.19 3.15 12.11 Rekonstruksi
20 11.05 4.03 10715.19 3.15 14.20 Rekonstruksi
21 11.14 4.03 10715.19 3.15 14.29 Rekonstruksi
22 8.23 4.03 10715.19 3.15 11.38 Rehabilitasi Mayor
23 13.05 4.03 10715.19 3.15 16.20 Rekonstruksi
24 17.50 4.03 10715.19 3.15 20.65 Rekonstruksi
25 11.41 4.03 10715.19 3.15 14.56 Rekonstruksi
26 8.50 4.03 10715.19 3.15 11.65 Rehabilitasi Mayor
27 7.59 4.03 10715.19 3.15 10.74 Rehabilitasi Mayor

71
DATA IRI S1 2019 Prediksi LOG Prediksi LHR Truk ∆ IRI 2019 IRI S2 2019 Penanganan Jalan
KE- i LHR 2019 Berat 2019 2019

28 7.32 4.03 10715.19 3.15 10.47 Rehabilitasi Mayor

29 9.59 4.03 10715.19 3.15 12.74 Rekonstruksi
30 10.78 4.03 10715.19 3.15 13.93 Rekonstruksi
31 12.23 4.03 10715.19 3.15 15.38 Rekonstruksi
32 9.14 4.03 10715.19 3.15 12.29 Rekonstruksi
33 9.05 4.03 10715.19 3.15 12.20 Rekonstruksi
34 11.68 4.03 10715.19 3.15 14.83 Rekonstruksi
35 13.68 4.03 10715.19 3.15 16.83 Rekonstruksi
36 10.78 4.03 10715.19 3.15 13.93 Rekonstruksi
37 8.41 4.03 10715.19 3.15 11.56 Rehabilitasi Mayor
38 13.59 4.03 10715.19 3.15 16.74 Rekonstruksi
39 12.32 4.03 10715.19 3.15 15.47 Rekonstruksi
40 11.78 4.03 10715.19 3.15 14.93 Rekonstruksi
41 15.87 4.03 10715.19 3.15 19.02 Rekonstruksi

72
DATA IRI S1 2019 Prediksi LOG Prediksi LHR Truk ∆ IRI 2019 IRI S2 2019 Penanganan Jalan
KE- i LHR 2019 Berat 2019 2019

42 12.68 4.03 10715.19 3.15 15.83 Rekonstruksi

43 14.23 4.03 10715.19 3.15 17.38 Rekonstruksi
44 13.96 4.03 10715.19 3.15 17.11 Rekonstruksi
45 13.78 4.03 10715.19 3.15 16.93 Rekonstruksi
46 9.23 4.03 10715.19 3.15 12.38 Rekonstruksi
47 12.32 4.03 10715.19 3.15 15.47 Rekonstruksi
48 13.59 4.03 10715.19 3.15 16.74 Rekonstruksi
49 10.23 4.03 10715.19 3.15 13.38 Rekonstruksi
50 9.32 4.03 10715.19 3.15 12.47 Rekonstruksi
51 9.59 4.03 10715.19 3.15 12.74 Rekonstruksi
52 16.50 4.03 10715.19 3.15 19.65 Rekonstruksi
53 13.87 4.03 10715.19 3.15 17.02 Rekonstruksi
54 17.23 4.03 10715.19 3.15 20.38 Rekonstruksi
55 12.23 4.03 10715.19 3.15 15.38 Rekonstruksi

73
DATA IRI S1 2019 Prediksi LOG Prediksi LHR Truk ∆ IRI 2019 IRI S2 2019 Penanganan Jalan
KE- i LHR 2019 Berat 2019 2019

56 14.50 4.03 10715.19 3.15 17.65 Rekonstruksi

57 15.32 4.03 10715.19 3.15 18.47 Rekonstruksi
58 15.59 4.03 10715.19 3.15 18.74 Rekonstruksi
59 12.87 4.03 10715.19 3.15 16.02 Rekonstruksi

74
Tabel 4.10 Hasil Prediksi Kondisi Jalan IRI dan Prediksi LOG LHR Ruas Pakah Temangkar Tahun 2020

DATA IRI S1 Prediksi Log Prediksi LHR ∆ IRI 2020 IRI S2 2020 Penanganan Jalan
KE- i 2020 LHR 2020 Truk Berat 2020 2020

1 12.38 4.18 15135.61 4.04 16.42 Rekonstruksi

2 11.65 4.18 15135.61 4.04 15.69 Rekonstruksi
3 15.74 4.18 15135.61 4.04 19.78 Rekonstruksi
4 13.93 4.18 15135.61 4.04 17.97 Rekonstruksi
5 15.83 4.18 15135.61 4.04 19.87 Rekonstruksi
6 12.74 4.18 15135.61 4.04 16.78 Rekonstruksi
7 13.20 4.18 15135.61 4.04 17.24 Rekonstruksi
8 18.47 4.18 15135.61 4.04 22.51 Rekonstruksi
9 16.74 4.18 15135.61 4.04 20.78 Rekonstruksi
10 12.65 4.18 15135.61 4.04 16.69 Rekonstruksi
11 15.29 4.18 15135.61 4.04 19.33 Rekonstruksi
12 15.56 4.18 15135.61 4.04 19.60 Rekonstruksi
13 13.83 4.18 15135.61 4.04 17.87 Rekonstruksi

75
DATA IRI S1 Prediksi Log Prediksi LHR ∆ IRI 2020 IRI S2 2020 Penanganan Jalan
KE- i 2020 LHR 2020 Truk Berat 2020 2020

14 11.11 4.18 15135.61 4.04 15.15 Rekonstruksi

15 12.56 4.18 15135.61 4.04 16.60 Rekonstruksi
16 12.74 4.18 15135.61 4.04 16.78 Rekonstruksi
17 14.38 4.18 15135.61 4.04 18.42 Rekonstruksi
18 13.65 4.18 15135.61 4.04 17.69 Rekonstruksi
19 12.11 4.18 15135.61 4.04 16.15 Rekonstruksi
20 14.20 4.18 15135.61 4.04 18.24 Rekonstruksi
21 14.29 4.18 15135.61 4.04 18.33 Rekonstruksi
22 11.38 4.18 15135.61 4.04 15.42 Rekonstruksi
23 16.20 4.18 15135.61 4.04 20.24 Rekonstruksi
24 20.65 4.18 15135.61 4.04 24.69 Rekonstruksi
25 14.56 4.18 15135.61 4.04 18.60 Rekonstruksi
26 11.65 4.18 15135.61 4.04 15.69 Rekonstruksi
27 10.74 4.18 15135.61 4.04 14.78 Rekonstruksi

76
DATA IRI S1 Prediksi Log Prediksi LHR ∆ IRI 2020 IRI S2 2020 Penanganan Jalan
KE- i 2020 LHR 2020 Truk Berat 2020 2020

28 10.47 4.18 15135.61 4.04 14.51 Rekonstruksi

29 12.74 4.18 15135.61 4.04 16.78 Rekonstruksi
30 13.93 4.18 15135.61 4.04 17.97 Rekonstruksi
31 15.38 4.18 15135.61 4.04 19.42 Rekonstruksi
32 12.29 4.18 15135.61 4.04 16.33 Rekonstruksi
33 12.20 4.18 15135.61 4.04 16.24 Rekonstruksi
34 14.83 4.18 15135.61 4.04 18.87 Rekonstruksi
35 16.83 4.18 15135.61 4.04 20.87 Rekonstruksi
36 13.93 4.18 15135.61 4.04 17.97 Rekonstruksi
37 11.56 4.18 15135.61 4.04 15.60 Rekonstruksi
38 16.74 4.18 15135.61 4.04 20.78 Rekonstruksi
39 15.47 4.18 15135.61 4.04 19.51 Rekonstruksi
40 14.93 4.18 15135.61 4.04 18.97 Rekonstruksi
41 19.02 4.18 15135.61 4.04 23.06 Rekonstruksi

