ISSN 0853-2982
Abstrak
Basis dari pemodelan permintaan aktivitas adalah keputusan perjalanan yang merupakan bagian dari proses
penjadwalan aktivitas. Permintaan perjalanan terjadi akibat adanya partisipasi aktivitas rumah tangga oleh pekerja
dan non pekerja di luar rumah dan waktu yang dihabiskan untuk melakukan aktivitas tersebut hingga kembali ke
rumah. Tujuan dari penelitian ini adalah untuk mendapatkan model partisipasi aktivitas oleh pekerja berdasarkan
durasi aktivitas, mengetahui hubungan antar variabel eksogen dan variabel endogen serta hubungan antar variabel
endogen akibat adanya variabel eksogen. Penelitian ini terdiri dari 16 variabel eksogen dan 6 variabel endogen
untuk pekerja. Daerah penelitian meliputi seluruh kecamatan di Kota Banda Aceh. Survey yang dilakukan adalah
membagikan kuisioner dengan home interview, metode survey yang digunakan adalah Stratified Random Sampling.
Untuk memperoleh hasil dipakai metode Structural Equation Modelling (SEM) model exploratory factor analysis
(EFA) dengan menggunakan software statistic AMOS. Hasil dari EFA untuk pekerja pada aktivitas mandatory,
aktivitas maintenance dan aktivitas discretionary, menunjukkan bahwa variabel eksogen yang dominan
berpengaruh adalah tujuan perjalanan, mempengaruhi secara langsung, positif, dan signifikan terhadap variabel
endogen. Hal ini berarti bahwa lamanya durasi aktivitas individu tergantung pada tujuan perjalanannya. Sedangkan
hubungan antar variabel endogen pekerja untuk setiap jenis aktivitas berpengaruh secara langsung, negatif dan
signifikan.
Kata Kunci: Model permintaan aktivitas, durasi aktivitas, pekerja, variabel endogen, variabel eksogen, EFA
Abstract
The basis of activity based modeling is a travel decision that part of the activity scheduling process. Travel requests
occur due to the participation of household activities by workers and non-workers outside the home and the time
spent while doing these activities until returning home. The purpose of this study is to obtain a model of
participatory activity by workers based on the duration of activities, knowing the relationship between exogenous
variables and endogenous variables and the relationship between endogenous variables due to the presence of
exogenous variables. This study consisted of 16 exogenous variables and 6 endogenous variables for workers. The
research area covers all sub-districts in Banda Aceh City. The survey was conducted by distributing questionnaires
with home interviews, known as Stratified Random Sampling survey method. To obtain the results, the authors use
the Structural Equation Modeling (SEM) model exploratory factor analysis (EFA) using AMOS statistical software.
The results of EFA for workers in mandatory, maintenance, and discretionary activities indicate that the exogenous
variable that is dominantly influential is the purpose of the trip, affecting directly, positively, and significantly
towards endogenous variables. This means that the duration of individual activities depends on the purpose of the
trip. While the relationship between endogenous variables has a direct, negative and significant effect.
Keyword: Activity based model, duration of activity, workers, endogenous variable, exogenous variable, EFA
untuk beraktivitas adalah komponen lain dari sehingga perilaku perjalanannya pun berbeda
penggunaan waktu secara keseluruhan. Durasi (Agarwal, 2004).
aktivitas ini terhitung mulai dari individu melakukan
perjalanan ke luar rumah sampai dengan kembali ke Menurut Bilqis (2018), yang dikutip dari Anggraini,
rumah. Durasi aktivitas setiap individu maupun rumah dkk (2009), aktivitas dibagi 3 (tiga) kelompok, yaitu
tangga berbeda-beda tergantung dari jenis aktivitasnya. mandatory, maintenance dan discretionary. Aktivitas
Adapun pergerakan aktivitas oleh pekerja berdasarkan mandatory merupakan aktivitas rutin yang harus
durasi aktivitas yang ditinjau adalah aktivitas dilakukan sendiri tidak boleh diwakilkan seperti
mandatory, maintenance dan discretionary. bekerja dan sekolah. Aktivitas maintenance dan
merupakan aktivitas harian yang tidak rutin yang bisa
Lokasi yang dipilih pada penelitian ini yaitu pada dilakukan sendiri atau bersama seperti antar jemput
seluruh kecamatan kota Banda Aceh, yang terdiri dari anak/pasangan dan berbelanja. Sedangkan aktivitas
9 (sembilan) kecamatan, yaitu Syiah Kuala, Ulee discretionary seperti rekreasi, kunjungan sosial dan
Kareng, Lueng Bata, Kuta Raja, Jaya Baru, Meuraxa, aktivitas bersenang – senang lainnya merupakan
Baiturrahman, Kuta Alam dan Banda Raya. aktivitas tidak rutin yang sering dilakukan di akhir
pekan dan dapat dilakukan sendiri maupun bersama –
Bangkitan pergerakan yang dilakukan oleh pekerja di sama.
