TINJAUAN PUSTAKA
5
Institut Teknologi Nasional
6
tersebut merupakan sistem mikro yang kedua yang biasa dikenal dengan Sistem
Jaringan yang meliputi jaringan jalan raya, kereta api, terminal bus dan kereta api,
bandara, dan pelabuhan laut (Tamin, 2000).
Interaksi antara Sistem Kegiatan dan Sistem Jaringan ini akan menghasilkan
suatu pergerakan manusia dan/atau barang dalam bentuk pergerakan kendaraan
dan/atau orang (pejalan kaki). Suatu Sistem Pergerakan yang aman, cepat, nyaman,
murah, dan sesuai dengan lingkungannya akan dapat tercipta jika pergerakan
tersebut diatur oleh suatu sistem rekayasa dan manajemen lalu-lintas yang baik.
Sistem Kegiatan, Sistem Jaringan, dan Sistem Pergerakan akan saling
mempengaruhi satu dengan lainnya seperti terlihat pada Gambar 2.1 (Tamin, 2000).
Sistem jaringan jalan adalah satu kesatuan ruas jalan yang saling
menghubungkan dan mengikat pusat-pusat pertumbuhan dengan wilayah ynng
meter [m]. Panjang jalan dapat dinyatakan dengan satuan kilometer [km] atau meter
[m]. Tipe jalan dapat diperoleh melalui pengamatan langsung. Tipe jalan
dinyatakan dalam kode angka yang terdiri dari jumlah lajur dan jumlah arah pada
suatu ruas jalan diikuti dengan huruf ‘D’/’T’ atau ‘UD’/’TT’. D merupakan
singkatan dari Divided (Terpisah), artinya jalan antar arah yang berlawanan
dipisahkan dengan median. UD merupakan singkatan dari Un-Divided (Tidak
Terpisah), artinya jalan antar arah yang berlawanan tidak dipisahkan dengan
median melainkan hanya dengan marka saja. Misalnya tipe jalan 2/2 UD artinya
adalah jalan dengan dua lajur dan dua arah tidak terpisah, dan 4/2 D artinya adalah
jalan dengan empat lajur dan dua arah yang dipisahkan oleh median.
Zona internal adalah zona yang berada di dalam daerah kajian, sedangkan
zona eksternal adalah zona yang berada di luar daerah kajian. lSehubungan dengan
adanya definisi zona internal dan zona eksternal sebagai zona asal dan zona tujuan,
maka pergerakan arus lalu lintas dapat dikelompokkan menjadi 4 (empat) tipe
pergerakan yaitu sebagai berikut:
1. Pergerakan eksternal−eksternal
Pergerakan ini mempunyai zona asal dan zona tujuan yang berada di luar
daerah kajian (zona eksternal). Tipe pergerakan ini sangat penting untuk
diketahui karena sebenarnya pelaku pergerakan ini tidak mempunyai tujuan
atau kepentingan sama sekali ke zona internal tetapi terpaksa harus
menggunakan sistem jaringan dalam daerah kajian dalam proses pencapaian
zona tujuannya (mungkin karena tidak ada alternatif rute lainnya).
2. Pergerakan internal−eksternal atau sebaliknya
Pergerakan ini mempunyai salah satu zona (asal atau tujuan) yang berada di
luar daerah kajian (zona eksternal).
3. Pergerakan internal−internal
Pergerakan ini mempunyai zona asal dan tujuan yang berada di dalam
daerah kajian (zona internal). Tipe pergerakan inilah yang paling
Gambar 2.7 menunjukkan ilustrasi pergerakan lalu lintas yang bangkit dari
zona asal dan tertarik ke zona tujuan.
lapangan pola pergerakan asal tujuan. Ilustrasi distribusi pergerakan antar dua zona
dapt dilihat pada Gambar 2.8.
Tabel 2.1
Bentuk Umum dari Matriks Asal Tujuan (MAT)
Zona 1 2 3 N Oi
1 T11 T12 T13 T1N O1
2 T21 T22 T23 T2N O2
3 T31 T32 T33 T3N O3
Gambar 2.10 Pasangan Zona Asal-Tujuan yang Mempunyai Dua Rute Alternatif
Sumber: Tamin, 2000
Tabel 2.2
Klasifikasi Model Pemilihan Rute
Efek stokastik dipertimbangkan?
