Abstract
This study aims to analyse private transport user preference to a proposed feeder service for Jakarta MRT. A
logit binomial model is adopted for the analysis. The developed utility function based on the stated preference
survey is categorized into groups that represent motorcycle, car, MRT and non MRT user. Some statistical tests
and a validity test are conducted to select the model that satisfy the requirements. Based on the developed
model, the analysis results show that this proposed feeder service capable to shift the private transport users
significantly both for the MRT and non MRT users. Furthermore, from the analysis, it is found that private car
users have a higher probability to use the proposed feeder than the motorcycle users, while the motorcycle non
MRT users have a higher probability to shift to the MRT than the private car user.
Keywords: MRT Jakarta, Feeder, Stated Preference, Binomial Logit, Demand Analysis
Abstrak
Penelitian ini bertujuan untuk menganalisis preferensi pengguna kendaraan pribadi terhadap usulan layanan
feeder untuk MRT Jakarta. Analilisis dalam penelitian ini menggunakan model logit binomial. Fungsi utilitas
yang dibangun dari data survei stated preference, dikelompokkan berdasarkan jenis moda perjalanan dan status
penggunaan MRT. Untuk mendapatkan model yang terbaik, dilakukan uji kelayakan secara statistik dan uji
validasi terhadap fungsi utilitas yang dibangun. Berdasarkan model yang dibangun, hasil analisis menunjukkan
bahwa usulan layanan pengumpan MRT ini mampu menarik atau memindahkan pengguna kendaraan pribadi
secara signifikan. Analisis lebih lanjut, menunjukkan bahwa peluang pengguna mobil pribadi lebih besar untuk
menggunakan layanan feeder dan peluang pengguna motor yang bukan pengguna MRT untuk berpindah
menggunakan MRT lebih besar daripada pengguna mobil yang bukan pengguna MRT.
Kata Kunci: MRT Jakarta, Feeder, Stated Preference, Model Logit Biner, Analisis Permintaan
PENDAHULUAN
DKI Jakarta pada tahun 2019 menempati peringkat satu sebagai kota termacet di Indonesia
dan peringkat enam belas di dunia dengan waktu dalam kemacetan sebesar 150 jam dalam
satu tahun (INRIX, 2019). TomTom Traffic Index mencatat pada 2019, Jakarta menempati
peringkat sepuluh dunia dengan level kemacetan di angka 53% (TomTom International BV,
2019). Hasil ini didukung dengan data kendaraan pribadi di Jakarta yang berjumlah 18 juta
buah dan mengalami pertumbuhan sebesar 5,3% per tahun (Badan Pusat Statistik, 2018).
Pada Januari 2018, penggunaan kendaraan umum di Jakarta hanya berkisar di angka 18%
dari total perjalanan yang ada (Badan Pusat Statistik Jakarta, 2019). Hal ini masih sangat
jauh dari target penggunaan kendaraan umum di Jakarta, yang mana pada tahun 2030,
Jakarta ditargetkan memiliki penggunaan kendaraan umum di angka 60%, mengacu pada
Peraturan Daerah Provinsi DKI Jakarta No. 1 Tahun 2012 tentang Rencana Tata Ruang
Kawasan 2030 (Harahap & Sulianti, 2016). Sebagai upaya mencapai target tersebut,
320
Firdaus, et al.