luar rumah untuk memenuhi kebutuhan aktivitasnya
yang ditempuh dengan jarak yang dekat atau jauh, 2.3 Pola Kegiatan perjalanan pekerja
waktu berangkat, waktu pulang dan dengan intensitas
yang sering. Hal ini dapat meningkatkan kapasitas Menurut Susana, N (2014) yang dikutip dari Bowman
volume lalu lintas pada jalan yang dilalui dan dan Ben-Akiva (2000), aktivitas harian dan pola
berdampak pada pengembangan transportasi Kota perjalanan individu bergantung perilaku perjalannya,
Banda Aceh seperti kemacetan pada titik-titik bagian dapat dilihat pada Gambar 1 berikut:
kota pada jam tertentu. Rumusan permasalahan
berdasarkan latar belakang tersebut adalah
bagaimanakah model partisipasi aktivitas berdasarkan
durasi aktivitas oleh pekerja dan pengaruh dari faktor-
faktor sosial-ekonomi, demografi dan perilaku
perjalanan (variable bebas/eksogen.) terhadap variabel
terikat/endogen serta pengaruh antar variabel terikat/
endogen akibat adanya variabel bebas/eksogen.
2. Kajian Pustaka
2.1 Pendekatan pergerakan berbasis aktivitas
(activity-based approach)
Diterima 2 Januari 2019, Direvisi 01 April 2019, Diterima untuk dipublikasikan 12 April 2019 .
Copyright 2019 Diterbitkan oleh Jurnal Teknik Sipil ITB, ISSN 0853-2982, DOI: 10.5614/jts.2019.26.1.10
Miralda.
d) Pola perjalanan tempat kerja ke rumah (work home, 2.6 Analisis eksploratori (EFA)
yang mewakili kegiatan-perjalanan ditempuh selama
perjalanan tempat kerja-ke-rumah Analisis faktor adalah metode statistik yang digunakan
untuk mengkorelasikan antara satu variabel dengan
e) Pola kedatangan pasca pulang (after work), yang variabel lainnya, yang bertujuan untuk mencari
terdiri dari kegiatan dan perilaku perjalanan individu beberapa faktor (dimensi) yang tersirat dari sekelompok
setelah tiba di rumah pada akhir perjalanan kerja-ke- variabel independen (Ma’ruf, 2005).
rumah.
Analisis faktor eksploratori atau exploratory factor
2.4 Durasi aktivitas analysis (EFA) diaplikasikan pada data survei utama
dalam rangka untuk melakukan tes awal dari validitas
Durasi aktivitas ini terhitung mulai dari individu dan reliabilitas instrumen. Analisis ini mengacu pada
melakukan perjalanan ke luar rumah yang disebut dengan hubungan antara variabel dan faktor-faktor yang disebut
waktu keberangkatan sampai dengan kembali ke rumah. oleh faktor loading. Menurut Hair et al (2006), nilai
Dalam menentukan durasi aktivitas dilihat dari jenis minimum loading faktor bergantung pada jumlah orang
kegiatan yang dilakukan, dimana aktivitas mandatory responden.
