Bab Iii

perpustakaan.uns.ac.id digilib.uns.ac.
id
BAB 3
METODE PENELITIAN
Pendekatan Penelitian
Penelitian ini mempunyai metode pendekatan deduktif, dimana pendekatan yang
berangkat dari kebenaran umum mengenai suatu fenomena dan menggeneralisasikan kebenaran
tersebut pada suatu peristiwa. Kebenaran yang menjadi rujukan dalam penelitian ini merupakan
teori yang sebelumnya dijelaskan dalam bab sebelumnya.
Jenis Penelitian
Penelitian ini menggunakan metode penelitian kuantitatif yaitu penelitian yang
mengedepankan analisa data numerikal yang diolah secara statistika. Dalam penentuan kualitas
kinerja bus dan tingkat potensi penggunaan kendaraan umum tentunya akan berdasarkan data-
data yang sifatnya angka untuk mencapai sasaran-sasaran penelitian ini.
Variabel Penelitian
Variabel penelitian merupakan objek yang menjadi fokus penelitian. Variabel penelitian
ini adalah objek dari penelitian yang akan dicari dalam memenuhi sasaran penelitian untuk
menjawab pertanyaan pada rumusan masalah. Dalam penelitian ini variabel yang telah terdapat
pada teori di sintesis variabel. Variabel-variabel ini adalah sebagai berikut.
Tabel 3.1 Variabel Penelitian

Variabel Sub variabel Definisi Variabel
Pola Kepemilikan Kepemilikan dan pemilihan moda transportasi mempengaruhi
Pergerakan kendaraan preferensi menggunakan transportasi umum dilihat dari ketersediaan
Non Spasial pelayanan moda transportasi umum. Masayrakat yang memiliki
kendaraan pribadi akan menggunakan kendaraan umum bila
pelayanan moda yang tersedia memadai bagi kebutuhan.
Kepemilikan dan pemilihan moda ini akan berpengaruh secara
spesifik kepada jumlah penumpang yang terlayani oleh transportasi
umum
Waktu Waktu pergerakan terjadi berpengaruh pada jam operasional bus

Pergerakan yang menjadi penelitian dimana bila pergerakan dominan terjadi
dalam diluar waktu pelayanan maka transportasi umum ini belum
mampu melayani pergerakan yang terjadi
Tujuan Tujuan pergerakan dan pekerjaan merupakan sebagai supply dari
Pergerakan pelayanan transportasi. Sub-sub variabel ini menetukan kebutuhan
pelayanan moda bagi transportasi umum. Tujuan pergerakkan
membutuhkan jangkauan waktu pelayanan terutama di waktu peak
time seperti sekolah dan pekerja kantoran. Bagi transportasi umum
yang memiliki pelayanan baik dalam headways, load factor, waktu
pelayanan, dan jumlah penumpang yang terlayani oleh moda
transportasi umum
Penggunaan commit
Pemilihan to user ini untuk mengetahui persentase
moda transportasi
Moda penggunaan transportasi dalam pergerakan penduduk
32
perpustakaan.uns.ac.id digilib.uns.ac.id
Variabel Sub variabel Definisi Variabel
Pola Asal-Tujuan Pergerakan penduduk ini merupakan hal utama dalam penelitian ini
Pergerakan Pergerakan dimana menjadi sasaran pertama dalam penelitian. Pola pergerakan
Spasial ini akan dibutuhkan dalam sasaran-sasaran lainnya dikarenakan
transportasi massal yang akan dikaji ketersediaanya membutuhkan
pola pergerakan sebagai tolok ukur untuk mengetahui kebutuhan
jangkauan rute
Kinerja Rute Waktu Dalam pendapat Ceder, keterjangkauan suatu rute transportasi
Transportasi Pelayanan umum merupakan faktor utama dalam pelayanan transportasi
Umum Jarak Antar umum. Dengan tersedianya jangkauan pelayanan akan transportasi
Pemberhentian umum, maka akan meningkatkan antusisasme masyarakat dalam
Kelangsungan pergerakan menggunakan transportasi umum yang menjangkau
Rute tujuannya.
Jangkauan
Rute
Overlappng
Rute
Struktur Rute
Hubungan
Antar Rute
Kinerja Load Factor
Moda Waktu
Transportasi Perjalanan
Umum Headways
Sumber: Analisis Peneliti, 2015
Kebutuhan Data
Tabel 3.2 Kebutuhan Data

Variabel Sub variabel Kebutuhan Jenis Skala Teknik Indikator Sumber
Data Data Penelitian Pengumpulan Data
Data
Pola Asal-Tujuan Data asal Primer Nominal Kuesioner x Tinggi Responden
Pergerakan Pergerakan pergerakan Pergerakan dalam
Spasial responden yang terjadi ruang
di wilayah lingkup
terlayani penelitian
Data tujuan Primer Nominal Kuesioner rute >66% yang
pergerakan x Sedang sedang
responden Pergerakan melakukan
yang terjadi perjalanan
di wilayah
Zonasi Skunder Nominal Dokumen terlayani Tatralok
Transportasi rute 33%- Kota
66% Surakarta
x Rendah 2009
Pergerakan
yang terjadi
di wilayah
terlayani
rute >33%
Pola Waktu Data waktu Primer Nominal Kuesioner x Tinggi Responden
Pergerakan Pergerakan pergi untuk Pergerakan dalam
Non Spasial pergerakan yang terjadi ruang
terjadi di lingkup
responden karakteristik penelitian
Data waktu
commit to
Primer
user
Nominal Kuesioner yang sesuai yang
pulang untuk >66% sedang
pergerakan
33
Data
terjadi x Sedang melakukan
responden Pergerakan perjalanan
Tujuan Data tujuan Primer Nominal Kuesioner yang terjadi
Pergerakan pergerakan di
terjadi karakteristik
responden yang sesuai
Penggunaan Data Primer Nominal Kuesioner 33%-66%
Moda penggunaan x Rendah
moda saat Pergerakan
pergerakan yang terjadi
terjadi di
responden karakteristik
yang sesuai
>33%
Kinerja Rute Waktu Data jam buka Primer Interval Wawancara Sesuai bila Operator
Pelayanan dan tutup PO waktu Trayek
Bus operasional
05.00-06.00
sampai pukul
22.00-02.00
Jarak Antar Data letak Skunder Ordinal Observasi Sesuai bila rute Tatralok
Pemberhentian lokasi ter-cover Kota
pemberhentian dengan Surakarta
(shelter, tanda) jangkauan halte 2009
400m
Kelangsungan Data Rute Skunder Ordinal Dokumen Sesuai bila rute
Rute Pelayanan Bus bus max 150%
Data Jarak Skunder Ordinal Analisis dari rute
Terpendek terpendek yang
bisa dilalui
Overlapping Data Rute Skunder Ordinal Dokumen/Obser Sesuai bila
Rute Pelayanan Bus vasi perhimpitan
hanya terjadi di
pusat kota
Struktur Rute Data Rute Skunder Ordinal Dokumen/Obser Sesuai bila
Pelayanan Bus vasi percabangan
hanya terjadi di
sekitar terminal
Hubungan Antar Data Rute Skunder Ordinal Observasi Sesuai bila
Rute Pelayanan Bus perpotongan
jalur terjadi
minimal di 3 titik
Kinerja Load Factor Data Jumlah Primer Nominal Observasi Peak time Sampel
Moda penumpang x Tinggi moda
terbanyak yang >125% transportasi
terangkut x Sedang umum yang
100-125% beroperasi
x Rendah
>100%
Non peak time
x Tinggi
>100%
x Sedang
100-75%
x Rendah
commit to user >75%
Waktu Data waktu Primer Nominal Observasi BST
Perjalanan perjalanan x Tinggi
34
Data
<40 menit
x Sedang
40-100
menit
x Rendah
>100
menit
AKDP
x Tinggi
<20 menit
x Sedang
20-50
menit
x Tinggi
>50 menit
Headways Data waktu Primer Nominal Observasi Peak time
tunggu x Tinggi
<15 menit
x Sedang
15-30
menit
x Rendah
>30 menit
Non peak time
x Tinggi
<20 menit
x Sedang
20-50
menit
x Tinggi
>50 menit
Sumber: Analisis Peneliti, 2015
Teknik Pengumpulan Data