Kriteria
Tidak Ya
Efek batasan Tidak All or Nothing Stokastik Murni
kapasitas Keseimbangan Keseimbangan
Ya
dipertimbangkan? Wardrop Pengguna Stokastik
Sumber: Tamin, 2000.
2. Semua unsur MAT dikalikan dengan faktor tertentu, dan semua arus (hasil
pembebanan) pada setiap ruas jalan berubah sesuai dengan faktor yang
sama. Sebagai contoh, jika setiap sel MAT dikalikan dua, maka arus hasil
pembebanan pun akan meningkat dua kali lipat.
Proses pemilihan rute lainnya yang tidak mengikuti atau cocok dengan
kedua kondisi tersebut dikelompokkan sebagai metode tidak proporsional. Jadi,
metode all-or-nothing dan metode stokastik dikelompokkan dalam metode
proporsional, sedangkan metode batasan-kapasitas dan metode keseimbangan
adalah metode tidak proporsional.
informasi yang berharga bagi para perencana transportasi untuk menentukan arah
pembangunan jaringan jalan baru.
transportasi, analisis kondisi lalu lintas, dan forecasting yang mendukung data
berbasis GIS (Geographic Information System) dengan daerah kajian dari tingkat
kota sampai nasional. PTV Visum dikembangkan oleh PTV Planung Transport
Verkehr AG atau lebih dikenal dengan PTV Group yang bermarkas di Karlsruhe,
Jerman.
Aplikasi PTV Visum digunakan sebagai alat bantu membuat simulasi lalu
lintas atau pemodelan rekayasa lalu lintas secara makroskopik pada suatu
wilayah (macroscopic simulation).
Versi PTV Visum yang digunakan dalam penelitian ini adalah PTV Visum
2020 (SP 1-9) [153515] versi training atau student version. Pada versi training
terdapat batas waktu membuka aplikasi selama 45 menit, berbeda dengan versi full
yang tidak memiliki batasan waktu penggunaan. Sehingga apabila waktu akan
segera habis akan ada perintah untuk save file terlebih dahulu, setelah buka kembali
aplikasi dari awal dan load file yang sudah di-save untuk melanjutkan pekerjaan
sebelumnya.
b. Data simpang: panjang simpang, gradien, dan jumlar lajur dan jalur pada
simpang, panjang kantong tikungan, dan desain kantong tikungan.
2. Data Lalu Lintas (Traffic):
a. Kecepatan arus bebas, jenis pengendalian simpang (beserta marka dan
rambu), lokasi dan renana pengaturan waktu sinyal APILL.
b. Arus atau volume kendaraan per satuan waktu dan kapasitas ruas jalan.
3. Karakteristik Kendaraan:
a. Komposisi kendaraan dan dimensi, temasuk maksimum percepatan dan
perlambatan kendaraan.
b. Pengaturan dasar kendaraan, seperti ukuran mobil penumpang, truk,
trailer, bus, dan lain-lain.
Dalam PTV Visum, edge adalah seluruh ruas jalan (link), belokan (turn),
dan konektor, sedangkan simpul (node) adalah zona dan simpul jaringan. Karena
fungsi tujuan non-linier, masalah optimasi tidak diselesaikan secara langsung tetapi
secara iteratif. Karena monotonisitas fungsi impedansi, kondisi minimum tercapai,
sehingga dimulai dengan solusi awal antara jalur alternatif, pergerakan i-j
berpindah, sehingga semua jalur memiliki impedansi yang sama (PTV Group,
2019). Selama proses equilibrium assignment, dilakukan langkah-langkah yang
ditunjukkan pada Gambar 2.11.
seimbang. Setiap perpindahan kendaraan dari satu rute ke rute lainnya memiliki
efek langsung pada impedansi objek jaringan yang dilintasi (PTV Group, 2019).
Prosedur penyeimbangan jaringan digambarkan pada Gambar 2.12.