Pada tahun 2019, jumlah penumpang MRT mencapai angka 89 ribu orang per hari, melebihi
target penumpang 65 ribu per hari (PT MRT Jakarta, 2019). MRT Jakarta ditargetkan pada
2020 dapat mencapai jumlah penumpang rata-rata 110 ribu orang per hari dan rata-rata 130
ribu orang per hari pada tahun 2021. Dengan kapasitas sebanyak 1900 penumpang pada satu
rangkaian MRT Jakarta, target ini jelas masih jauh dari jumlah maksimum penumpang per
hari yaitu sekitar 175 ribu orang. Perubahan pada struktur jaringan transportasi diyakini perlu
dilakukan untuk menarik pengguna baru transportasi umum, yaitu pada aspek aksesibilitas
dan konektivitas (Papaioannou & Martinez, 2015). Aksesibilitas dan konektivitas yang dapat
diperbarui adalah pada first and last mile perjalanan, dilihat dari MRT Jakarta yang
merupakan moda transportasi umum yang melayani jalur utama (trunk line). Penyediaan
layanan bus feeder menuju stasiun MRT diharapkan dapat melayani rute first mile yang
belum dapat dijangkau oleh MRT Jakarta, mempermudah penggunaan transportasi publik
dan menjadi daya tarik untuk menggunakan moda transportasi publik. Pada penelitian ini
dilakukan analisis mengenai seberapa besar potensi dari layanan konektivitas, yaitu layanan
feeder pada first mile rute untuk menambah jumlah pengguna harian MRT dan mencapai
target jumlah penumpang harian. Layanan feeder pada penelitian ini tidak dibatasi hanya
untuk pengguna MRT saja, melainkan melayani seluruh pengguna, sehingga dapat dilihat
seberapa besar kontribusi feeder terhadap pengunaan MRT, juga seberapa besar layanan
kepada publik secara umum.
METODE PENELITIAN
Penelitian ini terdiri dari lima tahap, yaitu tahap persiapan, tahap pengumpulan data yang
dilakukan dengan survei stated preference, tahap pengembangan dan analisis model, tahap
perbandingan model dan terakhir tahap pengambilan kesimpulan. Alur dari penelitian ini
dapat dilihat pada Error! Reference source not found..
Survei dalam penelitian ini menggunakan metode stated preference (SP) dan disebarkan
secara daring karena situasi pandemi. Kondisi hipotetikal dalam survei ini berupa
pengehematan waktu tempuh dan tarif perjalanan untuk menuju ke stasiun MRT, rencana
jaringan feeder seperti dapat dilihat pada Gambar 2, dengan asumsi dimungkinkan adanya
jalur khusus (di sebagian trayek), menggunakan bus ukuran sedang, dan layanan bersifat
PATAS. Variabel penghematan waktu tempuh dan tarif perjalanan dipilih berdasarkan studi
literatur pada beberapa penelitian tentang perencaan angkutan umum (Indriany et al., 2019),
dan survei pendahuluan yang dilakukan.
Kriteria responden untuk penelitian ini adalah wilayah (zona) asal perjalanan adalah
Kecamatan Kebayoran Lama, Kecamatan Pesanggrahan, Kecamatan Cilandak Jakarta
Selatan atau Kecamatan di Kota Tangerang Selatan, memiliki dan dapat menggunakan
kendaraan pribadi untuk perjalanannya, waktu tempuh dari zona asal ke Stasiun MRT Lebak
Bulus minimum 20 menit, dan rute perjalanan responden dapat dilayani oleh MRT Jakarta.
Dalam pelaksanaan survei, responden memilih situasi kombinasi antara waktu dan tarif yang
paling baik untuk layanan feeder MRT, dengan basis penghematan waktu tempuh
321
Firdaus, et al.
berdasarkan survei waktu tempuh menggunakan google maps dari titik-titik terjauh pada
catchment area menuju Stasiun MRT Lebak Bulus pada jam sibuk di pagi hari.
Data hasil survei disaring sesuai dengan kriteria responden dan kemudian dianalisis dengan
metoda Box Plot untuk mengeleminasi nilai outliers dan nilai ekstrim untuk pertanyaan yang
dapat diisi bebas oleh responden, yaitu pertanyaan mengenai estimasi biaya perjalanan dan
durasi perjalanan untuk menuju ke Stasiun MRT Lebak Bulus. Sebelum mengembangkan
model atau fungsi utilitas, data dikelompokan menjadi beberapa kategori agar didapatkan
populasi yang homogen sehingga model yang dihasilkan lebih baik.
