ERP Abid
ERP Abid
ERP Abid
Kota besar merupakan magnet bagi semua etnis di provinsi tersebut sehinggga
mengalami pertumbuhan penduduk yang cukup signifikan karena urbanisasi. Kondisi angkutan
umum masal tentu saja tidak mampu memberikan pelayanan prima bagi masyarakat, selain
dikarenakan tingkah laku pengemudi dan pengusaha angkutan umum para pengguna
angkutan umum juga tidak tertib. Hal tersebut menjadi alasan mengapa sebagian besar
masyarakat membeli kendaraan pribadi ditambah lagi prestis atau martabat merupakan hal
yang utama bagi masyarakat perkotaan sehingga masyarakat medan menjadi target pasar
yang potensial bagi distributor kendaraan pribadi. Jumlah penduduk yang tinggi ini sudah pasti
menimbulkan pergerakan yang tinggi pula dapat terlihat dari jumlah berbagai jenis kendaraan
yang terdaftar di berbagai kantor samsat. Kemacetan tentu saja tidak bisa dihindari di berbagai
perkotaan, meledaknya jumlah kendaraan pribadi dan prilaku pengemudi kendaraan umum
maupun pribadi yang rendah menjadi penyebab utama kemacetan lalu lintas dan angkutan
umum dan pabila diterapkan ERP (Electronic Road Pricing).
Maksud dari kajian ini adalah untuk mengkaji kemungkinan penerapan dan kesiapan
Pemerintah Kota dalam penerapan ERP. Tujuan dari kajian ini adalah tersusunnya suatu kajian
kemungkinan penerapan ERP. ERP dapat menjadi pilihan solusi yang tepat guna mengurangi
volume kendaraan di perkotaan. Namun penerapan ERP harus didukung dengan dukungan
ketersediaan angkutan umum yang memadai sebagai pengganti angkutan pribadi. Oleh karena
itu, kajian ini penting dilakukan untuk melihat sejauh mana kesiapan pemerintah dalam
rencana penerapan ERP.
A. Electronic Road Pricing (ERP)
1. Definisi Electronic Road Pricing (ERP)
Electronic Road Pricing (ERP) adalah penerapan jalan berbayar berbasis
elektronik. Keunggulannya, memudahkan proses pembayaran dan memungkinkan
diterapkannya tarif yang berbeda-beda sesuai kondisi kemacetan lalu lintas. ERP
bertujuan untuk menurunkan tingkat kemacetan di ruas jalan tertentu. Sistem ini
mampu secara otomatis berfungsi seperti gerbang tol tampa harus menurunkan atau
menghentikan kecepatan kendaraan yang akan melalui jalan dengan sistem ERP
seperti yang terjadi di jalan tol. Sistem ERP yang dikelolah dengan mekanisme yang
baik dapat menekan pengguna kendaraan pribadi hingga minimal dan mengarahkan
pengguna kendaraan pribadi untuk beralih dan memanfaatkan angkutan umum.
(Christiarini, Dessy,2011).
Sistem ERP memakai monitor Electronic dan On-board unit pada kendaraan sehingga
bisa terdeteksi ketika memasuki daerah-daerah ERP.(Goh,2002) kendaraan pribadi
dapat dikenakan biaya jika melewati suatu area atau koridor yang macet pada waktu
tertentu. Pengguna kendaraan pribadi pada akhirnya harus menentukan apakah akan
meneruskan perjalanannya melewati area itu dengan membayar estimasi biaya yang
telah ditentukan saat itu, atau mencari jalur lain, bisa juga mencari alternatif dengan
mengunakan moda transportasi lain yang diijinkan untuk melewati area tersebut.
Menurut Papageorgiou dalam Hal (2003), transportasi selalu menjadi aspek penting
dari peradaban manusia,tetapi fenomena kemacetan lalu lintas telah menjadi dominan
karena peningkatan pesat jumlah kendaraan dan permintaan transportasi. Terjadinya
kemacetan lalu lintas karena terlalu banyak kendaraan sedangkan untuk menggunakan
transportasi. Dalam kasus yang buruk, kemacetan lalu lintas mengarah pada
berkurangnya keamanan, dan peningkatan polusi udara.
Pada pengerjaan Tugas Akhir ini dibutuhkan suatu metodologi penyelesaian guna
menjelaskan tahap – tahap dari pengerjaan yang akan dilakukan selama Tugas Akhir
ini. Bahasan pada bab metodologi ini akan menjelaskan mengenai langkah-langkah
yang akan dilakukan selama penulisan Tugas Akhir. dimulai dari pekerjaan awal hingga
pekerjaan akhir dari penelitian tersebut.