2.7.4. Prinsip Kalibrasi MAT dengan Metode Least Square pada Aplikasi
PTV Viusm 2020
Dikutip dari PTV Visum 2020 - Manual, salah satu metode yang dapat
digunakan untuk mengkalibrasi Matriks Asal Tujuan (MAT) dalam PTV Visum
2020 terdapat pada prosedur matrix correction (matrix estimation), yaitu Metode
Kuadrat Terkecil (Least Square).
Prosedur matrix correction dalam PTV Visum dimaksudkan untuk
menyesuaikan MAT, sehingga hasil pembebanan untuk model benar-benar cocok
dengan keadaan yang sesungguhnya. Matrix correction dapat bermanfaat dalam
beberapa situasi yaitu (PTV Group, 2019):
• MAT berdasarkan data survei empiris yang sudah usang dan hendak
diperbarui tanpa harus melakukan survei (asal-tujuan) baru. Pembaruan
hanya akan didasarkan pada data sensus saja.
• MAT yang dihasilkan dari model jaringan transportasi harus dikalibrasi,
oleh karena itu data arus lalu lintas yang dihitung (traffic count) harus
digunakan.
• MAT yang dihasilkan dari data yang tidak lengkap atau tidak dapat
diandalkan harus ditingkatkan dengan data arus yang lebih
komprehensif/reliabel yang dihitung secara bersamaan.
• Survei berisi distribusi jarak perjalanan, tetapi model tidak mencerminkan
data dengan tingkat akurasi yang diperlukan.
Aliran informasi Matriks Asal Tujuan (MAT) selalu mengikuti urutan yang
diberikan pada Gambar 2.13 dan alur kerja untuk kalibrasi Matriks Asal Tujuan
(MAT) ditunjukkan pada Gambar 2.14.
halmana:
𝑓̂𝑖𝑗 ≥ 0 = nilai output matriks,
𝑓𝑖𝑗 ≥ 0 = nilai matriks yang dikoreksi,
𝑉̃𝑟 (𝑓) = volume (arus) jaringan jalan r sebagai fungsi dari nilai matriks yang
dikoreksi 𝑓𝑖𝑗 ,
𝜔𝑟 = faktor pembebanan untuk perbedaan antara arus model dan traffic count,
𝛼𝑖𝑗 = faktor pembebanan untuk perbedaan nilai antara matriks hasil koreksi dan
matriks output,
𝐶𝑟 = nilai traffic count.
𝑉̃𝑟 (𝑓) adalah fungsi multi-linear dan faktor-faktor linear tercantum dalam
arus matriks A, 𝑉̃𝑟 (𝑓) = ∑𝑖𝑗 𝛼𝑟𝑖𝑗 𝑓𝑖𝑗 . Arus matriks A ditentukan sebagai:
𝑉
𝛼𝑟𝑖𝑗 = ∑𝑘∈Ω𝑖𝑗 𝛿𝑟𝑘 𝑓 𝑘 (2.7)
𝑖𝑗
halmana:
Ω𝑖𝑗 = jumlah jalur yang termasuk dalam relasi asal-tujuan ij,
𝛿𝑟𝑘 = 1, jika jalur k berisi objek jaringan r, jika tidak 0,
𝐴 = 𝑌̅ − 𝐵𝑋̅ (2.10)
halmana:
𝑁 = jumlah data,
𝑌̅ = nilai rata-rata dari 𝑌𝑖 ,
𝑋̅ = nilai rata-rata dari 𝑋𝑖 .