Utilitas adalah ukuran istimewa yang dipertimbangkan seseorang dalam menentukan pilihan
alternatif terbaiknya atau sesuatu yang dimaksimumkan oleh individu serta merupakan
indikator dalam mengambil keputusan. Dalam konteks pilihan moda, maka pelaku
perjalanan akan memilih alternatif yang memiliki utilitas tertinggi sehingga mendapat
manfaat yang sebesar-besarnya dalam hal biaya, waktu ataupun atribut lain yang menyertai
322
Firdaus, et al.
alternatif tersebut. Secara matematis, utilitas merupakan fungsi dari atribut beberapa
alternatif pilihan (Koppelman & Bhat, 2006). Fungsi utilitas pada penelitian ini adalah fungsi
yang menggambarkan nilai utilitas dari layanan feeder MRT, dengan bentuk umum sebagai
berikut (Oppenheim, 1995):
Fungsi utilitas dapat dibentuk melalui analisis regresi baik regresi linier maupun regresi
logistik. Pada penelitian ini karena jawaban atau preferensi responden bersifat dikotomi,
yaitu terdiri dari dua kategori berupa ya dan tidak, serta data yang bersifat nominal dan
ordinal, maka digunakan model regresi logistik biner, dengan bentuk umum sebagai berikut
(Hosmer & Lemeshow, 2000):
𝑝
𝑌=[ ] = 𝛽0 + 𝛽1 𝑋𝑖 + ⋯ + 𝛽𝑝 𝑋𝑝 (2)
1−𝑝
dimana,
Xi dan Xp = variabel independent/prediktor,
𝛽0 = konstanta,
𝛽1 dan 𝛽𝑝 = koefisien dari suatu variabel.
Untuk membangun fungsi utilitas terlebih dahulu dilakukan uji korelasi dan signifikansi
menggunakan metode Spearman untuk menetapkan variabel bebas yang berkorelasi tinggi
dari tiap kelompok data (Santoso, 2014). Selanjutnya, untuk setiap kelompok data dibangun
model dengan berbagai kombinasi variabel yang berkorelasi kuat, dan diuji kelayakannya
dengan uji Omnibus dan uji Hosmer & Lemeshow, yang didasarkan atas perbandingan nilai
chi-square model dengan nilai chi-square yang menjadi standar. Pada uji kelayakan ini juga
didapatkan nilai overall percentage, -2 Log likelihood, dan Nagelkerke R Square. Penjelasan
rinci mengenai metoda, prosedur uji dan interpretasi hasil uji bisa ditemukan dalam beberapa
literatur (Tamin, 2000) (Cox & Snell, 1989).
Karena penelitian ini fokus kepada layanan feeder sebagai alternatif moda perjalanan, maka
konsekuensinya model pilihan untuk penelitian ini menggunakan model logit binomial
dengan karakteristik angka biner 0 dan 1, yang mana pada penelitian ini angka 1
mengindikasikan responden bersedia untuk menggunakan layanan sedangkan angka 0
mengindikasikan responden tidak bersedia menggunakan layanan yang ditawarkan, yang
ditunjukkan dalam rumus berikut (Ortuzar & Willumsen, 2011):
1
𝑃= (3)
1 + 𝑒 𝑈𝑖
dimana,
P = probabilitas penggunaan layanan,
𝑈𝑖 = nilai fungsi utilitas.
323
Firdaus, et al.
Selain uji statistik, dalam penelitian ini dilakukan juga uji validasi terhadap model yang
dibangun dengan metode Root Mean Square Error (RMSE) yang membandingkan tingkat
perbedaan jawaban responden hasil model dengan data real. Standar nilai RMSE yang masih
bisa diterima maksimum perbedaan sebesar 10%. Berikut adalah persamaan untuk
menghitung besaran RMSE (Tamin, 2000):
Setelah diperoleh hasil dari uji kelayakan dan validasi, selanjutnya dilakukan pemilihan
model utilitas yang terbaik yang memenuhi persyaratan lolos uji.