77
DATA IRI S1 Prediksi Log Prediksi LHR ∆ IRI 2020 IRI S2 2020 Penanganan Jalan
KE- i 2020 LHR 2020 Truk Berat 2020 2020

42 15.83 4.18 15135.61 4.04 19.87 Rekonstruksi

43 17.38 4.18 15135.61 4.04 21.42 Rekonstruksi
44 17.11 4.18 15135.61 4.04 21.15 Rekonstruksi
45 16.93 4.18 15135.61 4.04 20.97 Rekonstruksi
46 12.38 4.18 15135.61 4.04 16.42 Rekonstruksi
47 15.47 4.18 15135.61 4.04 19.51 Rekonstruksi
48 16.74 4.18 15135.61 4.04 20.78 Rekonstruksi
49 13.38 4.18 15135.61 4.04 17.42 Rekonstruksi
50 12.47 4.18 15135.61 4.04 16.51 Rekonstruksi
51 12.74 4.18 15135.61 4.04 16.78 Rekonstruksi
52 19.65 4.18 15135.61 4.04 23.69 Rekonstruksi
53 17.02 4.18 15135.61 4.04 21.06 Rekonstruksi
54 20.38 4.18 15135.61 4.04 24.42 Rekonstruksi
55 15.38 4.18 15135.61 4.04 19.42 Rekonstruksi

78
DATA IRI S1 Prediksi Log Prediksi LHR ∆ IRI 2020 IRI S2 2020 Penanganan Jalan
KE- i 2020 LHR 2020 Truk Berat 2020 2020

56 17.65 4.18 15135.61 4.04 21.69 Rekonstruksi

57 18.47 4.18 15135.61 4.04 22.51 Rekonstruksi
58 18.74 4.18 15135.61 4.04 22.78 Rekonstruksi
59 16.02 4.18 15135.61 4.04 20.06 Rekonstruksi

79
4.9 Rekomendasi Penanganan Jalan Ruas Jalan Pakah Temangkar
Dalam Penelitian ini dengan menggunakan kedua model regresi tersebut
maka dapat melakukan Prediksi Kondisi Jalan IRI Terkait Logaritma LHR Truk
Berat 2 Sumbu 4 Roda yang dijelaskan pada ringkasan dibawah ini yaitu :
1. Ringkasan Prediksi Untuk Tahun 2018 dapat dilihat pada tabel 4.11.
Tabel 4.11 Ringkasan Prediksi Kondisi Jalan IRI Terkait LHR Untuk
Tahun 2018
No Prediksi LOG LHR LHR Truk Penanganan
Kondisi Truk Berat Berat 2018 Jalan 2018
Jalan IRI 2018
1 9-10 3.88 7585.78 Rehabilitasi
Minor
2 10-12 3.88 7585.78 Rehabilitasi
Mayor
3 >12 3.88 7585.78 Rekonstruksi

2. Ringkasan Prediksi Untuk Tahun 2019 dapat dilihat pada tabel 4.12.
Tabel 4.12 Ringkasan Prediksi Kondisi Jalan IRI Terkait LHR Untuk
Tahun 2019

No Prediksi LOG LHR LHR Truk Penanganan

Kondisi Truk Berat Berat 2019 Jalan 2019
Jalan IRI 2019
1 10-12 4.03 10715.19 Rehabilitasi
Mayor
2 >12 4.03 10715.19 Rekonstruksi

80
3. Ringkasan Prediksi Untuk Tahun 2020 dapat dilihat pada tabel 4.13.
Tabel 4.13 Ringkasan Prediksi Kondisi Jalan IRI Terkait LHR Untuk
Tahun 2020

No Prediksi LOG LHR LHR Truk Penanganan

Kondisi Truk Berat Berat 2020 Jalan 2020
Jalan IRI 2020
1 >12 4.18 15135.61 Rekonstruksi

81
 BAB 5
KESIMPULAN

Dari hasil penelitian model regresi dapat ditarik kesimpulan dan saran.

5.1 Kesimpulan
Untuk melakukan prediksi kondisi jalan (IRI) ruas jalan Pakah Temangkar
Tuban, Provinsi Jawa Timur didapat beberapa kesimpulan yaitu:
1. Hasil penyusunan model prediksi beban lalu lintas harian rata-rata
tahunan (LHR) untuk penanganan jalan nasional pada ruas Pakah
Temangkar Tuban, Jawa Timur yang menggunakan model regresi
menunjukkan adanya pengaruh variabel lalu lintas harian rata-rata
tahunan truk 2 Sumbu 4 Roda terhadap kondisi jalan IRI. Model Regresi
untuk prediksi beban lalu lintas harian rata-rata tahunan (LHR) dapat
dilihat pada Model Regresi Logaritma LHR dengan R2 = 0.25 yaitu:
𝐿𝒐𝒈 𝑳𝑯𝑹 = −𝟐𝟗𝟖. 𝟖𝟐 + 𝟎. 𝟏𝟓 𝒙 𝑻𝒂𝒉𝒖𝒏 𝑷𝒓𝒆𝒅𝒊𝒌𝒔𝒊
2. Penyusunan model prediksi kondisi jalan (IRI) untuk penanganan jalan
nasional pada ruas jalan Pakah Temangkar Tuban, Provinsi Jawa Timur
dengan Model Regresi Kondisi Jalan (IRI) Terkait Lalu lintas harian
rata-rata tahunan (LHR) dengan R2 =0.11 yaitu :
∆𝑰𝑹𝑰 = 𝟏. 𝟎𝟏 + 𝟎. 𝟎𝟎𝟎𝟐𝒙 𝑳𝑯𝑹
3. Hasil Prediksi beban lalu lintas harian rata-rata tahunan (LHR) untuk
tahun 2018 sebesar 7585.78, hasil prediksi LHR tahun 2019 sebesar
10715.19 dan hasil prediksi LHR tahun 2020 sebesar 15135.61.
4. Penyusunan rekomendasi penanganan jalan Nasional sesuai dengan
hasil prediksi kondisi jalan (IRI) terkait logaritma LHR Truk Berat 2
Sumbu 4 Roda terdiri dari :
a. Hasil Prediksi (IRI) pada tahun 2018 = 9 >Prediksi IRI >12 maka
penanganan jalan rehabilitasi minor, rehabilitasi mayor dan
rekonstruksi.

82
 b. Hasil Prediksi (IRI) terkait pada tahun 2019 = 10> Prediksi IRI
>12 maka penanganan jalan rehabilitasi minor dan rekonstruksi.
c. Hasil Prediksi (IRI) pada tahun 2020 = Prediksi IRI > 12 maka
penanganan jalan rekonstruksi.
Hasil Prediksi Kondisi Jalan (IRI) Terkait LHR Untuk Tahun 2018, Tahun
2019 dan Tahun 2020 mempunyai margin of error sebesar 65% dan
mayoritas nilai kondisi jalan (IRI)>12 yang artinya membutuhkan
penanganan jalan rekonstruksi.