Dalam penelitian ini, teknik pengumpulan data ini dibagi menjadi dua, yaitu
pengumpulan data primer dimana data didapat langsung dari sumber data dan teknik
pengumpulan data skunder, yaitu data yang diambil dari dokumentasi-dokumentasi data yang
dikeluarkan instansi yang sebelumnya telah dikumpulkan untuk kebutuhan masing-masing
instansi.
Pengumpulan Data Primer

Observasi Lapangan, yaitu dengan terjun langsung melihat keadaan langsung tentang
data-data yang akan dicari untuk penelitian ini. Data-data yang akan dicari dengan cara ini
mayoritas di bagian menggali data tentang pelayanan kinerja bus yaitu headway, load factors,
dan waktu perjalanan. Data primer ini didapatkan dengan meneliti dan menghitung secara
langsung di dalam moda yang sedang bertugas maupun di lokasi pemberhentian untuk
commit to user
memudahkan pendataan
35
Kuesioner, merupakan pencarian data dengan membagikan selebaran pertanyaan yang
diberikan kepada responden untuk menghimpun data yang dibutuhkan dengan sample yang
banyak sehingga meningkatkan efisiensi dalam pencapaian pengumpulan data. Data-data yang
akan diambil melalui cara ini banyak terletak pada pencarian pergerakan penduduk dikarenakan
perlu ada sample yang memadai untuk menemukan data-data yang dibutuhkan. Kuesioner ini
disebar ke dalam sample masyarakat berdasarkan komposisi sample yang ada. Kuesioner yang
disebar dalam penelitian ini bisa dilihat dalam LAMPIRAN A.
Wawancara, cara ini merupakan cara penghimpunan data yang paling efektif untuk
menggali pertanyaan karena dituntut untuk berinteraksi langsung dengan responden sehingga
keakuratan data yang didapat dipertanggungjawabkan. Untuk wawancara ini dilakukan bila
cara dengan kuesioner tidak efektif dalam menghimpun data
Pengumpulan Data Skunder

Pengumpulan data skunder ini merupakan cara menghimpun data dengan melihat ke
dokumen-dokumen yang tersedia. Cara ini diperuntukkan untuk data-data yang bersifat
dokumentasi laporan-laporan terkait seperti visualisasi peta, atau undang-undang yang berlaku.
Dokumen yang terutama dibutuhkan dalam penelitian ini adalah Tataran Transportasi Lokal
untuk mengetahui tentang zonasi transportasi Kota Surakarta.
Teknik Sampling
Populasi dari penelitian ini adalah masyarakat yang berpotensi menggunakan bus dan
moda bus yang beroperasi di wilayah penelitian. Kedua populasi ini adalah objek dari penelitian
ini untuk mengukur sasaran penelitian.
Populasi masyarakat dalam penggunaan kendaraan umum jenis bus adalah masyarakat
yang berpotensi melakukan menggunakan bus umum yaitu masyarakat berdomisili di ruang
lingkup penelitian yang melakukan kegiatan pergerakan di perkotaan Surakarta seperti kegiatan
ekonomi, seperti sekolah dan bekerja, kegiatan sosial maupun kegiatan rekreasi. Populasi ini
dibatasi usia produktif di Indonesia yaitu 15-60 tahun dimana pada rentang usia ini merupakan
usia produktif menurut Kementerian Ketenagakerjaan dan diasumsikan mempunyai
kemandirian dalam melakukan pergerakan. Menurut Surakarta dalam angka, kelompok usia
diatas 15 hingga 60 tahun di Surakata berjumlah 459741jiwa. Maka dengan populasi sebanyak
itu dicari sampel dari populasi dengan formula Slovin untuk data diskrit. Metode ini digunakan
karena populasi tidak memiliki verietas.
commit touser
݊ൌ
ͳ ൅ ‫݌‬ଶ
36
݊ ൌ ‫݈݁݌݉ܽݏ‬
ܰ ൌ ‫݅ݏ݈ܽݑ݌݋݌‬
‫ ݌‬ൌ ܾܽ‫݄݈݊ܽܽܽݏ݁݇݅ݏ݊ܽݎ݈݁݋ݐݏܽݐ‬
Jumlah populasi pada penelitian ini adalah sebanyak 385.784, dengan nilai toleransi
kesalahan sebesar 0,5. Hasil perhitungan dengan metode ini menghasilkan sampel untuk
pergerakan penduduk sebanyak 399,59 dan dibulatkan menjadi 400 jiwa.
Tabel 3.3 Sample Pelaku Pergerakan

Penduduk Persentase Sampel Sampel per Kecamatan Pembulatan
Kecamatan Total
Banjarsari 97825 21% 399,6523 85,11314 86
Laweyan 70926 15% 61,70953 61
Jebres 91976 20% 80,02419 80
Pasar Kliwon 62413 14% 54,30275 54
Serengan 40021 9% 34,82048 35
Jaten 44495 10% 38,7131 39
Kartasura 52085 11% 45,31682 46
Total 459741 Total 401
(Sumber: Analisis Peneliti, 2015)
Untuk cara penghimpunan data pada populasi masyarakat adalah dengan melakukan on-
board survey, yaitu survey yang dilakukan terhadap populasi yang sedang dalam melakukan
perjalanan. Menurut TCRP dalam APTA, on-board survey dalam menghimpun data pergerakan
penduduk memberikan informasi yang lebih baik dinilai dari akurasi, keandalan, dan detail
yang diberikan oleh masyarakat.
Lokasi dari penghimpunan data ini merupakan di sepanjang jalan arteri dan kolektor
karena kedua jalan tersebut melayani pergerakan jarak menengah keatas dan diprediksi dapat
meraih populasi masyarakat dengan pergerakan penduduk tingkat kota dan regional dalam
ruang lingkup penelitian. Proporsi jumlah populasi yang dihimpun tidak dibatasi oleh wilayah
administrasi karena batas administrasi dalam on-board survey tidak berpengaruh pada asal dan
tujuan pergerakan, asalkan masih dalam lingkup penelitian data dapat diterima.
Untuk kinerja moda yang akan diteliti, dilakukan survey secara secara statis pada hari
kerja pada pukul 06.00 WIB sampai 18.00 WIB dengan peak-time pukul 06.00-08.00 WIB dan
pukul 12.00-15.00 WIB. Sampel yang ditelit menggunakan teknik sampel non-probability
dengan mengasumsukan jumlah sampel di tiap-tiap variabel pada tiap-tiap jenis moda
transportasi massal.
Di tiap-tiap moda yang diteliti akan dicari sample dengan jumlah tersebut, dengan
commit to user
dikalikan dengan tiap-tiap jenis moda yang akan diteliti. Sehingga total sample yang akan
diteliti dalam penelitian ini adalah sebagai berikut.
37
Tabel 3.4 Sample Moda
BST Koridor BST Koridor 2 BST Koridor 3 AKDP ( 11 jalur x Total
Variabel 1 20)
Load Factor 40 40 40 440 560 moda
(x2, untuk
peak dan non
peak time)
Headways 40 40 40 440 560 moda
(x2, untuk
peak dan non
peak time)
Waktu 40 40 40 220 340 trip
perjalanan
(x2, untuk
perjalanan
bolak balik,
kecuali
AKDP*)
Metode Analisis
Metode analisis dalam penelitian ini merupakan cara yang digunakan dalam penelitian
in untuk mengolah data yang didapatkan dari hasil penghimpunan data yang dilakukan melalui
survey. Metode analisis ini digunakan untuk mengetahui jawaban dari pertanyaan peneliti
tentang rumusan masalah.
Teknik analisis yang digunakan untuk penelitian distribusi frekuensi, scoring
menggunakan skala Likert dan skala Guttman, dan importance performance analysis.
Ketiga teknik analisis tersebut digunakan untuk mencari pertanyaan sasaran-sasaran di
penelitian ini untuk menjawab rumusan masalah.
Distribusi frekuensi adalah pengelompokan data ke dalam beberapa kategori yang
menunjukkan banyaknya data dalam setiap kategori, dan setiap data tidak dapat dimasukkan ke
dalam dua atau lebih kategori (Suharyadi & Purwanto, 2009). Pengelompokan ini berdasarkan
karakteristik-karakteristik data yang dihimpun dalam survey. Untuk penelitian ini, kategori
diambil berdasarkan teori dari pendapat peneliti pada masing-masing sub variabel.
Scoring adalah pemberian harkat atau nilai pada data berdasarkan skala yang
ditentukan. Dalam penelitian, pemilihan kategori ini telah ditetapkan secara spesifik oleh
commit to user
1
Jalur AKDP ini merupakan jalur yang berada di Tatralok Surakarta Tahun 2009, tidak berdasarkan pada
tiap-tiap trayek yang tersedia. Jalur-jalur ini melayani pergerakan menuju dan dari Terminal Tirtonadi ke arah luar
Surakarta.
38
peneliti (Nazir, 2003). Dalam skala Likert digunakan untuk mengukur sikap, pendapat, dan
persepsi seseorang atau kelompok orang tentang fenomena sosial ke dalam tingkatan tertentu
yang dalam penelitian ini merupakan variabel. Sedangkan skala Guttman kategori penilaian
bersifat binary yaitu hanya ya atau tidak. Dalam scoring ini penentuan interval menggunakan
rumus:
ܴܽ݊݃݁
‫ ݈ܽݒݎ݁ݐ݊ܫ‬ൌ