Formulir Survei
Teknik yang dilakukan untuk mendapatkan salah satu data primer dalam penelitian ini
adalah dengan wawancara menggunakan teknik stated preference. Contoh formulir
survei dapat dilihat pada gambar dibawah ini.
X X X1 X X X X X2 X3 Y
Pengisian Berkenan Membayar
Pengisian Bensin
No Kendaraan Berapa kali melewati ruas Pendapatan Bensin dalam 1 Berkenan Pindah AU Berkenan pindah AU jika Tarif ERP
ERP?
Biaya dalam 1 bulan Biaya
tersebut? (dalam 1 minggu) bulan (full)
Mobil Motor < 5 jt > 5 jt (full) motor ya tidak 70,000 50,000 30,000 Bersedia/tidak
mobil
1 1 2 2,105,014 2,105,014 - 3 160,650 160,650 1 0 1 1 0
2 2 2 5,837,948 5,837,948 2 918,000 - 918,000 0 0 1 1 1
3 1 4 2,774,849 2,774,849 - 4 214,200 214,200 1 0 0 0 1
4 1 3 3,796,923 3,796,923 - 3 160,650 160,650 1 0 1 1 0
5 2 2 5,791,300 5,791,300 2 918,000 - 918,000 1 0 1 1 0
6 2 2 5,987,616 5,987,616 2 918,000 - 918,000 0 0 1 1 1
7 1 4 3,350,508 3,350,508 - 3 160,650 160,650 1 0 1 1 0
8 2 7 7,485,203 7,485,203 4 1,836,000 - 1,836,000 0 1 1 1 0
9 1 2 2,535,898 2,535,898 - 2 107,100 107,100 1 0 0 1 1
10 1 2 2,409,824 2,409,824 - 2 107,100 107,100 1 0 0 1 1
11 2 2 6,681,563 6,681,563 2 918,000 - 918,000 1 1 1 1 1
12 2 2 5,075,741 5,075,741 2 918,000 - 918,000 0 0 1 1 0
13 2 6 6,242,520 6,242,520 4 1,836,000 - 1,836,000 0 1 1 1 0
14 2 2 9,000,000 9,000,000 1 459,000 - 459,000 1 1 1 1 0
15 2 4 6,967,378 6,967,378 2 918,000 - 918,000 1 0 1 1 0
16 1 6 3,518,935 3,518,935 - 4 214,200 214,200 1 0 0 1 0
17 2 3 5,448,418 5,448,418 2 918,000 - 918,000 0 0 1 1 0
18 2 6 6,071,665 6,071,665 4 1,836,000 - 1,836,000 1 0 1 1 1
19 2 3 6,896,710 6,896,710 1 459,000 - 459,000 0 0 1 1 1
20 2 7 9,800,000 9,800,000 3 1,377,000 - 1,377,000 0 1 0 0 1
21 1 7 4,219,295 4,219,295 - 5 267,750 267,750 1 0 0 1 0
22 1 5 3,653,236 3,653,236 - 4 214,200 214,200 1 0 0 1 0
23 2 5 7,977,509 7,977,509 3 1,377,000 - 1,377,000 0 0 1 1 1
24 1 6 4,245,871 4,245,871 - 4 214,200 214,200 1 0 0 1 0
25 2 6 7,667,227 7,667,227 3 1,377,000 - 1,377,000 0 1 1 1 0
26 2 7 5,203,618 5,203,618 3 1,377,000 - 1,377,000 0 0 1 1 0
27 1 6 3,924,669 3,924,669 - 5 267,750 267,750 1 0 0 1 0
28 1 4 3,845,788 3,845,788 - 5 267,750 267,750 0 0 0 1 0
29 2 2 12,000,000 12,000,000 1 459,000 - 459,000 0 1 0 0 1
30 1 5 3,784,313 3,784,313 - 3 160,650 160,650 1 0 0 1 0
31 1 2 4,737,864 4,737,864 - 3 160,650 160,650 1 0 0 1 0
32 1 5 3,319,081 3,319,081 - 2 107,100 107,100 1 0 0 1 0
33 1 2 4,087,485 4,087,485 - 2 107,100 107,100 1 0 0 1 0
34 1 7 2,565,263 2,565,263 - 4 214,200 214,200 0 0 0 1 0
35 2 2 6,495,974 6,495,974 1 459,000 - 459,000 0 0 1 1 0
36 2 2 6,538,046 6,538,046 1 459,000 - 459,000 0 0 0 0 1
37 1 7 4,724,474 4,724,474 - 4 214,200 214,200 0 0 0 1 1