5.2 Saran
Beberapa saran yang dapat diberikan dari hasil penelitian ini adalah:
1. Keakuratan prediksi kondisi jalan IRI untuk penanganan jalan nasional
pada penelitian selanjutnya sebaiknya membahas pengaruh variabel
kondisi tanah dasar, drainase dan variabel LHR beragam variasi
kendaraan yang melewati ruas jalan nasional sehingga menjadi acuan
konkret implementasi penyusunan program penanganan jalan Nasional.
2. Dibutuhkan perhitungan denda yang signifikan untuk penelitian
selanjutnya akibat beban overload kendaraan sebagai biaya kompensasi
penanganan jalan yang mahal.

83
 DAFTAR PUSTAKA

Agah,Heddy, Rarasati, Ayomi, 2010. Pemeliharaan Dan Perbaikan Konstruksi

Jalan Lentur, Pertama. ed. Yayasan Badan Penerbit Pekerjaan Umum
PT.Mediatama Saptakarya, Jakarta.
Al-Haddad, A.H.A., Al-Haydari, I.S.J., 2018. Modeling of Flexible Pavement
Serviceability Based on the Fuzzy Logic Theory. J. Transp. Eng. Part B
Pavements 144, 04018017. https://doi.org/10.1061/JPEODX.0000026
Basuki, Tri Agus, Prawoto, Nano, 2016. Analisis Regresi Dalam Penelitian
Ekonomi &Bisnis (Dilengkapi Aplikasi SPSS & Eviews), Pertama. ed.
Rajawali Press, Depok.
Budianto, H., 2017. Manajemen Aset Infrastruktur Pemeliharaan Jalan.
Cahyaningrum, E., 2014. Pemodelan Estimasi Kerusakan Perkerasan Jalan (Studi
Kasus Ruas Jalan Nasional Di Wilayah Kerja Ppk 3,Satker PJN Wilayah
Propinsi DIY). Program Pascasarjana Fakultas Teknik Universitas Gadjah
Mada Yogyakarta.
Elka, V.A., Lulie, Y., 2012. Model Biaya Pemeliharaan Rutin Terhadap Kerusakan
Jalan Pada Jalan Arteri Utara-Barat Yogyakarta. KoNTekS 6 10.
Fariza, A., 2013. Confidence Interval Mata Kuliah Statistika PENS Surabaya.
Freund, R.J., J.Wilson, W., Sa, P., 2006. Regression Analysis Statistical Modelling
of a Response, Second. ed. Elsevier, USA.
Hamdi, Hadiwardoyo, S.P., Correia, A.G., Pereira, P., 2017. Pavement
Maintenance Optimization Strategies for National Road Network in
Indonesia Applying Genetic Algorithm. Procedia Eng. 210, 253–260.
https://doi.org/10.1016/j.proeng.2017.11.074
Haris, M., 2016. Model Prediksi Anggaran Biaya Pemeliharaan Jalan Provinsi di
Kabupaten Pamekasan. J. Rekayasa Tenik Sipil Univ. Madura 1.
Hutauruk, Andi.G., 2015. Analisis Prediksi Kondisi Perkerasan Jalan Dengan
Pendekatan HDM-4. Teknik Sipil ITS, Surabaya.
Ishak, A., 2010. Manajemen Operasi. Graha Ilmu.
Kementerian Pekerjaan Umum dan Perumahan Rakyat, 2016. Buku Pintar Kegiatan
Preservasi Jalan.
84
Kementerian Pekerjaan Umum dan Perumahan Rakyat, 2015. Rencana Strategis
Kementerian Pekerjaan Umum Dan Perumahan Rakyat.
Kementerian Pekerjaan Umum dan Perumahan Rakyat, B.M., 2017. Manual
Perkerasan Jalan.
Kementerian Pekerjaan Umum dan Perumahan Rakyat, B.V., 2019. Laporan Satuan
Kerja Pelaksanaan Jalan Wilayah IV Jawa Timur.
Kementerian Pekerjaan Umum dan Perumahan Rakyat, P., 2017. Prinsip Umum
Ketidakrataan Jalan.
Kementerian Pekerjaan Umum, K.P.U., 2011. Peraturan Menteri Pekerjaan Umum
Nomor : 13 /PRT/M/2011 Tentang Tata Cara Pemeliharaan Dan Penilikan
Jalan.
Kim, N., Kim, S.-H., 2006. Development of performance prediction models in
flexible pavement using regression analysis method. KSCE J. Civ. Eng. 10,
6.
Kothari, C.R., 2004. Research And Methodology Methods And Techniques,
Second Revised Edition. ed. New Age International Publishers, India.
Kuncoro, Mudrajad, 2001. Metode Kuantitatif : Teori Dan Aplikasi Untuk Bisnis
dan Ekonomi, Edisi Pertama, Cetakan Pertama. ed. Unit Penerbit Dan
Percetakan AMP YKPN, Yogyakarta.
Markridakis, S., C. Wheelwright, S., E.McGee, V., 1988. Metode Dan Aplikasi
Peramalan, Kedua. ed. Erlangga.
Menteri Pekerjaan Umum Dan Perumahan Rakyat, 2018. Peraturan Menteri
Pekerjaan Umum Dan Perumahan Rakyat Nomor 05/PRT/M/2018 Tentang
Penetapan Kelas Jalan Berdasarkan Fungsi Dan Intensitas Lalu Lintas Serta
Daya Dukung Menerima Muatan Sumbu Terberat Dan Dimensi Kendaraan
Bermotor.
Moazami, D., Behbahani, H., Muniandy, R., 2011. Pavement Rehabilitation And
Maintenance Prioritization Of Urban Roads Using Fuzzy Logic. Expert
Syst. Appl. 38, 12869–12879. https://doi.org/10.1016/j.eswa.2011.04.079
Republik Indonesia, 2004. Undang-Undang Republik Indonesia Nomor 38 Tahun
2004 Tentang Jalan.

85
Shatz, H.J., Constant, L., Perez-Arce, F., Robinson, E., Beckman, R., Huang, H.,
Glick, P., Dastidar, B.G., 2015. Appendix B Methodology. Improving the
Mongolian Labor Market and Enhancing Opportunities for Youth .
Suherman, S., 2009. Reliability Analysis Of Pavement Performance Prediction.
Media Tek. Sipil IX, 20–24.
Suprayitno, H., Ratnasari, V., 2017. Reflexion on Linear Regression Trip
Production Modelling Method for Ensuring Good Model Quality, in: AIP
Publishing. Presented at the the 3rd International Conference on
Construction and Building Engineering (ICONBUILD) 2017, Palembang,
Indonesia, pp. 060013-1-060013–10. https://doi.org/10.1063/1.5011567
Suprayitno, H., Saraswati, N., Fajrina, C.P., 2016. Developing A Method For
Measuring The Quality Of A Sample Based Trip Length Distribution For
Urban Trip. Rekayasa Tek. Sipil 03, 252–258.