Dimana range merupakan skor tertinggi yang bisa didapat dalam perhitungan nilai data
dikurangi skor terendah. Sedangkan kategori merupakan jumlah kelas yang ditentukan oleh
peneliti untuk menilai tingkat data. Dalam skala Guttman pemberian nilai ini dibagi menjadi 2,
yaitu 1 bila data positif dan 0 bila data negatif (dalam penelitian ini merupakan variabel-variabel
pergerakan). Sedangkan dalam skala Likert pemberian nilai ini berdasar tingkatan 1, 2, 3, dst
berdasarkan tingkatan yang ditentukan (dalam penelitian ini merupakan variabel kinerja
angkutan umum massal)
Importance performance analysis merupakan perbandingan tingkat dukungan
konsumen terhadap kualitas suatu kinerja layanan yang diberikan oleh penyedia jasa (Martilla,
1977). Penerapan analisis ini diilustrasikan ke dalam grafik yang berisikan 4 kuadran dengan
sumbu vertikal berupa tingkatan dukungan konsumen dan sumbu horizontal berupa tingkat
pelayanan.
commit to user
Gambar 3.1 Ilustrasi Importance Performance Analysis

39
(Sumber: Martilla, 1977)
Dalam pembagian kuadran ini berisi kuadran: concentrate here, dimana tingkat
pendukungan konsumen terhadap pelayanan tinggi tetapi pelayanan kurang dan diperlukan
peningkatan kualitas pelayanan; keep up with the good work, dimana tingkat pendukungan
konsumen tinggi dan pelayanan pun tinggi yang berarti kinerja pelayanan sesuai; low priority,
dimana pendukungan konsumen rendah dan pelayanan rendah; dan possibly overkill, dimana
pelayanan terlalu tinggi tidak sesuai pendukungan konsumen.
Metode analisis dalam penelitian ini dibagi ke dalam 7 analisis, yang akan dijelaskan
sebagai berikut di bawah ini
Identifikasi Pola Pergerakan Spasial

Identifikasi pola pergerakan spasial ini merupakan analisis yang digunakan peneliti
untuk menjabarkan data pergerakan spasial yang terjadi di wilayah penelitian terhadap rute
pelayanan bus. Analisis ini bertujuan untuk mendapatkan karakteristik frekuensi pergerakan
spasial yang mempunyai potensi terhadap penggunaan angkutan umum massal berdasarkan
jangkauan rutenya. Analisis ini merupakan fase awal yang digunakan dalam mencapai sasaran
pertama dalam penelitian ini.
Input Data Identifikasi Pola Pergerakan Spasial

Pada input identifikasi data ini yang dibutuhkan data-data spasial yang diperoleh dalam
survey primer dan sekunder. Dalam pergerakan spasial, data yang dibutuhkan dalam analisis
ini adalah data asal-tujuan pergerakan dan data zonasi transportasi. Sedangkan dalam
kinerja rute, data yang dibutuhkan untuk mengidentifikasi pola pergerakan akan melihat ke
dalam data rute pelayanan bus.
Teknik Analisis Identifikasi Pola Pergerakan Spasial

Analisis dalam identifikasi pola pergerakan spasial ini menggunakan teknik distribusi
frekuensi dimana data asal-tujuan pergerakan berdasarkan zonasi transportasi dihitung
frekuensinya berdasarkan zona yang terlayani oleh rute pelayanan bus. Kelas frekuensi data
ini dibagi ke dalam jumlah pergerakan yang terlayani oleh rute pelayanan bus dan jumlah
pergerakan yang tidak dapat terlayani oleh rute pelayanan. Dalam analisis ini yang
menghasilkan tabel distribusi frekuensi pergerakan spasial terhadap rute pelayanan ini
menggunakan alat bantu analisis berupa aplikasi Microsoft Excel 2016 dan untuk mengetahui
zona terlayani menggunakan aplikasi ArcMap 10.1.
Kompilasi data asal-tujuan yangcommit to user
didapatkan dari survey merupakan data lokasi asal-
tujuan berdasarkan kelurahan. Sebelum dianalisis data asal-tujuan tersebut disaring berdasarkan
40
komposisi kelurahan dalam zonasi transportasi (Tabel 3.5 Komposisi Kelurahan Dalam Zonasi
Transportasi). Dalam penyajian data asal-tujuan pergerakan digunakan matriks pergerakan
antar zonasi transportasi dimana jumlah pergerakan dihitung berdasar baris asal ke kolom
tujuan.
Tabel 3.5 Komposisi Kelurahan Dalam Zonasi Transportasi

Zona Kelurahan
1 Baluwarti, Gajahan, Kauman, Kratonan, Pasar Kiwon
2 Panularan, Jayengan
3 Kampung Baru, Kedung Lumbu, Keprabon, Sangkrah
4 Joyosuran, Semanggi
5 Danukusuman, Joyotakan, Serengan
6 Kemlayan
7 Ketelan, Punggawan, Timuran
8 Kepatihan Kulon, Kestelan, Setabelan
9 Kepatihan Wetan, Purwadiningratan, Sudiroprajan
10 Pucangsawit, Sewu
11 Bumi, Laweyan, Pajang, Sondakan
12 Purwosari
13 Gilingan, Tegalharjo
14 Jagalan
15 Manahan, Mangkubumen
16 Nusukan
17 Jajar, Karangasem, Kerten
18 Banyuanyar, Sumber
19 Kadipiro
20 Mojosongo
21 Jebres
22 Kecamatan Kartasura
23 Kecamatan Jaten
(Sumber: Tatralok Kota Surakarta 2009)
Untuk frekuensi pergerakan berdasarkan terlayani dan tidak terlayaninya suatu zona
digunakan teknik intersect jangkauan pelayanan rute bus terhadap zonasi transportasi dengan
bantuan aplikasi ArcMap 10.1. Zona-zona yang termasuk dalam jangkauan pelayanan rute bus
menjadi zona yang terlayani.
Output Identifikasi Pola Pergerakan Spasial

Data yang dihasilkan oleh analisis ini adalah tabel distribusi frekuensi pergerakan
spasial terhadap zona pelayanan bus. Data ini merupakan karakteristik pergerakan yang
terlayani rute pelayanan yang mempunyai potensi terhadap penggunaan angkutan umum
massal.
Rangkuman Identifikasi Pola Pergerakan Spasial dalam proses analisis di penelitian ini
adalah sebagai berikut.
commit to user
Tabel 3.6 Rangkuman Identifikasi Pola Pergerakan Spasial
Tujuan Analisis Input Teknik Analisis Alat Bantu Analisis Output Data
41
Menjabarkan data x Asal-tujuan Distribusi Frekuensi x Microsoft Tabel distribusi
pergerakan spasial pergerakan Excel 2016 frekuensi
yang terjadi di x Zonasi x ArcMap pergerakan spasial
wilayah penelitian Transportasi 10.1 terhadap zona
terhadap rute x Rute pelayanan bus
pelayanan bus Pelayanan
Bus
Identifikasi Pola Pergerakan Non Spasial