38 2 2 6,206,747 6,206,747 1 459,000 - 459,000 0 0 1 1 0
39 2 7 6,213,964 6,213,964 4 1,836,000 - 1,836,000 0 0 1 1 0
40 1 2 3,680,907 3,680,907 - 4 214,200 214,200 1 0 1 1 0
41 1 2 4,456,158 4,456,158 - 5 267,750 267,750 1 0 0 1 1
42 1 4 3,556,822 3,556,822 - 4 214,200 214,200 0 0 0 1 1
43 1 3 2,616,129 2,616,129 - 4 214,200 214,200 1 0 0 1 0
44 2 3 5,972,440 5,972,440 1 459,000 - 459,000 0 1 1 1 0
45 2 2 7,976,991 7,976,991 1 459,000 - 459,000 0 0 1 1 0
46 1 2 4,812,220 4,812,220 - 2 107,100 107,100 0 0 0 1 0
47 1 4 4,878,738 4,878,738 - 2 107,100 107,100 0 0 0 1 1
48 1 2 4,067,727 4,067,727 - 2 107,100 107,100 1 0 0 1 0
49 2 5 7,634,393 7,634,393 2 918,000 - 918,000 1 1 1 1 1
50 1 2 1,924,668 1,924,668 - 3 160,650 160,650 1 0 0 1 0
51 2 3 7,070,672 7,070,672 1 459,000 - 459,000 0 0 1 1 1
52 1 4 4,542,670 4,542,670 - 3 160,650 160,650 1 0 0 1 1
53 2 4 6,418,070 6,418,070 2 918,000 - 918,000 1 0 1 1 0
54 1 2 3,592,741 3,592,741 - 2 107,100 107,100 0 0 0 1 1
55 2 5 5,402,418 5,402,418 3 1,377,000 - 1,377,000 0 0 0 1 1
56 2 5 7,131,702 7,131,702 3 1,377,000 - 1,377,000 1 1 1 1 0
57 1 3 4,371,695 4,371,695 - 3 160,650 160,650 0 0 0 1 1
58 1 5 3,535,800 3,535,800 - 3 160,650 160,650 1 0 0 1 0
59 1 6 4,983,706 4,983,706 - 3 160,650 160,650 1 0 0 1 1
60 2 4 7,792,687 7,792,687 3 1,377,000 - 1,377,000 0 0 1 1 1
61 2 7 6,422,974 6,422,974 4 1,836,000 - 1,836,000 0 0 1 1 1
62 1 3 2,324,960 2,324,960 - 3 160,650 160,650 1 0 0 1 0
63 2 2 6,930,377 6,930,377 2 918,000 - 918,000 0 0 1 1 0
64 2 4 5,473,272 5,473,272 2 918,000 - 918,000 0 0 0 1 1
65 2 6 7,414,721 7,414,721 3 1,377,000 - 1,377,000 0 0 1 1 0
66 2 4 7,452,386 7,452,386 2 918,000 - 918,000 1 1 1 1 0
67 1 6 4,327,317 4,327,317 - 2 107,100 107,100 0 0 0 1 0
68 2 2 7,142,568 7,142,568 2 918,000 - 918,000 0 0 1 1 0
69 2 6 7,214,771 7,214,771 3 1,377,000 - 1,377,000 0 0 1 1 1
70 1 5 4,033,917 4,033,917 - 3 160,650 160,650 0 0 0 1 0
71 1 6 4,024,488 4,024,488 - 4 214,200 214,200 0 0 0 1 1
72 2 2 6,203,620 6,203,620 1 459,000 - 459,000 0 0 1 1 0
73 1 4 3,532,896 3,532,896 - 3 160,650 160,650 0 0 0 1 0
74 1 6 3,106,392 3,106,392 - 4 214,200 214,200 0 0 0 1 0
75 2 7 6,487,834 6,487,834 4 1,836,000 - 1,836,000 0 1 1 1 1
76 2 2 5,833,417 5,833,417 2 918,000 - 918,000 0 0 0 1 1
77 1 4 3,356,718 3,356,718 - 5 267,750 267,750 0 0 0 1 0
78 2 3 5,267,375 5,267,375 1 459,000 - 459,000 1 0 0 1 0
79 1 3 3,307,059 3,307,059 - 4 214,200 214,200 1 0 0 1 0
80 1 4 1,927,246 1,927,246 - 5 267,750 267,750 1 0 1 1 0
81 2 6 6,496,599 6,496,599 4 1,836,000 - 1,836,000 0 0 1 1 0
82 2 4 9,000,000 9,000,000 2 918,000 - 918,000 0 1 0 0 1
83 1 6 3,440,729 3,440,729 - 5 267,750 267,750 0 0 0 1 0
84 1 2 3,749,928 3,749,928 - 5 267,750 267,750 1 0 0 1 1