86
 BIOGRAFI PENULIS

Dessy Isyana Sunaryati, Magister Teknik dari Fakultas

Teknologi Elektro, Departemen Teknik Elektro, Institut
Teknologi Sepuluh Nopember, Bidang Telematika-
Pengelola Teknologi Informasi dan Komunikasi
Pemerintahan (PETIK 2017) adalah penerima beasiswa
program pascasarjana dari Kementerian Komunikasi dan
Informatika Republik Indonesia dan penerima beasiswa
short course web design di New Delhi dari Pemerintah India pada tahun 2011.
Lahir di Jakarta pada tanggal 12 Oktober 1982, anak pertama dari dua bersaudara
dan mempunyai saudara laki-laki yaitu Ahmad Satrio Swasono, S.Kom, status
menikah dengan Prima Priangga, S.E, M.MT, dikarunai seorang putra yaitu Genta
Yusuf Dirgantara. Penulis bekerja di Direktorat Jenderal Bina Marga, Kementerian
Pekerjaan Umum dan Perumahan Rakyat dan mempunyai hobi membaca buku-
buku religi islam,psikologi, teknologi informasi dan komunikasi dan buku tentang
jalan, menulis serta berdarmawisata domestik maupun ke luar negeri. Penulis dapat
dihubungi pada email : dessyisyanas@gmail.com

Latar Belakang Pendidikan

1. S1 : Teknik Informatika , Universitas Trisakti Jakarta
2. SMA : SMUN 46 Jakarta
3. SMP : SMPN 11 Jakarta
4. SD : SDN 05 Pagi Jakarta

87
 LAMPIRAN

Lampiran 1
a. Model 1 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan ∆ IRI

Tahun IRI S1 IRI S2 LHR Truk Berat (X) ∆ IRI (Y)

2014 2.26 4.62 1299.00 2.36
4.80 4.98 1299.00 0.18
3.26 5.35 1299.00 2.09
5.35 8.07 1299.00 2.72
4.98 5.89 1299.00 0.91
3.26 4.44 1299.00 1.18
5.07 5.80 1299.00 0.73
5.07 6.17 1299.00 1.10
4.07 5.07 1299.00 1.00
4.80 5.17 1299.00 0.37
4.80 5.07 1299.00 0.27
3.35 4.53 1299.00 1.18
4.71 5.35 1299.00 0.64
2015 1.89 4.26 8526.00 2.37
1.08 4.98 8526.00 3.90
2.49 3.53 8526.00 1.04
1.71 4.26 8526.00 2.55
1.28 4.35 8526.00 3.07
1.10 3.35 8526.00 2.25
0.88 4.62 8526.00 3.74
1.41 4.25 8526.00 2.84
2.19 4.16 8526.00 1.97
1.04 4.89 8526.00 3.85
1.97 3.80 8526.00 1.83
2.50 4.16 8526.00 1.66
2.53 4.71 8526.00 2.18
1.85 4.07 8526.00 2.22
0.96 2.44 8526.00 1.48
1.52 3.35 8526.00 1.83
1.46 3.44 8526.00 1.98
2.10 3.71 8526.00 1.61
1.19 2.98 8526.00 1.79
1.44 2.44 8526.00 1.00
2.61 3.07 8526.00 0.46
1.30 7.35 8526.00 6.05

88
Tahun IRI S1 IRI S2 LHR Truk Berat (X) ∆ IRI (Y)

2015 2.10 4.26 8526.00 2.16

1.37 2.80 8526.00 1.43
2.56 3.62 8526.00 1.06
1.12 4.44 8526.00 3.32
1.20 7.44 8526.00 6.24
1.62 5.53 8526.00 3.91
1.24 2.98 8526.00 1.74
1.39 4.62 8526.00 3.23
1.99 2.62 8526.00 0.63
2.13 3.35 8526.00 1.22
1.04 2.53 8526.00 1.49
1.36 2.89 8526.00 1.53
1.49 3.62 8526.00 2.13
0.86 5.89 8526.00 5.03
2.42 3.35 8526.00 0.93
1.43 2.80 8526.00 1.37
1.47 3.71 8526.00 2.24
1.01 3.26 8526.00 2.25
1.04 5.98 8526.00 4.94
1.89 5.44 8526.00 3.55
2.40 3.44 8526.00 1.04
2.54 6.35 8526.00 3.81
1.53 6.89 8526.00 5.36
4.18 5.62 8526.00 1.44
1.69 5.44 8526.00 3.75
2.89 3.35 8526.00 0.46
1.83 5.53 8526.00 3.70
1.70 4.53 8526.00 2.83
2.05 4.71 8526.00 2.66
1.15 3.26 8526.00 2.11
1.99 5.71 8526.00 3.72
1.95 7.35 8526.00 5.40
3.85 9.44 8526.00 5.59
3.39 7.26 8526.00 3.87
2.43 5.07 8526.00 2.64
5.78 6.35 8526.00 0.57
4.50 9.62 8526.00 5.12
5.23 7.53 8526.00 2.30
2.66 5.62 8526.00 2.96
1.78 3.17 8526.00 1.39

89
 Tahun IRI S1 IRI S2 LHR Truk Berat (X) ∆ IRI (Y)
2015 1.24 3.53 8526.00 2.29
3.40 4.62 8526.00 1.22
2.40 6.71 8526.00 4.31
1.94 4.71 8526.00 2.77
2.11 6.71 8526.00 4.60
2.48 5.71 8526.00 3.23
1.31 4.71 8526.00 3.40
1.83 3.07 8526.00 1.24
2.19 6.07 8526.00 3.88
2.60 3.71 8526.00 1.11
6.26 7.07 8526.00 0.81
2.35 6.71 8526.00 4.36
4.65 6.44 8526.00 1.79
3.90 5.98 8526.00 2.08
1.88 5.98 8526.00 4.10
2.64 5.71 8526.00 3.07
2.98 6.89 8526.00 3.91
2.79 4.71 8526.00 1.92
2.01 4.62 8526.00 2.61
3.18 4.62 8526.00 1.44
3.71 4.26 8526.00 0.55
2.75 3.62 8526.00 0.87
2016 2.44 4.26 8526.00 1.82
2.17 3.80 8526.00 1.63
2.53 3.98 8526.00 1.45
4.53 5.98 8526.00 1.45
3.71 4.80 8526.00 1.09
4.16 5.44 8526.00 1.28
1.89 2.98 8526.00 1.09
3.80 4.35 8526.00 0.55
4.71 5.16 8526.00 0.45
2017 5.16 6.71 4110.00 1.55
4.89 5.98 4110.00 1.09
6.71 10.07 4110.00 3.36
6.89 8.26 4110.00 1.37
9.44 10.16 4110.00 0.72
6.26 7.07 4110.00 0.81
6.26 7.53 4110.00 1.27
8.80 12.80 4110.00 4.00
9.07 11.07 4110.00 2.00

90
 Tahun IRI S1 IRI S2 LHR Truk Berat (X) ∆ IRI (Y)
2017 4.89 6.98 4110.00 2.09
7.98 9.62 4110.00 1.64
6.80 9.89 4110.00 3.09
7.26 8.16 4110.00 0.90
4.89 5.44 4110.00 0.55
5.71 6.89 4110.00 1.18
6.07 7.07 4110.00 1.00
6.53 8.71 4110.00 2.18
4.89 7.98 4110.00 3.09
4.16 6.44 4110.00 2.28
7.80 8.53 4110.00 0.73
4.80 8.62 4110.00 3.82
4.71 5.71 4110.00 1.00
8.16 10.53 4110.00 2.37
11.26 14.98 4110.00 3.72
7.53 8.89 4110.00 1.36
4.26 5.98 4110.00 1.72
4.16 5.07 4110.00 0.91
2.98 4.80 4110.00 1.82
6.62 7.07 4110.00 0.45
7.07 8.26 4110.00 1.19
8.98 9.71 4110.00 0.73
5.44 6.62 4110.00 1.18
5.62 6.53 4110.00 0.91
5.89 9.16 4110.00 3.27
10.07 11.16 4110.00 1.09
6.62 8.26 4110.00 1.64
5.07 5.89 4110.00 0.82
9.16 11.07 4110.00 1.91
6.80 9.80 4110.00 3.00
8.62 9.26 4110.00 0.64
11.98 13.35 4110.00 1.37
9.16 10.16 4110.00 1.00
9.89 11.71 4110.00 1.82
10.16 11.44 4110.00 1.28
8.07 11.26 4110.00 3.19
4.80 6.71 4110.00 1.91
7.80 9.80 4110.00 2.00
9.35 11.07 4110.00 1.72
6.71 7.71 4110.00 1.00

