TUGAS MATA KULIAH

SISTEM TRANSPORTASI

Oleh :
Nama : Ahmad Hafidz Muzakki
NPM : 01.2016.1.05106

JURUSAN TEKNIK SIPIL

INSTITUT TEKNOLOGI ADHI TAMA SURABAYA
2019
0
Galat dalam pemodelan dan peramalan
Prosedur statistik biasanya digunakan dalam pemodelan kebutuhan akan transportasi
dengan mengasumsikan bahwa bukan saja fungsi spesifikasi dalam pemodelan tersebut yang
dianggap benar, tetapi juga data yang digunakan untuk menaksir parameter model dianggap tidak
mempunyai galat apa pun. Dalam prakteknya, kondisi seperti ini tidak mungkin terjadi.

Pertama, bagaimanapun baiknya model yang kita buat, keluarannya hanya akan bisa
mendekati realita; tidak akan pernah persis sama dengan realita. Kedua, data yang digunakan tidak
pernah luput dari galat yang bisa terjadi pada setiap tahapan proses pengumpulannya yang akan
diterangkan secara rinci pada subbab berikut. Selain itu, keluarannya juga selalu mengandung galat
karena ketidaktepatan dalam menentukan nilai yang diasumsikan sebagai peubah pada waktu
tahun dasar.

Tujuan akhir suatu pemodelan adalah peramalan; hal penting yang harus diperhatikan oleh
para perencana transportasi adalah mencari kombinasi yang baik antara kompleksitas model
dengan ketepatan data yang akan menghasilkan keluaran peramalan yang nantinya diharapkan
sesuai dengan kenyataan. Untuk mencapai hal ini, sangatlah penting membahas beberapa jenis
galat, yaitu:

• jenis galat yang dapat menyebabkan suatu model yang sudah baik menghasilkan keluaran
peramalan yang tidak akurat; misalnya galat dalam menentukan peubah, galat ketika proses
transfer dan pengelompokan;

• jenis galat yang dapat menyebabkan suatu model menjadi tidak benar; misalnya galat yang
diakibatkan oleh proses pengambilan sampel, proses spesifikasi model, dan pengukuran.

Pada subbab berikut ini diberikan penjelasan tentang jenis galat, termasuk dampaknya.
Kemudian, dijelaskan pula cara memilih, tingkat kompleksitas model atau ketepatan data yang
dikumpulkan agar dihasilkan keluaran yang akurat. Sangatlah mustahil kalau kita berharap
mendapatkan keluaran dengan ketepatan tinggi dari model yang kita yakini selalu mengandung
galat serta data yang juga mempunyai jenis galatnya sendiri. Jenis galat berikut ini akan terjadi
pada saat kita melakukan proses pembentukan, pengkalibrasian, dan peramalan model.

1. Galat pengukuran
Galat ini terjadi karena ketidaktepatan dalam proses menentukan data pada tahun dasar, seperti
galat pada saat mencatat hasil wawancara, galat karena salah menafsirkan jawaban responden,
galat akibat penggunaan alat yang tidak sesuai dengan prosedur manualnya, galat dalam proses
kodefikasi jaringan, digitasi, dan lain-lain.

1
Jenis galat ini cenderung lebih tinggi di negara berkembang karena rendahnya kualitas sumber
daya manusia. Akan tetapi, hal tersebut dapat dikurangi dengan meningkatkan usaha untuk
mendapatkan data dengan ketepatan yang lebih tinggi (misalnya dengan menggunakan komputer
atau menambah sumber daya manusia untuk mengontrol kualitas data, tetapi kedua hal ini
membutuhkan biaya cukup besar). Di negara berkembang memang kita selalu dihadapkan pada
keterbatasan waktu dan biaya. Beberapa hal yang dapat dilakukan untuk mengurangi galat
pengukuran adalah:
• meningkatkan kualitas sumber daya manusia pencacah;
• mengadakan pelatihan singkat bagi tenaga pencacah mengenai survei yang akan dilakukan;

• menyusun kuesioner yang baik, termasuk penjelasan singkat mengenai cara mengumpulkan
data, mengajukan pertanyaan, menafsirkan dan mencatat jawaban;
• selalu melakukan kalibrasi ulang secara periodik bagi alat ukur yang akan digunakan;
• selalu menggunakan alat ukur yang sesuai dengan manual atau buku petunjuk penggunaannya.

2. Galat sampel
Jenis galat ini timbul karena model harus dikalibrasi dengan seperangkat data (terukur). Galat
sampel berbanding terbalik dengan akar jumlah pengamatan yang dibutuhkan (untuk mengurangi
galat menjadi separuhnya dibutuhkan ukuran sampel 4 kali lebih banyak); untuk mengurangi jenis
galat ini pasti dibutuhkan biaya yang cukup besar. Sebaiknya kita harus dapat mengumpulkan
seluruh data yang ada (100% sampel). Tetapi, karena berbagai faktor, khususnya keterbatasan
biaya dan praktek di lapangan, kita terpaksa hanya mengumpulkan sebagian data saja (sampel).

Apa arti besar sampel 20%? Artinya, kita hanya mengumpulkan data sebanyak 20% dari jumlah
data yang ada. Setelah informasi perilaku sampel sebanyak 20% populasi kita dapatkan, dianggap
80% populasi lainnya mempunyai perilaku yang sama dengan perilaku 20% populasi (hal ini tentu
tidak benar). Hal ini lebih diperparah lagi karena informasi yang kita dapatkan dari sampel 20%
populasi tersebut belum tentu benar karena mungkin masih mengandung beberapa jenis galat yang
akan diterangkan berikut ini. Daganzo (1980) mempelajari cara menentukan ukuran sampel yang
sesuai dengan tingkat ketepatan yang diinginkan.