Identifikasi pola pergerakan non spasial dalam penelitian ini merupakan analisis terkait
pergerakan non spasial untuk mengetahui komposisi karakteristik masyarakat yang melakukan
pergerakan dalam wilayah penelitian. Analisis ini bertujuan untuk menjabarkan karakteristik
masyarakat pelaku pergerakan berdasarkan tingkat potensi penggunaan angkutan umum.
Analisis ini merupakan salah satu proses untuk mencapai sasaran pertama pada penelitian ini.
Input Data Identifikasi Pola Pergerakan Non Spasial

Pada identifikasi pola pergerakan non spasial ini membutuhkan data dari kompilasi
karakteristik pelaku pergerakan berupa data waktu melakukan pergerakan, maksud
pergerakan, kepemilikan kendaraan, dan penggunaan kendaraan. Selanjutnya data-data
tersebut disaring berdasarkan karakteristik yang mempunyai potensi untuk pergerakan
menggunakan angkutan umum.
Teknik Analisis Identifikasi Pola Pergerakan Non Spasial

Dalam identifikasi ini data input yang diperoleh dari hasil survey karakteristik
pergerakan dianalisis per sub variabel penelitian berdasarkan kelas yang memiliki potensi untuk
menggunakan kendaraan umum dengan teknik analisis distribusi frekuensi. Pada analisis ini
dibantu dengan alat bantu analisis berupa aplikasi Microsoft Word 2016.
Masing-masing sub variabel mempunyai 2 kelas distribusi yang berbeda. Pada sub
variabel waktu pergerakan dicari frekuensi pergerakan berdasarkan terjadinya pergerakan saat
peak time, bila pergerakan terjadi saat 06.00-08.00 pada saat berangkat dan 14.00-16.00 pada
saat pulang, dan non peak time, dimana peak time mempunyai potensi penggunaan angkutan
umum tinggi dilihat dari kualitas angkutan umum massal ditingkatkan saat peak time.
Dalam sub variabel maksud pergerakan, frekuensi karakteristik pergerakan dibagi ke
dalam kelas pergerakan rutin, dimana berisi frekuensi maksud maksud pergerakan bekerja
dan sekolah, dan pergerakan pergerakan tidak rutin, dimana berisi frekuensi sosial. Pada sub
variabel ini frekuensi pergerakan rutin mempunyai potensi penggunaan angkutan umum yang
lebih tinggi dikarenakan mempunyai kemungkinan lebih dalam melakukan pergerakan.
commit to user
Dalam sub variabel kepemilikan kendaraan, frekuensi karakteristik pelaku pergerakan
dibagi ke dalam kelas memiliki pilihan kendaraan, dimana berisi frekuensi kepemilikan
42
kendaraan bermotor yaitu mobil pribadi maupun sepeda motor pribadi, dan tidak memiliki
pilihan kendaraan, dimana berisi frekuensi kepemilikan kendaraan hanya kendaraan tidak
bermotor dan tidak memiliki kendaraan. Pada sub variabel ini frekuensi tidak memiliki pilihan
kendaraan mempunyai potensi penggunaan angkutan umum yang lebih tinggi.
Sedangkan dalam sub variabel penggunaan kendaraan, frekuensi karakteristik pelaku
pergerakan dibagi ke dalam kelas kendaraan umum, dimana berisi frekuensi penggunaan
kendaraan umum, dan kendaraan pribadi, dimana berisi frekuensi penggunaan kendaraan
mobil, sepeda motor, dan kendaraan tidak bermotor. Pada sub variabel ini frekuensi
penggunaan kendaraan umum mempunyai potensi yang lebih tinggi.
Keseluruhan pendistribusian frekuensi data pergerakan non spasial terhadap potensi
penggunaan angkutan umum dalam analisis ini dirangkum dalam tabel di bawah ini.
Tabel 3.7 Distribusi Frekuensi Pola Pergerakan Non Spasial

Sub Variabel Karakteristik Kelas
Waktu Pergerakan 06.00 – 08.00 Peak time
(Berangkat) Lainnya Non peak time
Waktu Pergerakan 14.00 -16.00 Peak time
(Pulang) Lainnya Non peak time
Maksud Bekerja Pergerakan rutin
Pergerakan Sekolah
Sosial Pergerakan tidak
rutin
Kepemilikan Hanya memiliki kendaraan Tidak memiliki
Kendaraan tidak bermotor pilihan kendaraan
Tidak memiliki kendaraan
pribadi
Mobil pribadi Memiliki pilihan
Sepeda motor pribadi kendaraan
Penggunaan Kendaraan umum Penggunaan
Kendaraan kendaraan umum
Mobil Penggunaan
Sepeda motor kendaraan pribadi
Kendaraan tidak bermotor
(Sumber: Rangkuman Kajian Teori, 2015)
Output Identifikasi Pola Pergerakan Non Spasial

Hasil dari identifikasi ini adalah tabel distribusi pergerakan non spasial terhadap
potensi penggunaan angkutan umum. Selanjutnya data frekuensi ini dinilai berdasarkan
tingkat potensi penggunaan angkutan umum.
Rangkuman Identifikasi Pola Pergerakan Spasial dalam proses analisis di penelitian ini
adalah sebagai berikut.
commit to user
Tabel 3.8 Rangkuman Identifikasi Pola Pergerakan Non Spasial
43
Menjabarkan x Waktu Distribusi Frekuensi Microsoft Excel 2016 Tabel distribusi
karakteristik Pergerakan pergerakan non
masyarakat pelaku x Maksud spasial terhadap
pergerakan Pergerakan potensi penggunaan
berdasarkan tingkat x Kepemilikan angkutan umum
potensi penggunaan Kendaraan
angkutan umum x Penggunaan
Kendaraan
Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Spasial

Dalam analisis potensi penggunaan kendaraan umum berdasarkan pergerakan non
spasial merupakan analisis penilaian tingkat potensi penggunaan angkutan umum. Dalam
analisis ini mempunyai tujuan untuk mengetahui tingkat potensi penggunaan angkutan umum
oleh masyarakat dilihat dari pergerakan spasialnya.
Input Data Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Spasial

Dalam analisis ini dibutuhkan data hasil dari identifikasi pola pergerakan spasial yaitu
berupa tabel distribusi frekuensi pergerakan spasial terhadap zona pelayanan bus. Data
ini berisi berisi proporsi pergerakan berdasarkan rute angkutan umum massal yang melayani
Kota Surakarta. Data ini dibagi ke dalam BST dan AKDP.
Teknik Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Non

Spasial
Teknik analisis dalam mendapatkan hasil potensi penggunaan kendaraan umum ini
menggunakan scoring menggunakan skala Guttman atau pemberian harkat terhadap frekuensi
pergerakan. Pemberian harkat ini berdasarkan persentase jumlah pergerakan yang terjadi di
jalur pelayanan BST dan AKDP. Alat bantu analisis dalam analisis ini adalah berupa aplikasi
Microsoft Excel 2016.
Tingkat potensi ini dibagi ke dalam 3 kelas skala penilaian dari jumlah pergerakan yang
terjadi, yaitu tinggi, sedang, dan rendah. Dari total pergerakan yaitu sebanyak 401 dari
pergerakan asal tujuan, maka skala penilaian tingkat potensi penggunaan kendaraan umum
dijelaskan di tabel di bawah ini.
Tabel 3.9 Skala Penilaian Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan
Spasial
Jumlah Jumlah Interval Skala Penilaian
Sample Kelas Kelas Rendah Sedang Tinggi
401 3 133.67 0 - 133.67
commit to 133.67
user - 267.33 267.33 - 401
44
Output Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Spasial
Hasil dari analisis ini merupakan tingkat potensi penggunaan kendaraan umum
berdasarkan pergerakan spasial. Selanjutnya hasil analisis ini di bandingkan dengan kinerja
rute trayek.
Tabel 3.10 Rangkuman Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan
Spasial
Mengetahui tingkat Tabel distribusi Scoring Microsoft Excel 2016 Potensi penggunaan
potensi penggunaan frekuensi pergerakan kendaraan umum
angkutan umum oleh spasial terhadap zona berdasarkan
masyarakat dilihat pelayanan bus pergerakan spasial
dari pergerakan
spasialnya
Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Non Spasial