91
 Tahun IRI S1 IRI S2 LHR Truk Berat (X) ∆ IRI (Y)
2017 5.80 6.80 4110.00 1.00
4.35 7.07 4110.00 2.72
12.16 13.98 4110.00 1.82
6.98 11.35 4110.00 4.37
13.07 14.71 4110.00 1.64
8.44 9.71 4110.00 1.27
11.07 11.98 4110.00 0.91
10.07 12.80 4110.00 2.73
10.44 13.07 4110.00 2.63
9.98 10.35 4110.00 0.37

92
 Lampiran 2
b. Model 2 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan Log ∆ IRI

Tahun IRI IRI LHR Truk Berat ∆ IRI Normalisasi

S1 S2 (X) LOG ∆ IRI (Y)

2014 2.26 4.62 1299.00 2.36 0.37

3.26 5.35 1299.00 2.09 0.32
5.35 8.07 1299.00 2.72 0.43
3.26 4.44 1299.00 1.18 0.07
5.07 6.17 1299.00 1.10 0.04
3.35 4.53 1299.00 1.18 0.07
2015 1.89 4.26 8526.00 2.37 0.37
1.08 4.98 8526.00 3.90 0.59
2.49 3.53 8526.00 1.04 0.02
1.71 4.26 8526.00 2.55 0.41
1.28 4.35 8526.00 3.07 0.49
1.10 3.35 8526.00 2.25 0.35
0.88 4.62 8526.00 3.74 0.57
1.41 4.25 8526.00 2.84 0.45
2.19 4.16 8526.00 1.97 0.29
1.04 4.89 8526.00 3.85 0.59
1.97 3.80 8526.00 1.83 0.26
2.50 4.16 8526.00 1.66 0.22
2.53 4.71 8526.00 2.18 0.34
1.85 4.07 8526.00 2.22 0.35
0.96 2.44 8526.00 1.48 0.17
1.52 3.35 8526.00 1.83 0.26
2015 1.46 3.44 8526.00 1.98 0.3
2.10 3.71 8526.00 1.61 0.21
1.19 2.98 8526.00 1.79 0.25
1.30 7.35 8526.00 6.05 0.78
2.10 4.26 8526.00 2.16 0.33
1.37 2.80 8526.00 1.43 0.16
2.56 3.62 8526.00 1.06 0.03
1.12 4.44 8526.00 3.32 0.52
1.20 7.44 8526.00 6.24 0.8
1.62 5.53 8526.00 3.91 0.59
1.24 2.98 8526.00 1.74 0.24
1.39 4.62 8526.00 3.23 0.51
2.13 3.35 8526.00 1.22 0.09
1.04 2.53 8526.00 1.49 0.17

93
Tahun IRI IRI LHR Truk Berat ∆ IRI Normalisasi
S1 S2 (X) LOG ∆ IRI (Y)

1.36 2.89 8526.00 1.53 0.18

1.49 3.62 8526.00 2.13 0.33
0.86 5.89 8526.00 5.03 0.7
1.43 2.80 8526.00 1.37 0.14
1.47 3.71 8526.00 2.24 0.35
1.01 3.26 8526.00 2.25 0.35
1.04 5.98 8526.00 4.94 0.69
1.89 5.44 8526.00 3.55 0.55
2.40 3.44 8526.00 1.04 0.02
2.54 6.35 8526.00 3.81 0.58
1.53 6.89 8526.00 5.36 0.73
4.18 5.62 8526.00 1.44 0.16
1.69 5.44 8526.00 3.75 0.57
1.83 5.53 8526.00 3.70 0.57
1.70 4.53 8526.00 2.83 0.45
2.05 4.71 8526.00 2.66 0.42
1.15 3.26 8526.00 2.11 0.32
1.99 5.71 8526.00 3.72 0.57
1.95 7.35 8526.00 5.40 0.73
3.85 9.44 8526.00 5.59 0.75
3.39 7.26 8526.00 3.87 0.59
2.43 5.07 8526.00 2.64 0.42
4.50 9.62 8526.00 5.12 0.71
5.23 7.53 8526.00 2.30 0.36
2.66 5.62 8526.00 2.96 0.47
2015 1.78 3.17 8526.00 1.39 0.14
1.24 3.53 8526.00 2.29 0.36
3.40 4.62 8526.00 1.22 0.09
2.40 6.71 8526.00 4.31 0.63
1.94 4.71 8526.00 2.77 0.44
2.11 6.71 8526.00 4.60 0.66
2.48 5.71 8526.00 3.23 0.51
1.31 4.71 8526.00 3.40 0.53
1.83 3.07 8526.00 1.24 0.09
2.19 6.07 8526.00 3.88 0.59
2.60 3.71 8526.00 1.11 0.05
2.35 6.71 8526.00 4.36 0.64
4.65 6.44 8526.00 1.79 0.25
3.90 5.98 8526.00 2.08 0.32

94
Tahun IRI IRI LHR Truk Berat ∆ IRI Normalisasi
S1 S2 (X) LOG ∆ IRI (Y)

1.88 5.98 8526.00 4.10 0.61

2.64 5.71 8526.00 3.07 0.49
2.98 6.89 8526.00 3.91 0.59
2.79 4.71 8526.00 1.92 0.28
2.01 4.62 8526.00 2.61 0.42
3.18 4.62 8526.00 1.44 0.16
2016 2.44 4.26 8526.00 1.82 0.26
2.17 3.80 8526.00 1.63 0.21
2.53 3.98 8526.00 1.45 0.16
4.53 5.98 8526.00 1.45 0.16
3.71 4.80 8526.00 1.09 0.04
4.16 5.44 8526.00 1.28 0.11
1.89 2.98 8526.00 1.09 0.04
3.80 4.35 8526.00 0.55
4.71 5.16 8526.00 0.45
2017 5.16 6.71 4110.00 1.55 0.19
4.89 5.98 4110.00 1.09 0.04
6.71 10.07 4110.00 3.36 0.53
6.89 8.26 4110.00 1.37 0.14
9.44 10.16 4110.00 0.72
6.26 7.07 4110.00 0.81
6.26 7.53 4110.00 1.27 0.1
8.80 12.80 4110.00 4.00 0.6
9.07 11.07 4110.00 2.00 0.3
4.89 6.98 4110.00 2.09 0.32
7.98 9.62 4110.00 1.64 0.21
6.80 9.89 4110.00 3.09 0.49
7.26 8.16 4110.00 0.90
4.89 5.44 4110.00 0.55
5.71 6.89 4110.00 1.18 0.07
6.07 7.07 4110.00 1.00
6.53 8.71 4110.00 2.18 0.34
4.89 7.98 4110.00 3.09 0.49
4.16 6.44 4110.00 2.28 0.36
7.80 8.53 4110.00 0.73
4.80 8.62 4110.00 3.82 0.58
4.71 5.71 4110.00 1.00
8.16 10.53 4110.00 2.37 0.37
11.26 14.98 4110.00 3.72 0.57

