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
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)
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)
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
xi
Halaman ini sengaja dikosongkan
xii
DAFTAR ISI
ABSTRACT ........................................................................................................... ix
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
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
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
xix
Halaman ini sengaja dikosongkan
xx
DAFTAR NOMENKLATUR
xxi
Halaman ini sengaja dikosongkan
xxii
BAB 1
PENDAHULUAN
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.
1.3 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.
1.5 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
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).
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).
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).
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.
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) :
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
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
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.
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
1-4 Baik
4-8 Sedang
17
(Sumber : Peraturan Menteri Pekerjaan Umum Nomor 13/PRT/M/2011)
18
Gambar 2.6 Pakah Temangkar Km. 100
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
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
21
Pemeliharaan Preventif Pelapisan aspal tipis, termasuk diantaranya fog
Merupakan pemeliharaan seal, chip seal, slurry seal, micro seal, dan SAMI.
yang dilakukan pada ruas
jalan terdampak cuaca / lalu
lintas mengalami kerusakan
meluas.
Rehabilitasi Minor • Pelapisan ulang (overlay)
Merupakan pemeliharaan yang • Perbaikan bahu jalan
dilakukan pada ruas jalan • Pengasaran permukaan
dalam kondisi rusak ringan • Pengisian celah/retak permukaan
• Perbaikan bangunan pelengkap
• Penggantian perlengkapan jalan yang hilang
Rehabilitasi Major • Pelapisan ulang
Dilakukan pada ruas jalan yang • Perbaikan bahu jalan
dalam kondisi rusak ringan dan • Perbaikan bangunan pelengkap
ruas jalan yang semula ditangani • Penggantian perlengkapan jalan
melalui pemeliharaan rutin • Penambalan lubang
namun karena suatu sebab • Penanganan tanggap darurat
mengalami kerusakan yang • Pekerjaan galian/timbunan
tidak diperhitungkan berakibat • Penyiapan tanah dasar
menurunnya kondisi menjadi • Pekerjaan struktur perkerasan
kondisi rusak ringan • Perbaikan/pembuatan drainase
• Pemarkaan
• Pengkerikilan kembali untuk jalan tanpa penutup
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.
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)
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
6000
4110
4000 R² = 0.094
2000
1299
0
2014 2014.5 2015 2015.5 2016 2016.5 2017
TAHUN (X)
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
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):
= 𝛴(𝑌 − 𝑌̂)2
𝑙
Nilai R2 adalah nol dan satu, apabila nilai R² yang kecil mempunyai arti
kemampuan variabel-variabel bebas dalam menjelaskan variasi variabel terikat
amat terbatas.
27
metode transformasi variabel yaitu (Kuncoro, Mudrajad, 2001):
1. Logaritma
2. Akar Kudrat
3. Kuadrat
4. Resiprokal (hiperbola)
𝑝𝑥(1−𝑝)
𝑀𝐸 = 𝑧95 𝑥 √ (2.9)
𝑛
Dimana :
ME = Margin Of Error
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.
30
Metodologi penelitian merupakan tahapan proses penelitian yang
digunakan dijelaskan dalam gambar 3.1:
Pemilihan Koef.
Determinasi
(R2 ) Model Regresi LHR
Yang Tertinggi
Analisa Bentuk
Fungsional Model
Regresi Kondisi Jalan IRI
Terkait LHR
Pemilihan Koef.
Determinasi
(R2 ) Model Regresi
Kondisi Jalan IRI Terkait
LHR
Yang Tertinggi
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
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
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.
= 𝛴(𝑌 − 𝑌̂)2
𝑙
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.
= 𝛴(𝑌 − 𝑌̂)2
𝑙
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
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.
4.2 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.
40
Tabel 4.1 Data Prediksi IRI Dan LHR
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.
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)
Gambar 4.1 Model Regresi Linier LHR Truk Berat 2 Sumbu 4 Roda
46
nilai Lalu Lintas Harian Rata-rata Tahunan (LHR) yang dikonversi menjadi nilai
Log LHR Truk Berat 2 Sumbu 4 Roda.
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
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 :
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 .