(rutin) seperti bekerja dan bersekolah akan membutuhkan
waktu yang lama dibandingkan dengan aktivitas non- 3. Metode Penelitian
mandatory (tidak rutin) yang biasanya tidak
membutuhkan waktu yang lama. Data primer didapat dengan metode home interview
survey yaitu dengan membagikan kuisioner kepada
2.5 Structural equation modelling (SEM) rumah tangga disetiap desa pada kecamatan yang
diteliti dan diisi langsung oleh responden atau
Structural Equation Modelling (SEM) adalah metode interviewer. Pada penelitian ini objek diarahkan hanya
statistik multivariate yang dibangun atas dasar kajian pada kepala keluarga (household) sebagai pekerja
teoritis tertentu dengan menggabungkan aspek-aspek dimana melakukan aktivitas bekerja, sekolah,
analisis faktor dan analisis jalur yang bertujuan untuk berbelanja, antar jemput, urusan rumah tangga, kegiatan
mengkonfirmasikan measurement model (model berolahraga, kegiatan refreshing, sosial dan rekreasi
pengukuran) dan structural model (model struktural) saja. Data kuesioner diperlukan untuk mengetahui
(Joreskog dan Sorbon, 1996). aktivitas sehari-hari individu maupun rumah tangga
baik pada hari kerja (weekdays) dan akhir pekan
Keunggulan aplikasi SEM dalam penelitian dapat (weekendays). Data kuesioner rumah tangga dengan
disimpulkan bahwa SEM mempunyai keunggulan cakupan pertanyaan meliputi karakteristik rumah tangga
dibandingkan dengan multivariat lainnya, seperti: yang terdiri atas beberapa variabel sosial-ekonomi,
demografi dan perilaku perjalanan. Sedangkan
1. SEM dapat memodelkan konsep variabel laten yang
kuisioner pribadi berisi pertanyaan tentang pola
tidak teramati secara langsung.
perjalanan aktivitas individu dalam sehari.
2. SEM dapat memodelkan hubungan antara dimensi
Data sekunder terdiri dari peta kota Banda Aceh dan
dengan variabel eksogen dan variabel endogen dan
jumlah populasi penduduk di kota Banda Aceh yang
dapat diestimasi sekaligus atau simultan.
diperoleh dari Badan Pusat Statistik (BPS) kota Banda
Aplikasi SEM telah banyak digunakan dalam Aceh. Data yang telah dikumpulkan akan diolah dengan
perencanaan permodelan transportasi seperti yang menggunakan analisis statistik deskriptif dan model
dilakukan oleh Gollob dan McNally (1996) Exploratory Factor Analysis (EFA). Nantinya
mengembangkan model srtuctural equation durasi pengolahan data dan analisis akan menggunakan
aktivitas untuk memodelkan perilaku kepala rumah software AMOS.
tangga pria dan wanita secara simultan di dalam
3.1 Variabel penelitian
terminologi partisipasi aktivitas dan perjalanan mereka.
Chung, dkk (2009), menyatakan model ini Terdapat 2 (dua) kategori variabel yang akan digunakan
mengasumsikan bahwa partisipasi aktivitas dan pola untuk memecahkan permasalahan, yaitu variabel
perjalanan pada tahun berjalan dipengaruhi oleh tahun- terikat/endogen dan variabel bebas/eksogen. Pembagian
tahun sebelumnya dan hasil dari SEM mengkonfirmasi untuk variabel endogen dan variabel eksogen adalah
fakta bahwa aktivitas dan perilaku perjalanan manusia sebagai berikut:
saat ini memiliki dampak ke masa depan. Sugiarto, dkk
(2017) menggunakan aplikasi SEM dalam kajian a. Variabel Terikat/Endogen
kebijakan transportasi. Variabel endogen adalah variabel yang nilainya
ditentukan oleh adanya variabel lain didalam model.
Untuk menguji hipotesis, exploratory factor analysis Konstruk endogen adalah konstruk yang mempunyai
(EFA) dan structural equation modeling (SEM) anak-anak panah menuju kearah variabel tersebut.
dilakukan. Exploratory factor analysis (EFA) digunakan Untuk variabel endogen bagi partisipasi aktivitas
untuk mengeksplorasi dimensi masing-masing konstruk. berdasarkan durasi aktivitas oleh pekerja terdiri atas:
Berdasarkan hasil analisis faktor, kemudian
ditindaklanjuti dengan confirmatory factor analysis
(CFA).
1. Aktivitas Mandatory berdasarkan durasi aktivitas 3. Proses selanjutnya adalah input data ke aplikasi
≤ 5 jam (YP1) : durasi aktivitas ≤ 5 jam untuk AMOS dengan klik kotak file, kemudian open,
aktivitas bekerja dan sekolah (aktivitas /hari); pilih file data SPSS;
2. Aktivitas Mandatory berdasarkan durasi aktivitas 4. Selanjutnya didapat hasil output data, analys
> 5 jam (YP3) : durasi aktivitas > 5 jam untuk property, calculate estimate, kemudian run;
aktivitas bekerja kantoran dan mengajar
(aktivitas /hari); 5. Periksa apakah model fit dengan mengecek nilai
CFI, TLI, GFI, RMSEA apakah memenuhi syarat,
3. Aktivitas Maintenance berdasarkan durasi maka nilai P yang belum signifikan maka harus
aktivitas ≤ 30 menit (YM1) : durasi aktivitas ≤ 30 dihilangkan, lakukan pengulangan model hingga
menit untuk aktivitas belanja di supermarket dan memperoleh model yang fit dan diperoleh output
antar jemput anak/pasangan (aktivitas/hari); dari path diagram.