Analisis potensi penggunaan kendaraan umum berdasarkan pergerakan non spasial
merupakan proses analisis dengan mengolah data pergerakan non spasial untuk mencari tingkat
ketergantungan masyarakat terhadap penggunaan angkutan umum. Tujuan dari analisis ini
adalah untuk mengetahui tingkat potensi penggunaan kendaraan umum berdasarkan pola
pergerakan non spasial.
Input Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Non

Spasial
Dalam analisis potensi penggunaan kendaraan umum berdasarkan pergerakan non
spasial dibutuhkan data dari hasil identifikasi pola pergerakan non spasial yaitu tabel distribusi
pergerakan non spasial terhadap potensi penggunaan angkutan umum. Data tersebut telah
dibagi berdasarkan tingkat potensi penggunaan angkutan umum ke dalam 2 kelas yaitu tinggi
dan rendah.
Teknik Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Non

Spasial
Dalam analisis ini menggunakan teknik scoring untuk mencari tingkat potensi
berdasarkan pola pergerakan non spasial. Pemberian harkat pada keseluruhan tiap-tiap sub
variabel ini berdasarkan tingkat potensi penggunaan angkutan umum. Dalam pemberian harkat
ini dibagi ke dalam 3 kelas skala penilaian yaitu tinggi, sedang, rendah. Di tiap-tiap variabel
mempunyai 2 skala ukur yaitu tinggi dan rendah. Maka penilaian pada analisis ini adalah
commit to user
sebagai berikut.
45
Tabel 3.11 Skala Ukur Data Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Non Spasial
Skala Penilaian (Skor) Sample per Jenis Data
Jumlah Jenis Data
Peak Time Non Peak Time
Waktu Nilai Skala Nilai Skala
Pergerakan Pergi dan Pulang Penilaian Penilaian
Tinggi Rendah
2 2 1 401
perpustakaan.uns.ac.id

Jumlah Jenis
Pergerakan Pergerakan
Sample
Rutin Tidak Rutin
Maksud
Nilai Skala Nilai Skala
Pergerakan
Penilaian Penilaian
Tinggi Rendah
1 2 1 401
Jumlah Jenis Memiliki Tidak Memiliki
Sample Pilihan Pilihan
Kepemilikan Kendaraan Kendaraan
Kendaraan Nilai Skala Nilai Skala
Penilaian Penilaian
commit to user
Tinggi Rendah
1 2 1 401
Jumlah Jenis
Sample Kendaraan Kendraan
Umum Pribadi
Penggunaan
Nilai Skala Nilai Skala
Kendaraan
Penilaian Penilaian
Tinggi Rendah
1 2 1 401
(Sumber: Analisis Scoring, 2015)
digilib.uns.ac.id
46
Tabel 3.12 Skala Penilaian Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Non Spasial
Jumlah Nilai Nilai Lebar Jumlah Interval Skala Penilaian
Sample Tertinggi Terendah Nilai Kelas Kelas Rendah Sedang Tinggi
Jumlah
Jenis Data x
Sample per
Jalur (Lihat:
Tabel 3.11
Skala Ukur Jumlah Total

Nilai Lebar Nilai Nilai Nilai Nilai
Waktu Data Sample x Sample x
Pergerakan Tertinggi Nilai : Nilai Terendah Terendah Tertinggi Tertinggi Nilai
Potensi Nilai Nilai
- Nilai Jumlah Terendah + Nilai + Nilai - Nilai - Nilai Tertinggi
Penggunaan Indikator Indikator
Terendah Interval Interval Interval Interval Interval
Angkutan Tertinggi Terendah
Umum
Berdasarkan
Pergerakan
Non
Spasial)
401 802 401 401 3 133.67 401 - 534.67 534.67 - 668.33 668.33 - 802
commit to user
Jumlah
Jenis Data x
Sample per
Jalur (Lihat:
Tabel 3.11
Maksud Skala Ukur Jumlah Total
Nilai Lebar Nilai Nilai Nilai Nilai
Pergerakan Data Sample x Sample x
Tertinggi Nilai : Nilai Terendah Terendah Tertinggi Tertinggi Nilai
Potensi Nilai Nilai
Umum
Berdasarkan
Pergerakan
Non
Spasial)
digilib.uns.ac.id
47
401 802 401 401 3 133.67 401 - 534.67 534.67 - 668.33 668.33 - 802
Jumlah
Jenis Data x
Sample per
Jalur (Lihat:
Tabel 3.11
Kepemilikan Nilai Lebar Nilai Nilai Nilai Nilai

Data Sample x Sample x
Kendaraan Tertinggi Nilai : Nilai Terendah Terendah Tertinggi Tertinggi Nilai
Potensi Nilai Nilai
Umum
Berdasarkan
Pergerakan
Non
Spasial)
401 802 401 401 3 133.67 401 - 534.67 534.67 - 668.33 668.33 - 802
commit to user
Jumlah
Jenis Data x
Sample per
Jalur (Lihat:
Tabel 3.11
Penggunaan Nilai Lebar Nilai Nilai Nilai Nilai
Data Sample x Sample x
Kendaraan Tertinggi Nilai : Nilai Terendah Terendah Tertinggi Tertinggi Nilai
Potensi Nilai Nilai
Umum
Berdasarkan
Pergerakan
Non
Spasial)
digilib.uns.ac.id
401 802 401 401 3 133.67 401 - 534.67 534.67 - 668.33 668.33 - 802
48
Setelah mendapat nilai dari tiap-tiap variabel, analisis ini mencari tingkat penilaian dari variabel pola pergerakan non spasial yang menjadi potensi
penggunaan angkutan umum masih dengan teknik scoring dengan 3 kelas penilaian tinggi, sedang, rendah. Dari masing-masing tingkat nilai sub variabel
yang telah dihitung diberi tingkat penilaian keseluruhannya dengan skala penilaian sebagai berikut.
Tabel 3.13 Skala Penilaian Keseluruhan Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Non Spasial
Nilai Nilai Lebar Jumlah Interval

Jumlah Sub Skala Ukur Skala Penilaian
Tertinggi Terendah Nilai Kelas Kelas
Variabel
Tinggi Sedang Rendah Rendah Sedang Tinggi
Waktu
Perjalanan,
Maksud Jumlah Sub Jumlah Sub Nilai Nilai Nilai Nilai Nilai
Lebar Nilai
Pergerakan, Variabel x Variabel x Tertinggi - Nilai Terendah Terendah Tertinggi - Tertinggi - Nilai
: Jumlah
Kepemilikan Nilai Skala Nilai Skala Nilai Terendah + Nilai + Nilai Nilai Nilai Tertinggi
Interval
Kendaraan, dan Ukur Tinggi Ukur Tinggi Terendah Interval Interval Interval Interval
Penggunaan
Kendaraan
6 3 2 1 18 6 12 3 4 6 - 10 10 - 14 14 - 18
commit to user
digilib.uns.ac.id
49
Output Analisis Potensi Angkutan Umum Berdasarkan Pergerakan Non Spasial
Hasil dari analisis potensi penggunaan angkutan umum berdasarkan pergerakan non
spasial ini adalah tingkat potensi penggunaan angkutan umum berdasarkan pergerakan
non spasial yang selanjutnya akan dibandingkan dengan tingkat kinerja moda angkutan umum
massal.
Rangkuman dari analisis potensi penggunaan angkutan umum berdasarkan pergerakan
non spasial adalah sebagai berikut.
Tabel 3.14 Rangkuman Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan
Non Spasial
Mencari tingkat Tabel distribusi Scoring Microsoft Excel 2016 Potensi penggunaan
potensi masyarakat frekuensi pergerakan angkutan umum
terhadap non spasial terhadap berdasarkan
penggunaan zona pelayanan bus pergerakan non
angkutan umum spasial
Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Moda