85 1 7 2,442,595 2,442,595 - 5 267,750 267,750 0 0 0 1 0
86 1 7 2,343,792 2,343,792 - 4 214,200 214,200 0 0 0 1 0
87 1 2 1,703,860 1,703,860 - 3 160,650 160,650 0 0 0 0 0
88 2 5 7,432,915 7,432,915 2 918,000 - 918,000 0 1 1 1 1
89 1 7 3,780,104 3,780,104 - 5 267,750 267,750 0 0 0 1 0
90 1 2 4,395,090 4,395,090 - 2 107,100 107,100 1 0 0 1 1
91 1 4 4,170,969 4,170,969 - 1 53,550 53,550 0 0 0 0 1
92 2 2 6,079,936 6,079,936 2 918,000 - 918,000 1 1 1 1 0
93 1 4 4,218,789 4,218,789 - 5 267,750 267,750 0 0 0 1 1
94 1 7 3,509,417 3,509,417 - 4 214,200 214,200 0 0 0 1 0
95 1 4 1,609,665 1,609,665 - 4 214,200 214,200 0 0 0 0 0
96 2 5 9,500,000 9,500,000 2 918,000 - 918,000 0 1 1 1 0
97 1 2 3,623,994 3,623,994 - 2 107,100 107,100 1 0 0 1 0
98 1 4 2,236,217 2,236,217 - 2 107,100 107,100 1 0 0 1 0
99 2 3 6,683,604 6,683,604 2 918,000 - 918,000 1 0 1 1 0
100 1 2 3,213,210 3,213,210 - 2 107,100 107,100 1 0 0 1 1
Analisis Regresi Logit Biner
Analisis regresi logit biner merupakan analisis yang digunakan untuk mengetahui faktor-faktor
yang berpengaruh kepada responden tersebut untuk kesediaan melakukan perpindahan ke
moda lain dan untuk mengetahui besar presentasenya. Oleh Karena itu analisis regresi logit
biner digunakan dalam tugas akhir ini untuk mengetahui berapa presentase pengguna Jalan
Embong Malang dan Jalan Basuki Rahmat dalam kesediaanya berpindah ke moda baru yang
ditawarkan, yaitu berupa Surotram dan kesediaan melewati jalan berbayar (ERP) pada ruas
Jalan Embong Malang.
Iteration Historya,b,c,d
Coefficients
Iteration -2 Log likelihood Constant X1 X2 X3
Step 1 1 117.155 -1.446 .037 -1.185 -.507
2 115.331 -1.929 .056 -1.787 -.792
3 115.198 -2.037 .063 -1.987 -.945
4 115.197 -2.044 .063 -2.003 -.959
5 115.197 -2.044 .063 -2.003 -.959
a. Method: Enter
b. Constant is included in the model.
c. Initial -2 Log Likelihood: 131.791
d. Estimation terminated at iteration number 5 because parameter estimates changed
by less than .001.
Dari data statistik dengan metoode enter pada analisis regresi logi biner di dapatkan untuk
intial -2 Log Likelihood sebesar 131.791
Didapatkan kesimpulan dari data statistik regresi logit bener untuk nilai signifikan berdasarkan
Omnibus Test of Model Coefficients nilai signifikan terhadap variabel bebas dibawah 0.05 yang
artinya bahwa berdasarkan tingkat kepercayaan 95% variabel tersebut dikatakan layak.
Variables in the Equation
95% C.I.for EXP(B)
B S.E. Wald df Sig. Exp(B) Lower Upper
Step 1a X1 .063 .022 8.504 1 .004 1.065 1.021 1.111
X2 -2.003 .783 6.542 1 .011 .135 .029 .626
X3 -.959 .952 1.015 1 .314 .383 .059 2.475
Constant -2.044 1.151 3.153 1 .076 .129
a. Variable(s) entered on step 1: X1, X2, X3.