3. Galat perhitungan
Jenis galat ini timbul karena model biasanya dikalibrasi dengan proses pengulangan; solusi
akhir yang benar tidak akan pernah didapatkan karena alasan biaya komputasi (untuk itu jumlah
pengulangan terpaksa harus dibatasi). Jenis galat ini lebih kecil dari jenis galat lain, kecuali pada
kasus seperti prosedur pembebanan arus lalu lintas di jaringan yang macet atau pada penentuan

2
titik keseimbangan antara kebutuhan dan sediaan dari suatu sistem yang sangat besar dan kompleks
(lihat Estraus, 1989). Akan tetapi, dengan perkembangan teknologi komputer belakangan ini yang
sangat pesat (komputer berkecepatan sangat tinggi dengan kapasitas memori sangat besar bisa
didapat dengan biaya terjangkau), galat perhitungan bisa ditekan serendah mungkin.

4. Galat spesifikasi
Jenis galat ini timbul karena fenomena hal yang akan kita modelkan tidak diketahui dan
dimengerti dengan baik atau karena permasalahan tersebut terpaksa harus disederhanakan karena
alasan tertentu. Jenis galat ini dapat dipecahkan menjadi beberapa jenis galat lainnya yaitu:

• penggunaan peubah bebas yang tidak relevan atau yang tidak mempunyai korelasi dengan
keluaran (peubah tidak bebas) yang diharapkan. Jenis galat ini mungkin tidak menjadi
permasalahan pada model linear, tetapi akan menjadi masalah jika kita menggunakan model tidak-
linear (lihat Tardiff, 1979);
• galat karena tidak memasukkan peubah bebas yang relevan. Kasus inilah yang paling sering
terjadi. Hal ini sangat perlu diperhatikan pada saat awal kita membentuk model − kita harus
mengerti dahulu peubah bebas apa saja yang paling dominan serta mempunyai korelasi yang tinggi
dengan keluaran model (peubah tidak bebas). Dalam hal ini, uji korelasi selalu harus dilakukan
antara peubah bebas dengan peubah tidak bebas. Sebenarnya, model tersebut mengandung satu
komponen konstanta yang dapat mengakomodasikan atau menampung semua jenis galat yang ada.

• penggunaan model yang kurang tepat, misalnya model linear untuk menerangkan sesuatu pada
suatu kondisi yang seharusnya dijelaskan dengan model tidak-linear. Kupasan yang sangat baik
yang menerangkan jenis galat ini dapat dilihat pada William and Ortuzar (1982a).

Jenis galat ini sebenarnya dapat dikurangi dengan meningkatkan kompleksitas model tersebut;
akan tetapi, total biaya yang dibutuhkan akan menjadi sangat sulit ditentukan karena proses ini
menyangkut proses kalibrasi dan seterusnya dan mungkin saja menimbulkan jenis galat lain yang
sangat mahal penanganannya dan mustahil dihilangkan.

5. Galat transfer
Jenis galat ini timbul jika suatu model yang telah dikembangkan pada daerah atau lokasi
tertentu akan diterapkan pada tempat lain yang jelas berbeda permasalahannya serta situasi dan
kondisinya, walaupun beberapa pembenahan telah dilakukan dalam proses transfer tersebut.
Dalam kasus transfer dalam ruang, galat dapat dikurangi dengan melakukan kalibrasi kembali
model tersebut dengan menggunakan data (bisa sebagian atau seluruhnya) dari daerah yang baru.
Akan tetapi, dalam kasus transfer sementara (misalnya untuk peramalan) yang tidak mungkin kita
kalibrasi dengan data pada masa mendatang, maka galat ini terpaksa harus kita terima saja, yang
nantinya akan ditampung dalam bentuk konstanta.

3
 6. Galat pengelompokan
Jenis galat ini timbul pada saat kita ingin memodel bukan saja pada tingkat agregat tetapi juga
pada tingkat yang lebih rendah untuk dapat mengerti perilaku setiap individu dibandingkan dengan
perilaku kelompok individu. Jenis galat ini dapat dipecahkan menjadi beberapa jenis galat lain
berikut ini.

a. Pengelompokan data Dalam beberapa kajian, data yang digunakan untuk menjelaskan
perilaku setiap individu sering digabungkan menjadi data kelompok individu. Contohnya,
dalam model jaringan selalu terjadi 104 Ofyar Z Tamin, Perencanaan dan pemodelan
transportasi pengelompokan, baik pada rute, waktu pemberangkatan, dan zona. Ini berarti
nilai yang kita gunakan sebagai peubah bebas merupakan nilai rata-rata perilaku beberapa
individu, sedangkan yang kita harapkan adalah perilaku setiap individu, bukan kelompok
individu. Setiap model yang menggunakan data agregat tidak akan pernah luput dari jenis
galat ini (lihat Daly and Ortuzar, 1990). Jenis galat ini dapat dikurangi dengan menambah
data, misalnya membuat zona, rute, kategori sosio-ekonomi yang lebih banyak, yang
membutuhkan biaya dan waktu tambahan.

b. Pengelompokan alternatif Sekali lagi, karena pertimbangan praktis, tidak dimungkinkan

mendapatkan data yang lengkap dari setiap pengguna. Hal ini membuat para perencana
menarik asumsi dengan menentukan alternatif data yang paling dominan, paling mudah
didapat, atau yang biaya pengumpulannya yang paling rendah.

c. Pengelompokan model Hal ini sering membuat permasalahan bagi para perencana. Data
agregat seperti arus pada suatu ruas jalan adalah keluaran yang umum dalam perencanaan
transportasi. Akan tetapi, model untuk mendapatkannya selalu mengandung galat
pengelompokan yang tidak mungkin dihilangkan begitu saja.