Analisis ini mengukur tingkatan ketersediaan transportasi umum massal berdasarkan
kinerja moda. Tujuan dalam analisis ini adalah mengetahui tingkat kinerja moda angkutan
umum massal yang berada di Surakarta. Analisis ini dibantu dengan alat analisis aplikasi
Microsoft Excel 2016.
Input Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Moda

Kebutuhan data dalam analisis ini adalah waktu perjalanan, load factors, dan
headways. Waktu pelayanan ini dibagi ke dalam jalur Kartasura-Palur dan Palur-Kartasura
untuk BST, sedangkan untuk headways dan load factors ini dibagi ke dalam peak time dan non
peak time.
Teknik Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Moda

Teknik analisis ini menggunakan scoring dengan skala Linkert dimana masing-masing
sub variabel dinilai berdasarkan skala ukur dari standar penilaian yang ditentukan dalam teori.
Penilaian ini dikategorikan ke dalam 3 kelas penilaian yaitu tinggi, sedang, dan rendah.
Pemberian skor tersebut berdasarkan standar pelayanan pada masing-masing sub variabel.
commit to user
50
Tabel 3.15 Skala Ukur Sub Variabel Kinerja Moda
Jumlah Skala Ukur (Skor) Jumlah Skala Ukur (Skor) Sample
Waktu Jalur <40 40-100 >100 Jalur <20 20-50 >50 per
Perjalanan BST menit menit menit AKDP menit menit menit Jalur
6 3 2 1 11 3 2 1 20
Jumlah Skala Ukur (Skor) Sample
Jalur <15 15-30 >30 per
Peak Time
Bus menit menit menit Jalur

14 3 2 1 20
Headways
Jumlah Skala Ukur (Skor) Sample
Jalur <20 20-50 >50 per
Non Peak Time
Bus menit menit menit Jalur
14 3 2 1 20
Skala Ukur (Skor)
Jumlah Sample
Lebih 100- Kurang
Jalur per
Peak Time Bus dari 125% dari Jalur
125% 100%
Load 14 3 2 1 20
Factors Skala Ukur (Skor)
Jumlah Sample
Lebih 100- Kurang
commit to user
Jalur per
Non Peak Time Bus dari 75% dari Jalur
100% 75%
14 3 2 1 20
digilib.uns.ac.id
51
Tabel 3.16 Skala Penilaian Sub Variabel Kinerja Moda
(Jumlah
Jumlah Total
Waktu Jalur BST + Nilai Lebar Nilai Nilai Nilai Nilai
Sample x Sample x
Perjalanan Jumlah Tertinggi Nilai : Nilai Terendah Terendah Tertinggi Tertinggi Nilai
Nilai Nilai
Jalur AKDB) - Nilai Jumlah Terendah + Nilai + Nilai - Nilai - Nilai Tertinggi
Indikator Indikator
x Sample Terendah Interval Interval Interval Interval Interval
Tertinggi Terendah
per Jalur
340 1020 340 680 3 226.67 340 - 566.67 566.67 - 793.33 793.33 - 1020
(Jumlah
Jumlah Total
Jalur BST + Nilai Lebar Nilai Nilai Nilai Nilai
Sample x Sample x
Jumlah Tertinggi Nilai : Nilai Terendah Terendah Tertinggi Tertinggi Nilai
Nilai Nilai
Indikator Indikator
Tertinggi Terendah
per Jalur
280 840 280 560 3 186.67 280 - 466.67 566.67 - 653.33 793.33 - 840
Headways
Sample Tertinggi Terendah Nilai Kelas Kelas
commit to user
Rendah Sedang Tinggi
(Jumlah
Jumlah Total
Sample x Sample x
Nilai Nilai
Indikator Indikator
Tertinggi Terendah
per Jalur
280 840 280 560 3 186.67 280 - 466.67 566.67 - 653.33 793.33 - 840
(Jumlah
Load Jumlah Total
Factors Sample x Sample x
Nilai Nilai
Indikator Indikator
Tertinggi Terendah
digilib.uns.ac.id
per Jalur
52
280 840 280 560 3 186.67 280 - 466.67 566.67 - 653.33 793.33 - 840
(Jumlah
Jumlah Total
Sample x Sample x
Nilai Nilai
Indikator Indikator
Tertinggi Terendah
per Jalur
280 840 280 560 3 186.67 280 - 466.67 566.67 - 653.33 793.33 - 840
commit to user
digilib.uns.ac.id
53
Setelah mendapatkan nilai di setiap sub variabel maka dihitung keseluruhan tingkat kinerja moda masih dengan scoring dengan skala Linkert
dengan 3 kelas skala penilaian tinggi, sedang dan rendah. Perhitungan skalanya berdasarkan tabel berikut.
Tabel 3.17 Skala Penilaian Skala Sub Variabel Kinerja Moda

Jumlah Skala Ukur (Skor) Skala Penilaian
Data Jumlah Nilai Nilai Lebar Jumlah Interval
Sub
Variable Data Tertinggi Terendah Nilai Kelas Kelas Rendah Sedang Tinggi
Variable Tinggi Sedang Rendah
Waktu
Pelayanan,
LF Peak
Jumlah Jumlah Total
Time, LF Nilai Lebar Nilai Nilai Nilai Nilai
Sub Sample x Sample x
Non Peak Tertinggi Nilai : Nilai Terendah Terendah Tertinggi Tertinggi - Nilai
Variabel x Nilai Nilai
Time, HW - Nilai Jumlah Terendah + Nilai + Nilai - Nilai Nilai Tertinggi
Data Indikator Indikator
Peak Terendah Interval Interval Interval Interval Interval
Variabel Tertinggi Terendah
Time, HW
Non Peak
Time
5 3 2 1 1 5 15 5 10 3 3.33 5 - 8.33 8.33 - 11.67 11.67 - 15
commit to user
digilib.uns.ac.id
54
Output Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Moda
Hasil dari analisis ini merupakan tingkat penilaian kinerja angkutan umum massal
berdasarkan moda yang selanjutnya akan dicari kesesuaiannya berdasarkan potensi
penggunaan angkutan umum terhadap pergerakan non spasial.
Tabel 3.18 Rangkuman Analisis Kinerja Moda

Mengetahui tingkat x Waktu Scoring Microsoft Excel 2016 Tingkat penilaian
kinerja moda Perjalanan kinerja angkutan
angkutan umum x Headways umum massal
massal yang berada x Load Factors berdasarkan moda
di Surakarta
Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Rute

Analisis ini merupakan penentuan tingkat kinerja keseluruhan dari kinerja rute dari
angkutan umum massal yang tersedia. Tujuan dari analisis adalah mengetahui kinerja
pelayanan rute angkutan umum massal yang menjadi sasaran 2 dari penelitian ini.
Input Data Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Rute
Untuk melakukan analisis ini dibutuhkan data yang didapat dari survey skunder yaitu
berupa data waktu pelayanan, kelangsungan rute, jangkauan lokasi pemberhentian,
overlapping, hubungan, dan struktur rute.
Teknik Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Rute

Analisis ini menggunakan teknik scoring dengan skala Guttman dimana skala ukur
dari masing-masing variabel berupa binary (sesuai dan tidak sesuai). Dalam analisis ini
karakteristik sub variabel yang sesuai dengan standar pelayanan diberi skor 1 sedangkan yang
tidak sesuai diberi skor 0. Setelah itu masing-masing skor dari sub variabel ditentukan skala
penilaiannya berdasarkan skala.
commit to user
55
Tabel 3.19 Skala Ukur Sub Variabel Kinerja Rute
Skala Ukur (Skor)
Jumlah Trayek Sesuai (05.00-06.00 sampai Tidak
Waktu pukul 22.00-02.00) Sesuai
Pelayanan (BST Koridor 1, BST Koridor 2,
BST Koridor 3, dan AKDP)
4 1 0
Skala Ukur (Skor)
Sesuai
Jumlah Rute Tidak
(maksimal 150% dari jarak