Menggunakan model utilitas yang terpilih untuk tiap kelompok data, kemudian dihitung
besarnya potensi probabilitas penggunaan layanan feeder yang ditawarkan. Merujuk ke hasil
perhitungan potensi penggunaan feeder, kemudian dilakukan analisis perbandingan untuk
tiap kelompok data dan juga analisis potensi penambahan jumlah pengguna MRT dengan
adanya layanan feeder ini.
HASIL PENELITIAN
Pengumpulan dan penyaringan data
Melalui survei yang dilakukan, didapatkan total 223 responden valid yang terdiri dari 115
pengguna motor dan 108 pengguna mobil, dengan komposisi antara pengguna aktif dan
bukan pengguna aktif MRT dapat dilihat pada Gambar 3.
Seluruh data yang ada dilakukan uji Box Plot dan didapatkan hasil nilai outliers pada rentang
70 – 100 menit dan nilai ekstrim dengan nilai lebih besar dari 100 menit untuk variabel waktu
tempuh. Pada variabel biaya perjalanan, didapatkan hasil nilai outliers pada rentang
Rp22.500 – Rp30.000 untuk motor dan Rp45.000 – Rp60.000 untuk mobil, serta nilai
ekstrim dengan nilai lebih dari Rp30.000 untuk motor dan lebih dari Rp60.000 untuk mobil.
Berdasarkan hasil uji tersebut, data hasil survei utama tidak ada yang masuk ke dalam
kategori nilai outliers atau nilai ekstrim sehingga seluruh data dapat digunakan.
324
Firdaus, et al.
Pada setiap kelompok data, dilakukan uji kelayakan model ditinjau dari atribut yang
dihasilkan oleh analisis regesi. Hasil analisis tersebut meliputi uji Omnibus, uji Hosmer &
Lemeshow, Overall percentage model, nilai -2 log likelihood model, dan Nagelkerke R
Square model. Sebagai contoh pada kelompok data 1, model yang dibentuk dapat dikatakan
layak berdasarkan uji Omnibus karena memiliki nilai chi-square yang lebih besar jika
dibandingkan dengan tabel chi-square dan memiliki nilai signifikansi yang lebih kecil dari
0,05. Model ini juga dikatakan layak berdasarkan uji Hosmer & Lemeshow karena nilai chi-
square yang lebih kecil dibandingkan tabel dan nilai signifikansi yang lebih besar dari 0,05.
Overall percentage dari sebuah model menunjukkan seberapa besar persentase ketepatan
model tersebut, yang mana nilai overall percentage pada model ini sebesar 73,26%. Nilai -
2 log likelihood pada model ini juga memiliki nilai yang lebih kecil jika dibandingkan
dengan nilai initial -2 log likelihood, sehingga model dapat dikatakan layak. Nagelkerke R
Square pada model ini sebesar 0,241, hal ini menunjukkan model dapat memprediksi
kontribusi variabel bebas terhadap variabel terikat sebesar 24,1%. Analisis yang sama
dilakukan pada setiap model di semua kelompok data untuk melihat kelayakan dari sebuah
325
Firdaus, et al.
model dengan rangkuman hasil uji kelayakan dapat dilihat pada Tabel 1, dan berdasarkan
analisis tersebut, didapatkan model terbaik pada setiap kelompok data seperti pada Tabel 2.
Dari empat fungsi utilitas yang sudah dibangun, dibentuk grafik yang membandingkan nilai
probabilitas penggunaan layanan feeder berdasarkan model yang dibentuk (Model) dengan
nilai probabilitas yang diperoleh dari sampel yang digunakan sebagai data real (Real). Dalam
grafik model logit yang dibentuk, sumbu x adalah nilai utilitas (U) yang diperoleh dengan
memasukkan kombinasi nilai-nilai variabel ke dalam fungsi utilitas yang sudah dibangun,
dan sumbu y adalah probabilitas penggunaan layanan feeder.