Parameter uji statistik pada Model Regresi Linear yang akan digunakan
dalam penelitian ini adalah koefisien determinasi (𝑅 2 ) dengan koefisien korelasi (𝑟)
sebagai pertimbangan tambahan. Koefisien determinasi (𝑅 2 ) adalah koefisien yang
digunakan untuk mengetahui selisih antara variasi, atau untuk mengetahui seberapa
besar pengaruh variabel bebas (𝑋) terhadap variabel tidak bebas (𝑌). Persamaan
yang digunakan untuk menghitungnya adalah sebagai berikut:
∑𝑁 (𝑌̂ −𝑌̅ )2
𝑅 2 = ∑𝑖=1 𝑖
𝑁 (𝑌 −𝑌
𝑖
̅ )2
(2.11)
𝑖=1 𝑖 𝑖
Tabel 2.2
Klasifikasi Koefisien Korelasi Guilford
Koefisien Korelasi Klasifikasi Korelasi
<0,20 Sedikit; hubungan hampir dapat diabaikan
0,21 – 0,40 Korelasi rendah; hubungan jelas namun kecil
0,41 – 0,70 Korelasi sedang/cukup; hubungan substansial
0,71 – 0,90 Korelasi tinggi; hubungan yang ditandai dengan baik
Korelasi sangat tinggi; hubungan yang dapat
>0,90
diandalkan atau dapat dipercaya
Sumber: De Muth, 2014.
Tabel 2.3
Indikator Uji Statistik untuk Masing-masing Metode Estimasi dengan Menggunakan Model GR
Batasan-Bangkitan-Tarikan untuk Tingkat MAT
GR
Kuadrat-
Indikator Uji Kuadrat- Kemiripan- Entropi-
No Terkecil- Inferensi-
Statistik Terkecil Maksimum Maksimum
Berbobot Bayes (IB)
(KT) (KM) (EM)
(KTB)
1 RMSE 4,332783 4,276519 4,278709 4,336364 4,305590
2 %RMSE [%] 72,823829 71,878158 71,914962 72,884017 72,366775
3 MAE 2,132322 2,107042 2,108776 2,133564 2,122188
4 NMAE [%] 35,839282 35,414382 35,443523 35,860168 35,668964
5 R2 0,753269 0,759635 0,759389 0,752861 0,756356
6 SR2 0,759040 0,759238 0,759388 0,758955 0,759541
Sumber: Tamin, O.Z. dan Suyuti, R., 2007
Berdasarkan tabel di atas untuk indikator uji statistik yang umum dan
sederhana, yaitu indikator koefisien determinasi (R2), dapat dilihat bahwa
keseluruhan metode menunjukkan angka yang mirip atau relatif sama, yaitu
berkisar antara 0,75 dan 0,76. Metode KTB memiliki tingkat akurasi yang lebih
tinggi jika dibandingkan dengan metode lain.
Untuk penelitian disertasi ini, jenis pemilihan rute yang ditinjau adalah
pemilihan rute all-or-nothing dan pemilihan rute keseimbangan. Asumsi dasar yang
digunakan pada pengembangan model estimasi MAT dengan menggunakan data
arus lalu lintas adalah bahwa pergerakan arus lalu lintas dari suatu zona ke zona
lainnya pada dasarnya dapat direpresentasikan pada besarnya arus lalu lintas pada
suatu ruas jalan yang sangat tergantung pada besarnya proporsi pergerakan yang
terjadi antara kedua zona tersebut yang menggunakan ruas tersebut sebagai bagian
dari rute terbaiknya. Besarnya proporsi pergerakan tersebut sangat tergantung pada
jenis model pemilihan rute yang digunakan. Tabel 2.4 menunjukkan indikator hasil
uji statistik unutk masing-masing metode pemilihan rute.
Tabel 2.4
Indikator Uji Statistik untuk Masing-masing Metode Pemilihan Rute
GR
Indikator Uji
No Pemilihan Rute Pemilihan Rute
Statistik
Keseimbangan All-Or-Nothing
1 RMSE 4,276519 6,049265
2 %RMSE [%] 71,878158 101,673820
3 MAE 2,107042 2,430328
4 NMAE [%] 35,414382 40,848056
5 R2 0,759635 0,519054
6 SR2 0,759238 0,653679
Sumber: Tamin, O.Z. dan Suyuti, R., 2007
Gambar 2.15 Hubungan MAT Hasil Pengamatan dan Hasil Estimasi (Metode Pemilihan Rute
Keseimbangan)
Sumber: Tamin, O.Z. dan Suyuti, R., 2007.
Gambar 2.16 Hubungan MAT Hasil Pengamatan dan Hasil Estimasi (Metode Pemilihan Rute All-
Or-Nothing)
Sumber: Tamin, O.Z. dan Suyuti, R., 2007.