Kelangsungan Sesuai
terdekat yang bisa dilalui)
Rute
(6 BST Koridor dan 11 rute
AKDP)
17 1 0
Skala Ukur (Skor)
Sesuai
Jumlah Trayek (Jangkauan pelayanan antar Tidak
Jangkauan
halte ideal, tidak overlapping Sesuai
Lokasi
dan tidak berjauhan)
Pemberhentian
(BST Koridor 1, BST Koridor 2,
commit to user
4 1 0
Skala Ukur (Skor)
Jaringan Trayek Sesuai Tidak
(Terjadi dalam CBD Kota) Sesuai
Overlapping
4 1 0
Skala Ukur (Skor)
Sesuai
Struktur Jaringan Trayek Tidak
(Percabangan hanya terjadi
Sesuai
di sekitar terminal)
digilib.uns.ac.id
56
4 1 0
Skala Ukur (Skor)
Sesuai (Terjadi hubungan
Jaringan Trayek Tidak
antar trayek lain minimal di 3
Sesuai
Hubungan titik)
4 1 0
Tabel 3.20 Skala Penilaian Sub Variabel Kinerja Rute

Data per Jumlah Nilai Nilai Lebar Jumlah Interval Skala Penilaian
Trayek Data Tertinggi Terendah Nilai Kelas Kelas Rendah Sedang Tinggi
Jumlah Total
Waktu Nilai Lebar Nilai Nilai
Sample Sample x Nilai Nilai
Pelayanan Tertinggi Nilai : Nilai Terendah Terendah Nilai
x Nilai Nilai Tertinggi - Tertinggi -
- Nilai Jumlah Terendah + Nilai + Nilai Tertinggi
Indikator Indikator Nilai Interval Nilai Interval
Terendah Interval Interval Interval
Tertinggi Terendah
1 4 4 0 4 3 1.33 0 - 1.33 1.33 - 2.67 2.67 - 4
commit to user
Rute Data Tertinggi Terendah Nilai Kelas Kelas Rendah Sedang Tinggi
Jumlah Total
Kelangsungan Nilai Lebar Nilai Nilai
Rute Tertinggi Nilai : Nilai Terendah Terendah Nilai
Tertinggi Terendah
1 17 17 0 17 3 5,67 0 - 5,67 5,67 - 11,33 11,33 - 17
Trayek Sample Tertinggi Terendah Nilai Kelas Kelas Rendah Sedang Tinggi
Jangkauan
Jumlah Total
Lokasi Nilai Lebar Nilai Nilai
Pemberhentian Tertinggi Nilai : Nilai Terendah Terendah Nilai
Tertinggi Terendah
digilib.uns.ac.id
57
1 4 4 0 4 3 1.33 0 - 1.33 1.33 - 2.67 2.67 - 4
Jalur Sample Tertinggi Terendah Nilai Kelas Kelas Rendah Sedang Tinggi
Jumlah Total
Nilai Lebar Nilai Nilai
Overlapping Sample Sample x Nilai Nilai
Tertinggi Nilai : Nilai Terendah Terendah Nilai
Tertinggi Terendah
1 4 4 0 4 3 1.33 0 - 1.33 1.33 - 2.67 2.67 - 4
Jumlah Total
Jumlah Nilai Lebar Nilai Nilai
Struktur Sample Sample x Nilai Nilai
Trayek x Tertinggi Nilai : Nilai Terendah Terendah Nilai
Data per - Nilai Jumlah Terendah + Nilai + Nilai Tertinggi
Trayek Terendah Interval Interval Interval
Tertinggi Terendah
1 4 4 0 4 3 1.33 0 - 1.33 1.33 - 2.67 2.67 - 4
Jumlah Total
Nilai Lebar Nilai Nilai
Hubungan Sample Sample x Nilai Nilai
Tertinggi Nilai : Nilai Terendah Terendah Nilai
Tertinggi Terendah
1 4 4 0 4 3 1.33 0 - 1.33 1.33 - 2.67 2.67 - 4
commit to user
Setelah mendapatkan nilai di setiap sub variabel maka dihitung keseluruhan tingkat kinerja rute masih dengan scoring dengan skala Linkert
dengan 3 kelas skala penilaian tinggi, sedang, dan rendah. Perhitungan skalanya berdasarkan tabel berikut.
Tabel 3.21 Skala Penilaian Skala Sub Variabel Kinerja Rute

Jumlah Sub Skala Ukur (Skor) Data Jumlah Nilai Nilai Lebar Jumlah Interval Skala Penilaian
Variable Tinggi Sedang Rendah Variable Data Tertinggi Terendah Nilai Kelas Kelas Rendah Sedang Tinggi
Waktu Pelayanan, Nilai Lebar Nilai Nilai Nilai Nilai
Jumlah Jumlah Total
Kelangsungan Rute, Tertinggi Nilai : Nilai Terendah Terendah Tertinggi Tertinggi - Nilai
Sub Sample x Sample x
Jangkauan Lokasi - Nilai Jumlah Terendah + Nilai + Nilai - Nilai Nilai Tertinggi
Variabel x Nilai Nilai
Pemberhentian, Terendah Interval Interval Interval Interval Interval
digilib.uns.ac.id
58
Overlapping, Data Indikator Indikator
Struktur, Hubungan Variabel Tertinggi Terendah
6 3 2 1 1 6 18 6 12 3 6 6 - 10 10 - 14 14 - 18
commit to user
digilib.uns.ac.id
59
Output Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Rute
Hasil dari analisis ini adalah tingkat penilaian kinerja angkutan umum massal
berdasarkan rute.
Tabel 3.22 Rangkuman Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Rute
Tujuan dari analisis adalah x Kelangsungan Scoring Microsoft Excel 2016 Tingkat
mengetahui kinerja Rute penilaian
pelayanan rute angkutan x Jangkauan kinerja
umum massal Lokasi angkutan
Pemberhentian umum
x Overlapping massal
x Struktur berdasarkan
x Hubungan rute
Analisis Ketersediaan Kinerja Transportasi Massal Terhadap Pola Pergerakan

Analisis ini membandingkan potensi penggunaan kendaraan umum massal terhadap
kinerja angkutan umum massal yang tersedia. Tujuan dari analisis ini adalah mengetahui
kesesuaian antar potensi penggunaan kendaraan umum massal berdasarkan pola pergerakan dan
kinerja angkutan umum massal. Analisis merupakan analisis utama dalam mengetahui rumusan
masalah penelitian ini.
Input Data Ketersediaan Kinerja Transportasi Massal Terhadap Pola Pergerakan

Kebutuhan data dari analisis ini adalah data-data yang didapatkan dari analisis-analisis
sebelumnya yang telah dilakukan, yaitu tingkat penilaian kinerja angkutan umum massal
berdasarkan moda yang dibandingkan dengan potensi penggunaan angkutan umum
berdasarkan pergerakan non spasial dan tingkat penilaian kinerja angkutan umum
massal berdasarkan rute yang akan dibandingkan dengan potensi penggunaan angkutan
umum berdasarkan pergerakan spasial.
Teknik Analisis Ketersediaan Kinerja Transportasi Massal Terhadap Pola Pergerakan

Dalam analisis ini menggunakan teknik importance performance analysis dengan
membandingkan pola pergerakan terhadap kinerja angkutan umum massal. Kesesuaian ini
dibagi menjadi ketersediaan pelayanan rute, dimana data pendukungan masyarakat berupa
potensi penggunaan angkutan umum berdasarkan pergerakan spasial dan pelayanan merupakan
kinerja rute; dan ketersediaan pelayanan moda, dimana data pendukungan masyarakat berupa
potensi penggunaan angkutan umum berdasarkan pergerakan non spasial dan pelayanan
merupakan kinerja moda.
commit to user
Pada ketersediaan pelayanan rute, sumbu x dimana tingkat potensi penggunaan
angkutan umum berdasarkan pergerakan spasial mempunyai range 0-401 dimana merupakan
60
range tingkat potensi penggunaan angkutan umum berdasarkan pergerakan spasial. Dari range
tersebut, tingkat ketersediaan pelayanan rute mempunyai tingkat karakteristik concentrate here
atau keep up with the good work bila mempunyai nilai di atas 200,5, dan low priority atau
possibly overkill bila mempunyai nilai di bawah 200,5. Sedangkan dalam sumbu y dimana
tingkat kinerja rute mempunyai range 5-15, dimana bila nilai pelayanan rute mempunyai nilai
10-15 akan dikategorikan sebagai keep up with the good work atau possibly overkill, dan
dikategorikan concentrate here atau low priority bila mempunyai nilai di bawah 10.
400
Concentrate Here Keep Up with The Good Work
Potensi Penggunaan Berdasarkan Pergerakan Spasial
350
300
250
200 Ketersediaan Pelayanan Rute