Model yang sebelumnya sudah dibangun kemudian dilakukan uji validasi dengan cara
dibandingkan dengan data real. Uji validasi yang dilakukan adalah uji RMSE (Root Mean
Square Error). Nilai RMSE yang bernilai kurang dari 0,1 menandakan bahwa model yang
dibentuk valid (Tamin, 2000). Hasil uji validasi dari model yang sudah dibangun
sebelumnya dapat dilihat pada Tabel 3, dan dapat disimpulkan keempat model yang sudah
dibangun valid berdasarkan uji RMSE sehingga dapat digunakan untuk mewakili masing-
masing kelompok data.
326
Firdaus, et al.
pembentukan model. Variabel penghematan waktu yang bernilai positif pada tiap fungsi
utilitas mengindikasikan bahwa semakin besar penghematan waktu yang ditawarkan, maka
semakin besar nilai utilitas dari layanan feeder, dan semakin besar pula potensi penggunaan
layanan feeder. Berbanding terbalik dengan variabel penghematan waktu, variabel tarif
layanan yang bernilai negatif pada tiap fungsi utilitas mengindikasikan bahwa semakin besar
tarif layanan yang ditawarkan, maka semakin kecil nilai utilitas dari layanan feeder, dan
semakin kecil pula potensi penggunaannya.
327
Firdaus, et al.
umum, layanan feeder dapat dijadikan layanan penunjang untuk menambah jumlah
pengguna baru MRT Jakarta jika dilihat dari probabilitas penggunaan layanan.
Pada kelompok responden pengguna MRT Jakarta, responden pengguna motor memiliki
probabilitas penggunaan yang lebih kecil jika dibandingkan dengan pengguna mobil, yaitu
sebesar 64,96% – 89,24% berbanding 67,08% – 95,97%. Hal ini dapat dimengerti jika dilihat
dari sudut pandang penghematan waktu tempuh yang ditawarkan, sebagaimana diketahui
bahwa pengguna mobil memiliki waktu tempuh yang lebih besar jika dibandingkan
pengguna motor, sehingga penawaran penghematan waktu tempuh pada penggunaan
layanan feeder memiliki pengaruh yang lebih besar pada pengguna mobil dibanding
pengguna motor.
Pada kelompok responden bukan pengguna MRT Jakarta, responden pengguna motor
memiliki probabilitas penggunaan yang lebih besar dibandingkan dengan pengguna mobil,
yaitu sebesar 83,93% – 96,08% berbanding 59,54% – 81,26%. Hal ini mengindikasikan
pengoperasian layanan feeder akan menarik lebih banyak pengguna baru dari kalangan
pengguna motor, akan tetapi tetap memiliki daya tarik pada pengguna mobil jika dilihat dari
probabilitas penggunaan yang lebih besar dari 50%.
KESIMPULAN
Berdasarkan pengolahan data dan analisis yang sudah dilakukan, salah satu kesimpulan yang
dapat ditarik adalah tarif layanan feeder MRT Jakarta secara signifikan berpengaruh
terdahap preferensi responden. Semakin rendah tarif layanan, probabilitas responden untuk
menggunakan layanan feeder semakin tinggi. Tarif layanan feeder yang dapat diterapkan
menurut penelitian ini adalah pada rentang Rp5.000 – Rp8.000 dengan potensi penggunaan
sebesar 89,24% – 64,96% untuk kelompok pengguna MRT dan 96,08% – 83,93% untuk
kelompok bukan pengguna MRT pada pengguna motor. Pada pengguna mobil, tarif layanan
Rp5.000 – Rp8.000 memiliki potensi penggunaan sebesar 95,97% – 67,08% untuk kelompok
pengguna MRT dan 81,26% – 59,54% untuk kelompok bukan pengguna MRT.