Diterima 2 Januari 2019, Direvisi 01 April 2019, Diterima untuk dipublikasikan 12 April 2019 .
Copyright 2019 Diterbitkan oleh Jurnal Teknik Sipil ITB, ISSN 0853-2982, DOI: 10.5614/jts.2019.26.1.10
Miralda.
Tabel 1. Nilai goodness of fit (GOF) dari gambar 2 endogen. Selanjutnya, pada baris ke 6 menjelaskan
hubungan antara variabel-variabel endogen akibat
Fit Memenuhi/
Idicies
Hasil Syarat
Tidak
pengaruh dari variabel eksogen.
ꭓ2 46,018 P ≤ 0,05 Memenuhi Hubungan yang paling erat diantara variabel bebas
dengan variabel terikat ditunjukkan oleh hubungan jenis
RMR 0,012 ≤ 0,05 Memenuhi
- 0 (poor fit)
pekerjaan (X10) dengan aktivitas mandatory
GFI 0,980 - 1 (perfect fit) Memenuhi berdasarkan durasi aktivitas ≤ 5 jam (YP1) dengan
- ≥ 0,90 (good fit) angka estimasi sebesar 1,152. Ini berarti semakin
AGFI 0,954 ≥ 0,90 Memenuhi banyak responden yang melakukan aktivitas bekerja,
CFI 0,984 ≥ 0,90 Memenuhi maka akan langsung meningkatkan durasi aktivitas ≤ 5
≤ 0,05 - 0,08 (good fit model) jam responden sebesar 1,152 terhadap aktivitas
RMSEA 0,073 - 0.08 - 0.1 (medio fit model) Memenuhi mandatory berdasarkan durasi aktivitas aktivitas ≤ 5
- > 0,1 (poor fit model) jam di Banda Aceh. Selanjutnya, nilai yang lebih
rendah ditunjukkan oleh nilai hubungan antara jenis
Tabel 2. Regression weight gambar 2 pekerjaan (X10) dengan aktivitas mandatory
berdasarkan durasi aktivitas > 5 jam (YP2), yaitu sebesar
0,594. Sedangkan nilai hubungan yang paling rendah
ditujukkan oleh hubungan antara kendaraan yang
digunakan (X15) dengan aktivitas mandatory
berdasarkan durasi aktivitas ≤ 5 jam (YP1), yaitu sebesar
0,125.
6. Aktivitas mandatory berdasarkan durasi aktivitas ≤ 5 Gambar 3. Path diagram aktivitas maintenance
jam (YP1) berpengaruh sebesar -1.025, pekerja berdasarkan durasi aktivitas ≤ 5 jam (YM1)
mempengaruhi secara langsung, negatif dan dan ≥ 5 jam (YM2)
signifikan terhadap Aktivitas mandatory berdasarkan
durasi aktivitas > 5 jam (YP3).
Dari model path diagram pada Gambar 3 didapat nilai
Tabel 2 di atas pada baris 1 - 5 menunjukkan keeratan GOF seperti pada Tabel 3 berikut ini:
hubungan antara variabel eksogen dengan variabel
Tabel 2. Nilai goodness of fit (GOF) dari gambar 3 5. Aktivitas maintenance berdasarkan durasi aktivitas
Fit Memenuhi/ ≤ 30 menit (YM1) berpengaruh sebesar 0.584,
Hasil Syarat
Idicies Tidak mempengaruhi secara langsung, negatif dan
ꭓ2 16,086 P ≤ 0,05 Memenuhi signifikan terhadap aktivitas maintenance
RMR 0,018 ≤ 0,05 Memenuhi berdasarkan durasi aktivitas > 30 menit (YM2).