Low Priority Possibly Overkill
150
100
50
0
5 10 15
Kinerja Rute
Gambar 3.2 Ketersediaan Pelayanan Rute

Pada ketersediaan pelayanan moda, sumbu x dimana tingkat potensi penggunaan
angkutan umum berdasarkan pergerakan spasial mempunyai range 4-12 dimana merupakan
range tingkat potensi penggunaan angkutan umum berdasarkan pergerakan non spasial. Dari
range tersebut, tingkat ketersediaan pelayanan moda mempunyai tingkat karakteristik
concentrate here atau keep up with the good work bila mempunyai nilai di atas 8, dan low
priority atau possibly overkill bila mempunyai nilai di bawah 8. Sedangkan dalam sumbu y
dimana tingkat kinerja moda mempunyai range 5-15, dimana bila nilai pelayanan rute
mempunyai nilai 10-15 akan dikategorikan sebagai keep up with the good work atau possibly
overkill, dan dikategorikan concentrate here atau low priority bila mempunyai nilai di bawah
10.
commit to user
61
12
Concentrate Here Keep Up with The Good Work
Potensi Penggunaan Berdasarkan Pergerakan Spasial

11
10
8 Ketersediaan Pelayanan Rute

Possibly Overkill
7
4
5 10 15
Kinerja Rute
Gambar 3.3 Ketersediaan Pelayanan Moda

Output Kesesuaian Kinerja Transportasi Massal Terhadap Pola Pergerakan

Hasil dari analisis ini merupakan jawaban dari rumusan masalah yang menjadi fokus
dalam penelitian ini yaitu ketersediaan transportasi umum massal terhadap pola
pergerakan.
Tabel 3.23 Rangkuman Kesesuaian Kinerja Transportasi Massal Terhadap Pola Pergerakan
Tujuan Analisis Input Teknik Analisis Output Data
Mengetahui x Tingkat penilaian kinerja Importance Ketersediaan
kesesuaian antar angkutan umum massal Performance transportasi
potensi berdasarkan moda Analysis umum
penggunaan x Potensi penggunaan massal
kendaraan umum angkutan umum berdasarkan terhadap
massal berdasarkan pergerakan non spasial pola
pola pergerakan x Tingkat penilaian kinerja pergerakan
dan kinerja angkutan umum massal
angkutan umum berdasarkan rute
massal x Potensi penggunaan
angkutan umum berdasarkan
pergerakan spasial
commit to user
62
Kerangka Analisis Penelitian
Asal-Tujuan
Zonasi Transportasi Analisis Potensi Analisis Kualitas Waktu Pelayanan Kelangsungan Rute
Pergerakan
Penggunaan Angkutan
Angkutan Umum
Input Input Umum Massal Jangkauan
Berdasarkan Pola Masal Berdasarkan Overlapping
Pemberhentian
Identifikasi Pola Pergerakan Spasial Kinerja Rute
Pergerakan Spasial Output Struktur Hubungan
Output
Analisis Scoring Potensi Penggunaan Analisis Scoring
Tingkat penilaian kinerja
Analisis Distribusi Kendaraan Umum
angkutan umum massal Input
Frekuensi Berdasarkan Pergerakan

Microsoft Excel 2016 berdasarkan rute Microsoft Excel 2016
Input Spasial
ArcGIS 10.1
Microsoft Excel 2016 Potensi Penggunaan Input

Tabel Distribusi Frekuensi Tingkat penilaian kinerja
Output Kendaraan Umum
Pergerakan Spasial Terhadap angkutan umum massal Output
Berdasarkan Pergerakan
Zona Pelayanan Bus berdasarkan moda
Non Spasial
Identifikasi Pola Tabel Distribusi Pergerakan
Pergerakan Non Spasial Terhadap
Potensi Penggunaan Analisis Ketersediaan Kinerja Transportasi Massal Terhadap
Non Spasial Angkutan Umum Pola Pergerakan
Output
Analisis Kualitas
Analisis Distribusi Output Angkutan Umum
Frekuensi Analisis Potensi
Input Masal
commit to user
Penggunaan Angkutan
Microsoft Excel 2016 Umum Massal Importance Performance Analysis Berdasarkan
Berdasarkan Pola Waktu Perjalanan
Pergerakan Spasial Kinerja Moda
Input Input
Output Load Factors
Kepemilikan Analisis Scoring Analisis Scoring
Waktu Pergerakan Input
Kendaraan
Microsoft Excel 2016 Microsoft Excel 2016
Penggunaan Headways
Maksud Pergerakan Importance Performance Analysis
Kendaraan
Sasaran 1 Sasaran 3 Sasaran 2
Gambar 3.4 Kerangka Analisis Penelitian

digilib.uns.ac.id

63

Bab Iii

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bab Iii

Diunggah oleh

Hak Cipta:

Format Tersedia

perpustakaan.uns.ac.id digilib.uns.ac.

Tabel 3.1 Variabel Penelitian

Waktu Waktu pergerakan terjadi berpengaruh pada jam operasional bus

Tabel 3.2 Kebutuhan Data

Teknik Pengumpulan Data

Pengumpulan Data Primer

Pengumpulan Data Skunder

Tabel 3.3 Sample Pelaku Pergerakan

Gambar 3.1 Ilustrasi Importance Performance Analysis

Identifikasi Pola Pergerakan Spasial

Input Data Identifikasi Pola Pergerakan Spasial

Teknik Analisis Identifikasi Pola Pergerakan Spasial

Tabel 3.5 Komposisi Kelurahan Dalam Zonasi Transportasi

Output Identifikasi Pola Pergerakan Spasial

Identifikasi Pola Pergerakan Non Spasial

Input Data Identifikasi Pola Pergerakan Non Spasial

Teknik Analisis Identifikasi Pola Pergerakan Non Spasial

Tabel 3.7 Distribusi Frekuensi Pola Pergerakan Non Spasial

Output Identifikasi Pola Pergerakan Non Spasial

Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Spasial

Input Data Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Spasial

Teknik Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Non

Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Non Spasial

Input Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Non

Teknik Analisis Potensi Penggunaan Angkutan Umum Berdasarkan Pergerakan Non

Skala Penilaian (Skor) Sample per Jenis Data

Skala Ukur Jumlah Total

Kepemilikan Nilai Lebar Nilai Nilai Nilai Nilai

Nilai Nilai Lebar Jumlah Interval

Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Moda

Input Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Moda

Teknik Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Moda

Bus menit menit menit Jalur

Tabel 3.17 Skala Penilaian Skala Sub Variabel Kinerja Moda

Tabel 3.18 Rangkuman Analisis Kinerja Moda

Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Rute

Teknik Analisis Kualitas Angkutan Umum Masal Berdasarkan Kinerja Rute

(maksimal 150% dari jarak

(Sumber: Analisis Peneliti, 2015)

Tabel 3.20 Skala Penilaian Sub Variabel Kinerja Rute

Tabel 3.21 Skala Penilaian Skala Sub Variabel Kinerja Rute

Analisis Ketersediaan Kinerja Transportasi Massal Terhadap Pola Pergerakan

Input Data Ketersediaan Kinerja Transportasi Massal Terhadap Pola Pergerakan

Teknik Analisis Ketersediaan Kinerja Transportasi Massal Terhadap Pola Pergerakan

200 Ketersediaan Pelayanan Rute

Gambar 3.2 Ketersediaan Pelayanan Rute

Potensi Penggunaan Berdasarkan Pergerakan Spasial

8 Ketersediaan Pelayanan Rute

Gambar 3.3 Ketersediaan Pelayanan Moda

Output Kesesuaian Kinerja Transportasi Massal Terhadap Pola Pergerakan

Frekuensi Berdasarkan Pergerakan

Microsoft Excel 2016 Potensi Penggunaan Input

Sasaran 1 Sasaran 3 Sasaran 2

Gambar 3.4 Kerangka Analisis Penelitian

(Sumber: Analisis Peneliti, 2015)

Anda mungkin juga menyukai