95
Tahun IRI IRI LHR Truk Berat ∆ IRI Normalisasi
S1 S2 (X) LOG ∆ IRI (Y)

7.53 8.89 4110.00 1.36 0.13

4.26 5.98 4110.00 1.72 0.24
4.16 5.07 4110.00 0.91
2.98 4.80 4110.00 1.82 0.26
6.62 7.07 4110.00 0.45
7.07 8.26 4110.00 1.19 0.08
8.98 9.71 4110.00 0.73
5.44 6.62 4110.00 1.18 0.07
5.62 6.53 4110.00 0.91
5.89 9.16 4110.00 3.27 0.51
10.07 11.16 4110.00 1.09 0.04
6.62 8.26 4110.00 1.64 0.21
5.07 5.89 4110.00 0.82
9.16 11.07 4110.00 1.91 0.28
6.80 9.80 4110.00 3.00 0.48
8.62 9.26 4110.00 0.64
11.98 13.35 4110.00 1.37 0.14
9.16 10.16 4110.00 1.00
9.89 11.71 4110.00 1.82 0.26
10.16 11.44 4110.00 1.28 0.11
8.07 11.26 4110.00 3.19 0.5
4.80 6.71 4110.00 1.91 0.28
7.80 9.80 4110.00 2.00 0.3
9.35 11.07 4110.00 1.72 0.24
6.71 7.71 4110.00 1.00
5.80 6.80 4110.00 1.00
4.35 7.07 4110.00 2.72 0.43
12.16 13.98 4110.00 1.82 0.26
6.98 11.35 4110.00 4.37 0.64
2017
13.07 14.71 4110.00 1.64 0.21
8.44 9.71 4110.00 1.27 0.1
11.07 11.98 4110.00 0.91
10.07 12.80 4110.00 2.73 0.44
10.44 13.07 4110.00 2.63 0.42
9.98 10.35 4110.00 0.37

96
 Lampiran 3
c. Model 3 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan Log LHR
Tahun IRI IRI LHR ∆ IRI (Y) Log LHR Truk
S1 S2 Truk Berat (X)
Berat
2014 2.26 4.62 1299.00 2.36 3.11
4.80 4.98 1299.00 0.18 3.11
3.26 5.35 1299.00 2.09 3.11
5.35 8.07 1299.00 2.72 3.11
4.98 5.89 1299.00 0.91 3.11
3.26 4.44 1299.00 1.18 3.11
5.07 5.80 1299.00 0.73 3.11
5.07 6.17 1299.00 1.10 3.11
4.07 5.07 1299.00 1.00 3.11
4.80 5.17 1299.00 0.37 3.11
4.80 5.07 1299.00 0.27 3.11
3.35 4.53 1299.00 1.18 3.11
4.71 5.35 1299.00 0.64 3.11
2015 1.89 4.26 8526.00 2.37 3.93
1.08 4.98 8526.00 3.90 3.93
2.49 3.53 8526.00 1.04 3.93
1.71 4.26 8526.00 2.55 3.93
1.28 4.35 8526.00 3.07 3.93
1.10 3.35 8526.00 2.25 3.93
0.88 4.62 8526.00 3.74 3.93
1.41 4.25 8526.00 2.84 3.93
2.19 4.16 8526.00 1.97 3.93

1.04 4.89 8526.00 3.85 3.93

97
 Tahun IRI IRI LHR ∆ IRI (Y) Log LHR Truk
S1 S2 Truk Berat (X)
Berat
2015 1.97 3.80 8526.00 1.83 3.93
2.50 4.16 8526.00 1.66 3.93
2.53 4.71 8526.00 2.18 3.93
1.85 4.07 8526.00 2.22 3.93
0.96 2.44 8526.00 1.48 3.93
1.52 3.35 8526.00 1.83 3.93
1.46 3.44 8526.00 1.98 3.93
2.10 3.71 8526.00 1.61 3.93
1.19 2.98 8526.00 1.79 3.93
1.44 2.44 8526.00 1.00 3.93
2.61 3.07 8526.00 0.46 3.93
1.30 7.35 8526.00 6.05 3.93
2.10 4.26 8526.00 2.16 3.93
1.37 2.80 8526.00 1.43 3.93
2.56 3.62 8526.00 1.06 3.93
1.12 4.44 8526.00 3.32 3.93
1.20 7.44 8526.00 6.24 3.93
1.62 5.53 8526.00 3.91 3.93
1.24 2.98 8526.00 1.74 3.93
1.39 4.62 8526.00 3.23 3.93
1.99 2.62 8526.00 0.63 3.93
2.13 3.35 8526.00 1.22 3.93
1.04 2.53 8526.00 1.49 3.93
1.36 2.89 8526.00 1.53 3.93
1.49 3.62 8526.00 2.13 3.93

98
 Tahun IRI IRI LHR ∆ IRI (Y) Log LHR Truk
S1 S2 Truk Berat (X)
Berat
2015 0.86 5.89 8526.00 5.03 3.93
2.42 3.35 8526.00 0.93 3.93
1.43 2.80 8526.00 1.37 3.93
1.47 3.71 8526.00 2.24 3.93
1.01 3.26 8526.00 2.25 3.93
1.04 5.98 8526.00 4.94 3.93
1.89 5.44 8526.00 3.55 3.93
2.40 3.44 8526.00 1.04 3.93
2.54 6.35 8526.00 3.81 3.93
1.53 6.89 8526.00 5.36 3.93
4.18 5.62 8526.00 1.44 3.93
1.69 5.44 8526.00 3.75 3.93
2.89 3.35 8526.00 0.46 3.93
1.83 5.53 8526.00 3.70 3.93
1.70 4.53 8526.00 2.83 3.93
2.05 4.71 8526.00 2.66 3.93
1.15 3.26 8526.00 2.11 3.93
1.99 5.71 8526.00 3.72 3.93
1.95 7.35 8526.00 5.40 3.93
3.85 9.44 8526.00 5.59 3.93
3.39 7.26 8526.00 3.87 3.93
2.43 5.07 8526.00 2.64 3.93
5.78 6.35 8526.00 0.57 3.93
4.50 9.62 8526.00 5.12 3.93
5.23 7.53 8526.00 2.30 3.93

99
 Tahun IRI IRI LHR ∆ IRI (Y) Log LHR Truk
S1 S2 Truk Berat (X)
Berat
2015 2.66 5.62 8526.00 2.96 3.93
1.78 3.17 8526.00 1.39 3.93
1.24 3.53 8526.00 2.29 3.93
3.40 4.62 8526.00 1.22 3.93
2.40 6.71 8526.00 4.31 3.93
1.94 4.71 8526.00 2.77 3.93
2.11 6.71 8526.00 4.60 3.93
2.48 5.71 8526.00 3.23 3.93
1.31 4.71 8526.00 3.40 3.93
1.83 3.07 8526.00 1.24 3.93
2.19 6.07 8526.00 3.88 3.93
2.60 3.71 8526.00 1.11 3.93
6.26 7.07 8526.00 0.81 3.93
2.35 6.71 8526.00 4.36 3.93
4.65 6.44 8526.00 1.79 3.93
3.90 5.98 8526.00 2.08 3.93
1.88 5.98 8526.00 4.10 3.93
2.64 5.71 8526.00 3.07 3.93
2.98 6.89 8526.00 3.91 3.93
2.79 4.71 8526.00 1.92 3.93
2.01 4.62 8526.00 2.61 3.93
3.18 4.62 8526.00 1.44 3.93
3.71 4.26 8526.00 0.55 3.93
2.75 3.62 8526.00 0.87 3.93