- 0 (poor fit)
GFI 0,973 - 1 (perfect fit) Memenuhi Tabel 3 di atas pada 4 baris pertama menunjukkan
- ≥ 0,90 (good fit) keeratan hubungan antara variabel bebas dengan
AGFI 0,918 ≥ 0,90 Memenuhi variabel terikat. Selanjutnya, pada baris ke 5
menjelaskan hubungan antara variabel terikat akibat
CFI 0,976 ≥ 0,90 Memenuhi
≤ 0,05 - 0,08 (good fit
pengaruh dari variabel bebas.
model)
RMSEA 0,098 - 0.08 - 0.1 (medio fit Memenuhi Hubungan yang paling erat diantara variabel bebas
model) dengan variabel terikat ditunjukkan oleh hubungan
- > 0,1 (poor fit model)
tujuan perjalanan (X14) dengan aktivitas maintenance
berdasarkan durasi aktivitas ≤ 30 menit (YM1) dengan
Hasil analisis di atas mengindikasikan bahwa nilai Chi angka estimasi sebesar 0,594. Ini berarti semakin
-square = 16.086 (p<.000). Nilai RMR sebesar 0.018 < banyak responden yang memiliki tujuan ke sekolah,
0.05, GFI sebesar 0.973, AGFI sebesar 0,918 dan CFI maka akan meningkatkan responden melakukan
sebesar 0,976 > 0.90 menunjukkan hasil good fit. Nilai aktivitas maintenance berdasarkan durasi aktivitas ≤ 30
RMSEA sebesar 0.098 telah menunjukkan nilai yang menit (YM1) sebesar 0,594. Selanjutnya, nilai yang
biasa-biasa saja (medium fit), yaitu berada antara lebih rendah ditunjukkan oleh nilai hubungan antara
0.08 – 0.1 (persyaratan). tujuan perjalanan (X14) dengan aktivitas maintenance
berdasarkan durasi aktivitas > 30 menit (Y M2), yaitu
Tabel 3 berikut akan manjelaskan hubungan setiap sebesar 0,584. Sedangkan nilai hubungan yang paling
variabel pembentuk konstruk secara lebih jelas rendah ditujukkan oleh hubungan antara jumlah
kepemilikan sepeda motor (X3) dengan aktivitas
Tabel 3. Regression weight dari gambar 3 maintenance berdasarkan durasi aktivitas > 30 menit
(YM2), yaitu sebesar 0,076.
Diterima 2 Januari 2019, Direvisi 01 April 2019, Diterima untuk dipublikasikan 12 April 2019 .
Copyright 2019 Diterbitkan oleh Jurnal Teknik Sipil ITB, ISSN 0853-2982, DOI: 10.5614/jts.2019.26.1.10
Miralda.
1. Tujuan perjalanan (X14) berpengaruh sebesar 0.478, a. YP1 = 1,03 YP3 + 0,16 X8 + 1,15 X10 + 0,12 X15,
mempengaruhi secara langsung, positif dan signifikan
terhadap aktivitas discretionary berdasarkan durasi b. YP3 = - 1,03 YP1 + 0,59 X10 + 0,17 X14
aktivitas ≤ 2 jam.
c. YM1 = 0,80 YM2 + 0,33 X13, + 0,08 X14
2. Jarak tempuh (X16) berpengaruh sebesar -0.250,
mempengaruhi secara langsung, negatif dan signifikan d. YM2 = - 0.80 YM1 + 0,59 X3 + 0,58 X14
terhadap aktivitas discretionary berdasarkan durasi
aktivitas ≤ 2 jam. e. YD1 = 0,89 YD2 + 0,48 X14 + 0,10 X16
3. Kepemilikan SIM (X13) berpengaruh sebesar 0.101, f. YD2 = - 0,89 YD1 - 0,25 X13 + 0,47 X14.
mempengaruhi secara langsung, positif dan signifikan
terhadap aktivitas discretionary berdasarkan durasi 2. Variabel eksogen yang dominan berpengaruh adalah
aktivitas > 2 jam. tujuan perjalanan, mempengaruhi secara langsung,
positif dan signifikan. Hal ini berarti bahwa Dinda R.P., 2018, Analisis Model Bangkitan
lamanya durasi aktivitas individu tergantung pada Pergerakan Pengguna Sepeda Motor Untuk
tujuan perjalanannya. Home-Based Trip Berdasarkan Lokasi Tujuan
Perjalanan, Durasi Aktivitas dan Tingkat
3. Hubungan antar variabel endogen berpengaruh Pendapatan Rumah Tangga (Study Kasus Kota
secara langsung, negatif dan signifikan. Hal ini Banda Aceh). Tesis Program Magister Teknik
dikarenakan pekerja yang melakukan aktivitas Sipil UNSYIAH, Banda Aceh.
mandatory lebih sedikit mempunyai kesempatan
melakukan aktivitas non mandatory. Farina D.A., 2014, Model Bangkitan Aktivitas Bersama
Berdasarkan Tipe Rumah Tangga. Tesis
5.2 Saran Program Magister Teknik Sipil UNSYIAH,
Banda Aceh.