Hasil dari regresi logit biner menjelas untuk variabel yang berpengarauh yaitu X1 yang artinya pengaruh
pendapatan seseorang terhadap akan diterapkan nya ERP dengan nilai signifikansi sebesar 0.004 dan
variabel X2 yaitu keinginan pemilihan angkutan umum sebesar 0.011 jika di tentukan tarif ERP nya sebesar
Rp. 70,000. Selanjutnya dilakukan perhitungan dengan rumus regresi logit bener untuk masing masing
variabel dengan konstanta. Berikut ini adalah tabel perhitungan regresi logit biner.
DATA ENTRY SPSS Hasil
Perhitungan
Logit Biner
Y adanya x1 x2 x3
ERP pendapatan 50.000 30.000
0 21 1 1 0.02
1 58 0 0 0.84
1 28 0 0 0.43
0 38 1 1 0.07
0 58 1 1 0.21
1 60 1 1 0.23
0 34 1 1 0.05
0 75 1 1 0.43
1 25 0 1 0.20
1 24 0 1 0.19
1 67 1 1 0.31
0 51 1 1 0.14
0 62 1 1 0.26
0 90 1 1 0.66
0 70 1 1 0.35
0 35 0 1 0.31
0 54 0 1 0.61
1 61 1 1 0.24
1 69 1 1 0.34
1 98 0 0 0.98
0 42 0 1 0.42
0 37 0 1 0.33
1 80 1 1 0.51
0 42 0 1 0.42
0 77 1 1 0.46
0 52 1 1 0.15
0 39 0 1 0.37
0 38 0 1 0.36
1 120 0 0 1.00
0 38 0 1 0.35
0 47 0 1 0.50
0 33 0 1 0.29
0 41 0 1 0.40
0 26 0 1 0.20
0 65 1 1 0.29
1 65 0 0 0.89
1 47 0 1 0.50
0 62 1 1 0.25
0 62 1 1 0.25
0 37 1 1 0.06
1 45 0 1 0.45
1 36 0 1 0.32
0 26 0 1 0.21
0 60 1 1 0.23
0 80 1 1 0.51
0 48 0 1 0.51
1 49 0 1 0.52
0 41 0 1 0.39
1 76 1 1 0.45
0 19 0 1 0.14
1 71 1 1 0.37
1 45 0 1 0.47
0 64 1 1 0.28
1 36 0 1 0.32
1 54 0 1 0.60
0 71 1 1 0.38
1 44 0 1 0.44
0 35 0 1 0.32
1 50 0 1 0.54
1 78 1 1 0.48
1 64 1 1 0.28
0 23 0 1 0.18
0 69 1 1 0.35
1 55 0 1 0.61
0 74 1 1 0.42
0 75 1 1 0.43
0 43 0 1 0.43
0 71 1 1 0.38
1 72 1 1 0.39
0 40 0 1 0.39
1 40 0 1 0.39
0 62 1 1 0.25
0 35 0 1 0.32
0 31 0 1 0.26
1 65 1 1 0.29
1 58 0 1 0.66
0 34 0 1 0.29
0 53 0 1 0.58
0 33 0 1 0.29
0 19 1 1 0.02
0 65 1 1 0.29
1 90 0 0 0.97
0 34 0 1 0.30
1 37 0 1 0.35
0 24 0 1 0.19
0 23 0 1 0.18
0 17 0 0 0.28
1 74 1 1 0.42
0 38 0 1 0.35
1 44 0 1 0.44
1 42 0 0 0.64
0 61 1 1 0.24
1 42 0 1 0.42
0 35 0 1 0.31
0 16 0 0 0.26
0 95 1 1 0.73
0 36 0 1 0.33
0 22 0 1 0.17
0 67 1 1 0.31
1 32 0 1 0.27
Dari tabel diatas di ketahui bahwa jika nilai perhitungan lebih besar dari 5% maka
dapat disimpulkan contoh perhitungan pada salah satu responden jika memiliki pendapatan
sebesar Rp. 3.200.000 X1 dengan rencana adanya pemberlakuan sistem ERP maka responden
tersebut masih sanggup untuk membayar jika tarif erp yang di kenakan sebesar Rp. 30.000.00
atau berkaitan dengan X3.