100
 Tahun IRI IRI LHR ∆ IRI (Y) Log LHR Truk
S1 S2 Truk Berat (X)
Berat
2016 2.44 4.26 8526.00 1.82 3.93
2.17 3.80 8526.00 1.63 3.93
2.53 3.98 8526.00 1.45 3.93
4.53 5.98 8526.00 1.45 3.93
3.71 4.80 8526.00 1.09 3.93
4.16 5.44 8526.00 1.28 3.93
1.89 2.98 8526.00 1.09 3.93
3.80 4.35 8526.00 0.55 3.93
4.71 5.16 8526.00 0.45 3.93
2017 4.89 5.98 4110.00 1.09 3.61
6.71 10.07 4110.00 3.36 3.61
6.89 8.26 4110.00 1.37 3.61
9.44 10.16 4110.00 0.72 3.61
6.26 7.07 4110.00 0.81 3.61
6.26 7.53 4110.00 1.27 3.61
8.80 12.80 4110.00 4.00 3.61
9.07 11.07 4110.00 2.00 3.61
4.89 6.98 4110.00 2.09 3.61
7.98 9.62 4110.00 1.64 3.61
6.80 9.89 4110.00 3.09 3.61
7.26 8.16 4110.00 0.90 3.61
4.89 5.44 4110.00 0.55 3.61
5.71 6.89 4110.00 1.18 3.61
6.07 7.07 4110.00 1.00 3.61
6.53 8.71 4110.00 2.18 3.61
4.89 7.98 4110.00 3.09 3.61

101
 Tahun IRI IRI LHR ∆ IRI (Y) Log LHR Truk
S1 S2 Truk Berat (X)
Berat
2017 4.16 6.44 4110.00 2.28 3.61
7.80 8.53 4110.00 0.73 3.61
4.80 8.62 4110.00 3.82 3.61
4.71 5.71 4110.00 1.00 3.61
8.16 10.53 4110.00 2.37 3.61
11.26 14.98 4110.00 3.72 3.61
7.53 8.89 4110.00 1.36 3.61
4.26 5.98 4110.00 1.72 3.61
4.16 5.07 4110.00 0.91 3.61
2.98 4.80 4110.00 1.82 3.61
6.62 7.07 4110.00 0.45 3.61
7.07 8.26 4110.00 1.19 3.61
8.98 9.71 4110.00 0.73 3.61
5.44 6.62 4110.00 1.18 3.61
5.62 6.53 4110.00 0.91 3.61
5.89 9.16 4110.00 3.27 3.61
10.07 11.16 4110.00 1.09 3.61
6.62 8.26 4110.00 1.64 3.61
5.07 5.89 4110.00 0.82 3.61
9.16 11.07 4110.00 1.91 3.61
6.80 9.80 4110.00 3.00 3.61
8.62 9.26 4110.00 0.64 3.61
11.98 13.35 4110.00 1.37 3.61
9.16 10.16 4110.00 1.00 3.61
9.89 11.71 4110.00 1.82 3.61

102
 Tahun IRI IRI LHR ∆ IRI (Y) Log LHR Truk
S1 S2 Truk Berat (X)
Berat
2017 10.16 11.44 4110.00 1.28 3.61
8.07 11.26 4110.00 3.19 3.61
4.80 6.71 4110.00 1.91 3.61
7.80 9.80 4110.00 2.00 3.61
9.35 11.07 4110.00 1.72 3.61
6.71 7.71 4110.00 1.00 3.61
5.80 6.80 4110.00 1.00 3.61
4.35 7.07 4110.00 2.72 3.61
12.16 13.98 4110.00 1.82 3.61
6.98 11.35 4110.00 4.37 3.61
13.07 14.71 4110.00 1.64 3.61
8.44 9.71 4110.00 1.27 3.61
11.07 11.98 4110.00 0.91 3.61
10.07 12.80 4110.00 2.73 3.61
10.44 13.07 4110.00 2.63 3.61
9.98 10.35 4110.00 0.37 3.61

103
 Lampiran 4
d. Model 4 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan Log ∆ IRI
dan Log LHR
Tahun IRI IRI LHR Truk ∆ IRI Normalisasi Log LHR
S1 S2 Berat (X) LOG ∆ IRI Truk Berat
(Y) (X)

2014 2.26 4.62 1299.00 2.36 0.37 3.11

4.80 4.98 1299.00 0.18 3.11
3.26 5.35 1299.00 2.09 0.32 3.11
5.35 8.07 1299.00 2.72 0.43 3.11
4.98 5.89 1299.00 0.91 3.11
3.26 4.44 1299.00 1.18 0.07 3.11
5.07 5.80 1299.00 0.73 3.11
5.07 6.17 1299.00 1.10 0.04 3.11
4.07 5.07 1299.00 1.00 3.11
4.80 5.17 1299.00 0.37 3.11
4.80 5.07 1299.00 0.27 3.11
3.35 4.53 1299.00 1.18 0.07 3.11
4.71 5.35 1299.00 0.64 3.11
2015 1.89 4.26 8526.00 2.37 0.37 3.93
1.08 4.98 8526.00 3.90 0.59 3.93
2.49 3.53 8526.00 1.04 0.02 3.93
1.71 4.26 8526.00 2.55 0.41 3.93
1.28 4.35 8526.00 3.07 0.49 3.93
1.10 3.35 8526.00 2.25 0.35 3.93
0.88 4.62 8526.00 3.74 0.57 3.93
1.41 4.25 8526.00 2.84 0.45 3.93
2.19 4.16 8526.00 1.97 0.29 3.93
1.04 4.89 8526.00 3.85 0.59 3.93
1.97 3.80 8526.00 1.83 0.26 3.93
2.50 4.16 8526.00 1.66 0.22 3.93
2.53 4.71 8526.00 2.18 0.34 3.93
1.85 4.07 8526.00 2.22 0.35 3.93
0.96 2.44 8526.00 1.48 0.17 3.93
1.52 3.35 8526.00 1.83 0.26 3.93
1.46 3.44 8526.00 1.98 0.3 3.93
2.10 3.71 8526.00 1.61 0.21 3.93
1.19 2.98 8526.00 1.79 0.25 3.93
1.44 2.44 8526.00 1.00 3.93
2.61 3.07 8526.00 0.46 3.93

104
Tahun IRI IRI LHR Truk ∆ IRI Normalisasi Log LHR
S1 S2 Berat (X) LOG ∆ IRI Truk Berat
(Y) (X)

2015 1.30 7.35 8526.00 6.05 0.78 3.93

2.10 4.26 8526.00 2.16 0.33 3.93
1.37 2.80 8526.00 1.43 0.16 3.93
2.56 3.62 8526.00 1.06 0.03 3.93
1.12 4.44 8526.00 3.32 0.52 3.93
1.20 7.44 8526.00 6.24 0.8 3.93
1.62 5.53 8526.00 3.91 0.59 3.93
1.24 2.98 8526.00 1.74 0.24 3.93
1.39 4.62 8526.00 3.23 0.51 3.93
1.99 2.62 8526.00 0.63 3.93
2.13 3.35 8526.00 1.22 0.09 3.93
1.04 2.53 8526.00 1.49 0.17 3.93
1.36 2.89 8526.00 1.53 0.18 3.93
1.49 3.62 8526.00 2.13 0.33 3.93
0.86 5.89 8526.00 5.03 0.7 3.93
2.42 3.35 8526.00 0.93 3.93
1.43 2.80 8526.00 1.37 0.14 3.93
1.47 3.71 8526.00 2.24 0.35 3.93
1.01 3.26 8526.00 2.25 0.35 3.93
1.04 5.98 8526.00 4.94 0.69 3.93
1.89 5.44 8526.00 3.55 0.55 3.93
2.40 3.44 8526.00 1.04 0.02 3.93
2.54 6.35 8526.00 3.81 0.58 3.93
1.53 6.89 8526.00 5.36 0.73 3.93
4.18 5.62 8526.00 1.44 0.16 3.93
1.69 5.44 8526.00 3.75 0.57 3.93
2.89 3.35 8526.00 0.46 3.93
1.83 5.53 8526.00 3.70 0.57 3.93
1.70 4.53 8526.00 2.83 0.45 3.93
2.05 4.71 8526.00 2.66 0.42 3.93
1.15 3.26 8526.00 2.11 0.32 3.93
1.99 5.71 8526.00 3.72 0.57 3.93
1.95 7.35 8526.00 5.40 0.73 3.93
3.85 9.44 8526.00 5.59 0.75 3.93
3.39 7.26 8526.00 3.87 0.59 3.93
2.43 5.07 8526.00 2.64 0.42 3.93
5.78 6.35 8526.00 0.57 3.93
4.50 9.62 8526.00 5.12 0.71 3.93