4.00
R² = 0.1129
3.00
2.00
1.00
0.00
0 2000 4000 6000 8000 10000
LHR (X)
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 .
0.60
0.50
0.40
0.30
0.20
0.10
0.00
0 2000 4000 6000 8000 10000
LHR (X)
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 .
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)
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)
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
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
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.
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
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
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
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
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
(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
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
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
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
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
66
DATA IRI S1 2018 Prediksi LOG LHR Prediksi LHR 2018 ∆ IRI 2018 IRI S2 2018 Penanganan Jalan
KE- i Truk Berat 2018 2018
67
DATA IRI S1 2018 Prediksi LOG LHR Prediksi LHR 2018 ∆ IRI 2018 IRI S2 2018 Penanganan Jalan
KE- i Truk Berat 2018 2018
68
DATA IRI S1 2018 Prediksi LOG LHR Prediksi LHR 2018 ∆ IRI 2018 IRI S2 2018 Penanganan Jalan
KE- i Truk Berat 2018 2018
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
70
DATA IRI S1 2019 Prediksi LOG Prediksi LHR Truk ∆ IRI 2019 IRI S2 2019 Penanganan Jalan
KE- i LHR 2019 Berat 2019 2019
71
DATA IRI S1 2019 Prediksi LOG Prediksi LHR Truk ∆ IRI 2019 IRI S2 2019 Penanganan Jalan
KE- i LHR 2019 Berat 2019 2019
72
DATA IRI S1 2019 Prediksi LOG Prediksi LHR Truk ∆ IRI 2019 IRI S2 2019 Penanganan Jalan
KE- i LHR 2019 Berat 2019 2019
73
DATA IRI S1 2019 Prediksi LOG Prediksi LHR Truk ∆ IRI 2019 IRI S2 2019 Penanganan Jalan
KE- i LHR 2019 Berat 2019 2019
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
75
DATA IRI S1 Prediksi Log Prediksi LHR ∆ IRI 2020 IRI S2 2020 Penanganan Jalan
KE- i 2020 LHR 2020 Truk Berat 2020 2020
76
DATA IRI S1 Prediksi Log Prediksi LHR ∆ IRI 2020 IRI S2 2020 Penanganan Jalan
KE- i 2020 LHR 2020 Truk Berat 2020 2020
77
DATA IRI S1 Prediksi Log Prediksi LHR ∆ IRI 2020 IRI S2 2020 Penanganan Jalan
KE- i 2020 LHR 2020 Truk Berat 2020 2020
78
DATA IRI S1 Prediksi Log Prediksi LHR ∆ IRI 2020 IRI S2 2020 Penanganan Jalan
KE- i 2020 LHR 2020 Truk Berat 2020 2020
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
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
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
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
87
LAMPIRAN
Lampiran 1
a. Model 1 Perhitungan Model Prediksi Kondisi Jalan IRI Dengan ∆ IRI
88
Tahun IRI S1 IRI S2 LHR Truk Berat (X) ∆ IRI (Y)
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
93
Tahun IRI IRI LHR Truk Berat ∆ IRI Normalisasi
S1 S2 (X) LOG ∆ IRI (Y)
94
Tahun IRI IRI LHR Truk Berat ∆ IRI Normalisasi
S1 S2 (X) LOG ∆ IRI (Y)
95
Tahun IRI IRI LHR Truk Berat ∆ IRI Normalisasi
S1 S2 (X) LOG ∆ IRI (Y)
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
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)
104
Tahun IRI IRI LHR Truk ∆ IRI Normalisasi Log LHR
S1 S2 Berat (X) LOG ∆ IRI Truk Berat
(Y) (X)
105
Tahun IRI IRI LHR Truk ∆ IRI Normalisasi Log LHR
S1 S2 Berat (X) LOG ∆ IRI Truk Berat
(Y) (X)
106
Tahun IRI IRI LHR Truk ∆ IRI Normalisasi Log LHR
S1 S2 Berat (X) LOG ∆ IRI Truk Berat
(Y) (X)
107
Tahun IRI IRI LHR Truk ∆ IRI Normalisasi Log LHR
S1 S2 Berat (X) LOG ∆ IRI Truk Berat
(Y) (X)
108
Lampiran 5
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