Pada pengguna motor, kelompok responden bukan pengguna MRT memiliki probabilitas
penggunaan yang lebih besar terhadap layanan feeder dibanding kelompok responden
pengguna MRT. Sementara pada pengguna mobil, kelompok responden pengguna MRT
memiliki probabilitas penggunaan lebih besar dibanding kelompok responden bukan
pengguna MRT. Secara keseluruhan, layanan feeder dapat dijadikan pilihan sebagai layanan
penunjang MRT Jakarta untuk menambah jumlah pengguna harian dilihat dari probabilitas
penggunaannya baik terhadap pengguna lama mau pun calon pengguna baru MRT.
Model logit biner dalam bentuk persamaan fungsi utilitas yang dihasilkan pada penelitian
ini adalah, U = 0,478 + 1,320 X8 - 0,538 X9 untuk layanan feeder pada pengguna motor yang
aktif menggunakan MRT dan U = -17,007 + 19,669 X8 - 0,647 X9 untuk layanan feeder pada
pengguna motor yang tidak menggunakan MRT. U = 1,095 + 0,612 X8 - 0,546 X9 untuk
layanan feeder pada pengguna mobil yang aktif menggunakan MRT dan U = 0,996 + 1,265
X8 - 0,634 X9 untuk layanan feeder pada pengguna mobil yang tidak menggunakan MRT.
328
Firdaus, et al.
DAFTAR PUSTAKA
Badan Pusat Statistik. 2018. Statistik Transportasi DKI Jakarta.
Badan Pusat Statistik Jakarta. 2019. Jumlah Angkutan Umum yang Beroperasi.
Cox, D. R., & Snell, E. J. 1989. Analysis of Binary Data. London: Chapman and Hall.
Harahap, F. R., & Sulianti, R. 2016. Perda DKI Jakarta nomor 1 Tahun 2012 tentang
RTRW 2030. Rencana Tata Ruang Kawasan 2030, 22(4), 1251–1271.
Hosmer, D. W., & Lemeshow, S. 2000. Applied Logistic Regression. USA: John Wiley &
Sons.
Indriany, S., Widyantoro, A., & W, I. W. 2019. Analisis Pemilihan Moda Dengan Model
Multinomial Logit Untuk Perjalanan Kerja Dari Kota Tangerang Selatan-DKI
Jakarta. Portal: Jurnal Teknik Sipil, 10(1), 24–32.
INRIX. 2019. Global Traffic Scorecard.
Koppelman, F. S., & Bhat, C. 2006. A Self Instructing Course in Mode Choice Modeling:
Multinomial and Nested Logit Models.
Ortuzar, J., & Willumsen, L. G. 2011. Modelling Transport. John Wiley & Sons, Ltd.
Papaioannou, D., & Martinez, L. M. 2015. The role of accessibility and connectivity in
mode choice. A structural equation modeling approach. Transportation Research
Procedia, 10(July), 831–839.
PT MRT Jakarta. 2019. Annual Report MRT Jakarta 2019.
Santoso, S. 2014. Statistik Non Parametrik. PT. Elex Media Komputindo.
Tabassum, S., Tanaka, S., Nakamura, F., & Ryo, A. 2016. Feeder Network Design for
Mass Transit System in Developing Countries (Case study of Lahore, Pakistan).
Transportation Research Procedia, 25, 3129–3146.
Tamin, O. Z. 2000. Perencanaan & Pemodelan Transportasi (2nd ed.). Penerbit ITB.
TomTom International BV. 2019. TomTom Traffic Index.
Widiarta, I. B. P., & Wardana, I. G. N. 2011. Analisis Pemilihan Moda Dengan Regresi
Logistik pada Rencana Koridor Trayek Trans Sarbagita. Jurnal Ilmiah Teknik Sipil,
15(2), 131–142.
329