105
Tahun IRI IRI LHR Truk ∆ IRI Normalisasi Log LHR
S1 S2 Berat (X) LOG ∆ IRI Truk Berat
(Y) (X)

2015 5.23 7.53 8526.00 2.30 0.36 3.93

2.66 5.62 8526.00 2.96 0.47 3.93
1.78 3.17 8526.00 1.39 0.14 3.93
1.24 3.53 8526.00 2.29 0.36 3.93
3.40 4.62 8526.00 1.22 0.09 3.93
2.40 6.71 8526.00 4.31 0.63 3.93
1.94 4.71 8526.00 2.77 0.44 3.93
2.11 6.71 8526.00 4.60 0.66 3.93
2.48 5.71 8526.00 3.23 0.51 3.93
1.31 4.71 8526.00 3.40 0.53 3.93
1.83 3.07 8526.00 1.24 0.09 3.93
2.19 6.07 8526.00 3.88 0.59 3.93
2.60 3.71 8526.00 1.11 0.05 3.93
6.26 7.07 8526.00 0.81 3.93
2.35 6.71 8526.00 4.36 0.64 3.93
4.65 6.44 8526.00 1.79 0.25 3.93
3.90 5.98 8526.00 2.08 0.32 3.93
1.88 5.98 8526.00 4.10 0.61 3.93
2.64 5.71 8526.00 3.07 0.49 3.93
2.98 6.89 8526.00 3.91 0.59 3.93
2.79 4.71 8526.00 1.92 0.28 3.93
2.01 4.62 8526.00 2.61 0.42 3.93
3.18 4.62 8526.00 1.44 0.16 3.93
3.71 4.26 8526.00 0.55 3.93
2.75 3.62 8526.00 0.87 3.93
2016 2.44 4.26 8526.00 1.82 0.26 3.93
2.17 3.80 8526.00 1.63 0.21 3.93
2.53 3.98 8526.00 1.45 0.16 3.93
4.53 5.98 8526.00 1.45 0.16 3.93
3.71 4.80 8526.00 1.09 0.04 3.93
4.16 5.44 8526.00 1.28 0.11 3.93
1.89 2.98 8526.00 1.09 0.04 3.93
3.80 4.35 8526.00 0.55 3.93
4.71 5.16 8526.00 0.45 3.93
2017 5.16 6.71 4110.00 1.55 0.19 3.61
4.89 5.98 4110.00 1.09 0.04 3.61
6.71 10.07 4110.00 3.36 0.53 3.61
6.89 8.26 4110.00 1.37 0.14 3.61

106
Tahun IRI IRI LHR Truk ∆ IRI Normalisasi Log LHR
S1 S2 Berat (X) LOG ∆ IRI Truk Berat
(Y) (X)

2017 9.44 10.16 4110.00 0.72 3.61

6.26 7.07 4110.00 0.81 3.61
6.26 7.53 4110.00 1.27 0.1 3.61
8.80 12.80 4110.00 4.00 0.6 3.61
9.07 11.07 4110.00 2.00 0.3 3.61
4.89 6.98 4110.00 2.09 0.32 3.61
7.98 9.62 4110.00 1.64 0.21 3.61
6.80 9.89 4110.00 3.09 0.49 3.61
7.26 8.16 4110.00 0.90 3.61
4.89 5.44 4110.00 0.55 3.61
5.71 6.89 4110.00 1.18 0.07 3.61
6.07 7.07 4110.00 1.00 3.61
6.53 8.71 4110.00 2.18 0.34 3.61
4.89 7.98 4110.00 3.09 0.49 3.61
4.16 6.44 4110.00 2.28 0.36 3.61
7.80 8.53 4110.00 0.73 3.61
4.80 8.62 4110.00 3.82 0.58 3.61
4.71 5.71 4110.00 1.00 3.61
8.16 10.53 4110.00 2.37 0.37 3.61
11.26 14.98 4110.00 3.72 0.57 3.61
7.53 8.89 4110.00 1.36 0.13 3.61
4.26 5.98 4110.00 1.72 0.24 3.61
4.16 5.07 4110.00 0.91 3.61
2.98 4.80 4110.00 1.82 0.26 3.61
6.62 7.07 4110.00 0.45 3.61
7.07 8.26 4110.00 1.19 0.08 3.61
8.98 9.71 4110.00 0.73 3.61
5.44 6.62 4110.00 1.18 0.07 3.61
5.62 6.53 4110.00 0.91 3.61
5.89 9.16 4110.00 3.27 0.51 3.61
10.07 11.16 4110.00 1.09 0.04 3.61
6.62 8.26 4110.00 1.64 0.21 3.61
5.07 5.89 4110.00 0.82 3.61
9.16 11.07 4110.00 1.91 0.28 3.61
6.80 9.80 4110.00 3.00 0.48 3.61
8.62 9.26 4110.00 0.64 3.61
11.98 13.35 4110.00 1.37 0.14 3.61
9.16 10.16 4110.00 1.00 3.61

107
Tahun IRI IRI LHR Truk ∆ IRI Normalisasi Log LHR
S1 S2 Berat (X) LOG ∆ IRI Truk Berat
(Y) (X)

2017 9.89 11.71 4110.00 1.82 0.26 3.61

10.16 11.44 4110.00 1.28 0.11 3.61
8.07 11.26 4110.00 3.19 0.5 3.61
4.80 6.71 4110.00 1.91 0.28 3.61
7.80 9.80 4110.00 2.00 0.3 3.61
9.35 11.07 4110.00 1.72 0.24 3.61
6.71 7.71 4110.00 1.00 3.61
5.80 6.80 4110.00 1.00 3.61
4.35 7.07 4110.00 2.72 0.43 3.61
12.16 13.98 4110.00 1.82 0.26 3.61
6.98 11.35 4110.00 4.37 0.64 3.61
13.07 14.71 4110.00 1.64 0.21 3.61
8.44 9.71 4110.00 1.27 0.1 3.61
11.07 11.98 4110.00 0.91 3.61
10.07 12.80 4110.00 2.73 0.44 3.61
10.44 13.07 4110.00 2.63 0.42 3.61
9.98 10.35 4110.00 0.37 3.61

108
 Lampiran 5

a. Surat Permohonan Data Penelitian Tesis Direktur Pengembangan Jaringan

Jalan Kementerian Pekerjaan Umum Dan Perumahan Rakyat

109
b. Surat Permohonan Data Penelitian Tesis Kepala Balai Besar Pelaksanaan Jalan
Nasional VIII Surabaya, Kementerian Pekerjaan Umum Dan Perumahan
Rakyat

110
c. Surat Permohonan Data Penelitian Tesis Kepala Satuan Kerja P2JN Provinsi
Jawa Timur, Kementerian Pekerjaan Umum Dan Perumahan Rakyat

111