1. Untuk penelitian selanjutnya dengan menggunakan
metode yang sama, perlu adanya peninjauan ulang Ghozali Imam, 2008, Aplikasi Analisis Multivariat
dengan menambahkan faktor-faktor perilaku dengan Program IBM SPSS 21, edisi 77,
perjalanan (travel behaviour) sehingga Penerbit UNDIP, Semarang.
menghasilkan model yang lebih baik.
Gliebe J and Koppelman, F., 2005, Modeling
2. Dengan adanya penelitian ini diharapkan dapat Household Activity-Travel Interaction as
dijadikan bahan rujukan bagi penelitian selanjutnya Parallel Constrain Choices. Transportation, 32,
untuk menambah variabel laten sehingga bisa 449-471.
menggunakan metode SEM yang dianalisis dengan
CFA. Gollob and McNally, 1996, A Model of Activity
Participation and Travel Interactions between
Daftar Pustaka Household Heads. Institute of Transportation
Studies University of California, Irvine Irvine,
Anggraini R, et al., 2007, Refining Albatross: CA 92697-3600, U.S.A.
Modelling Activity Generation and Allocation
Decisions Using Tree Induction. International Hair dkk., 2006, Multivariate Data Analysis 6th Ed.
DDSS Conference, Eindhoven University of New Jersey, Pearson Education
Technology.
Joreskog G.K., & Goldberger S.A., 1975, Estimating of
Anggraini R., 2009, Household Activity-Travel A Model With Multiple Indicators Multiple
Behavior: Implementation of Within-Household Causes of A Single Latent Variabel. Journal of
Interactions, Dissertation Eindhoven University the American Statistical Association, 70, 631-
of Technology, The Netherlands. 639
Augusty Ferdinand, 2006, Metode Penelitian Kitamura R., 1995, Applications Of Models of Activity
Manajemen: Pedoman Penelitian untuk skripsi, Behavior For Activity Based Demand
Tesis dan Disertai Ilmu Manajemen. Semarang: Forecasting. Presented at the Activity based
Universitas Diponegoro. travel forecasting conference, New Orleans,
Louisiana.
Balqis P., 2018, Analisis Model Bangkitan Pergerakan
Pekerja dan Non Pekerja Berdasarkan Tingkat Koppelman and Bhat, 2006, A Self Instructing Course
Pendapatan Rumah Tangga dan Durasi In Mode Choice Modelling: Multinomial And
Aktivitas di Kota Banda Aceh. Tesis Program Nested Logit Models. U.S Department of
Magister Teknik Sipil UNSYIAH, Banda Aceh. transportation federal transit administration.
Bhat C.R., 1997, Work travel mode choice and number McNally, Michael G., 2000, The Activity-Based
of non-work commute stops. Tranpn Res.- Approach. Paper UCI-ITS-AS-WP-00-4,
B.Vol.31.No.1.pp.41-5,1977. Institute of Transportation Studies University of
California, Irvine,USA
Bowman J.L., and Ben-Akiva M.E., 2000, Activity-
based disaggregate demand model system with Raykov Tenko, 2006, A First Course in Structural
activity schedule. Transportation Research Part Equation Modeling, Lawrence Erlbaum
A 35 (2000)1-28. Associates, London.
Chung et al., 2009, A structural Equation Model of Riyana R.I., 2018, Analisis Model Bangkitan
Activity Participation and Travel Behavior Pergerakan Rumah Tangga Berdasarkan
Using Longitudinal Data. Department of Urban Gender Untuk Tujuan Aktivitas Dan Durasi
Planning and Engineering , Yonsei University , Aktivitas Di Kota Banda Aceh. Tesis Program
134 Shinchon-Dong, Seodaemun-Gu, Seoul, Magister Teknik Sipil UNSYIAH, Banda Aceh.
120-749, Republic of Korea.
Diterima 2 Januari 2019, Direvisi 01 April 2019, Diterima untuk dipublikasikan 12 April 2019 .
Copyright 2019 Diterbitkan oleh Jurnal Teknik Sipil ITB, ISSN 0853-2982, DOI: 10.5614/jts.2019.26.1.10
Miralda.
Diterima 2 Januari 2019, Direvisi 01 April 2019, Diterima untuk dipublikasikan 12 April 2019 .
Copyright 2019 Diterbitkan oleh Jurnal Teknik Sipil ITB, ISSN 0853-2982, DOI: 10.5614/jts.2019.26.1.10