(Bangkitan-Tarikan pergerakan)

Trip Generation

Program Studi Teknik Sipil Dr. Dwi Prasetyanto

Institut Teknologi Nasional Bandung

 Trip Generation
jumlah pergerakan yang dibangkitan oleh suatu zona asal (Oi) dan jumlah
pergerakan yang tertarik ke setiap zona tujuan (Dd) yang terdapat dalam
daerah kajian.

i
d

Trip Production Trip Attraction.

Biasanya Trip Production berbasis rumah dan

Trip Attraction berbasis bukan rumah.
Dalam hal-hal tertentu Trip Production dan Trip Attraction dapat berbasis
bukan rumah, misalnya pertokoan, pabrik dan lain sebagainya.
 Home-Based Trip

Production

Non Home-Based Trip

Gambar Tipe Perjalanan

Metode Mencari Bangkitan dan Tarikan Pergerakan
• Growth Factors Method
Mencoba untuk memprediksi jumlah pergerakan yang
dibangkitkan (atau di tarik) oleh rumah tangga atau zona
sebagai fungsi (yang biasanya linier) yang didefinisikan
berdasarkan data yang ada
• Category Method
Membagi tiap jenis perjalanan yang dibangkitkan
menjadi berbagai kategori tergantung dari sifat
perjalanan dan pelaku perjalanan
• Regresi Method
Mencari hubungan regresi antara perjalanan yang
dibangkitkan dengan faktor-faktor yang
mempengaruhi
 Growth Factors Method
(Metode Faktor Pertumbuhan)
• Mencoba untuk memprediksikan jumlah
pergerakan yang dibangkitkan (atau di tarik)
oleh rumah tangga atau zona sebagai fungsi
(yang biasanya linier) yang didefinisikan dari
data yang ada .
• Dasar persamaan untuk meramalkan angka
perjalanan masa akan datang :

• Ti dan ti adalah perjalanan di masa depan dan

perjalanan sekarang di zona i, dan Fi adalah
faktor pertumbuhan
 Metoda Faktor Pertumbuhan
• 𝑇𝑖 = 𝐹𝑖 × 𝑡𝑖 ; dimana
• 𝑇𝑖 = Perkiraan jumlah trip (trip production atau trip
attraction) 𝐹𝑖 = Faktor pertumbuhan 𝑡𝑖 = Jumlah trip
eksisting (trip production atau trip attraction)
• Biasanya, estimasi dari Fi ini yang menjadi fokus,
variabel yang berpengaruh adalah populasi (p), income
(I), car ownership (C).

• Method ini memiliki karakteristik:

✓ Sangat simpel
✓ Membutuhkan data tahun dasar dan faktor ekspansi yang dapat
diandalkan untuk semua zona
✓ Tidak sensitif terhadap perubahan kebijakan
 Model Kategori
• Metoda ini didasarkan pada adanya keterkaitan
antara terjadinya pergerakan dengan atribut
rumah tangga.
• Membagi tiap jenis perjalanan yang
dibangkitkan menjadi berbagai kategori
tergantung atribut pelaku perjalanan
• Asumsi dasarnya adalah tingkat bangkitan
pergerakan dapat dikatakan stabil dalam waktu
untuk setiap stratifikasi rumah tangga tertentu.
• Metoda ini menemukan secara empiris bahwa
besarnya tingkat bangkitan pergerakan akan
sangat banyak membutuhkan data (misalnya
jumlah rumah tangga untuk setiap kelas).
 Analisis katagori tingkat pergerakan untuk 18 katagori

Tingkat pemilikan kendaraan Tingkat Pendapatan

Rendah Menengah Tinggi

Tidak ada kendaraan (0) 3,4 a 3,7 a 3,8 a

4,9 b 5,0 b 5,1 b

Satu kendaraan (1) 5,2 a 7,3 a 8,0 a

6,9 b 8,3 b 10,2 b

Dua atau lebih kendaraan (2+) 5,8 a 8,1 a 10,1 a

7,2 b 9,8 b 12,9 b

Catatan :
a. Tingkat bangkitan pergerakan untuk setiap rumah tangga dengan 1-3 orang
b. Tingkat bangkitan pergerakan untuk setiap rumah tangga dengan 4 atau lebih orang
Tingkat pemilikan
Tingkat Pendapatan
kendaraan

Rendah Menengah Tinggi

Tidak ada kendaraan (0) 3,4 a 3,7 a 3,8 a

4,9 b 5,0 b 5,1 b
Satu kendaraan (1) 5,2 a 7,3 a 8,0 a
6,9 b 8,3 b 10,2 b
Dua atau lebih kendaraan
5,8 a 8,1 a 10,1 a
(2+)
7,2 b 9,8 b 12,9 b
Catatan :
a. Tingkat bangkitan pergerakan untuk setiap rumah tangga dengan 1-3 orang
b. Tingkat bangkitan pergerakan untuk setiap rumah tangga dengan 4 atau lebih orang

1 keluarga:
3 kendaraan, 4 jiwa, pendapatan menengah
Pergerakan?
Hitung bangkitan pergerakan untuk suatu zona yang terdiri dari:

• 50 keluarga dengan tingkat pendapatan rendah, tidak memiliki

kendaraan dan jumlah anggota keluarga tiga orang;
• 100 keluarga dengan tingkat pendapatan rendah, tidak memiliki
kendaraan dan jumlah anggota keluarga empat orang;
• 200 keluarga dengan tingkat pendapatan menengah, tidak memiliki
kendaraan clan jumlah anggota keluarga empat orang;
• 100 keluarga dengan tingkat pendapatan tinggi, memiliki dua
kendaraan dan jumlah anggota keluarga lima orang.

Perhitungannya adalah sebagai berikut :

• Bangkitan pergerakan = (50 x 3,4) + (100 x 4,9) + (200 x 5) + (100 x

12,9) = 2950 kendaraan tiap hari yang dihasilkan oleh zona
tersebut.
 Model Analisis Regresi

• Model yang mencoba mencari korelasi antara besarnya

bangkitan/tarikan dari/ke zona tersebut dengan
parameter sosio ekonomi kependudukan dengan
menggunakan persamaan regresi.

• Persamaan regresi dapat terdiri dari regresi linier dan

tidak linier.

• Regresi linier sendiri dapat merupakan regresi linier

sederhana maupun multiple regression.
 Regresi Linier Ordinary Least Square (OLS)
• Persamaan regresi dapat terdiri dari regresi linier dan tidak linier.

• Regresi Linier OLS merupakan model regresi linear dengan metode

perhitungan kuadrat terkecil

• Syarat yang harus dipenuhi agar model peramalan yang dibuat menjadi valid
sebagai alat peramalan. Syarat-syarat tersebut apabila dipenuhi semuanya,
maka model regresi linear tersebut dikatakan Best Linear Unbiased
Estimation (BLUE)

• Asumsi klasik adalah syarat-syarat yang harus dipenuhi pada model regresi
linear OLS agar model tersebut menjadi valid sebagai alat penduga.

Regresi Linier OLS:

• Regresi Linear sederhana atau disebut dengan simple linear regression,

adalah regresi linear dengan satu variabel bebas dan satu variabel terikat.

• Regresi linier berganda atau disebut juga dengan multiple linear

regression adalah regresi linear dengan satu variabel terikat dan beberapa
variabel bebas.
Uji Asumsi Klasik Pada Regresi Linear Sederhana:

1. Data interval atau rasio,

2. Linieritas (Linearitas adalah sifat hubungan yang linear antar variabel, artinya setiap

perubahan yang terjadi pada satu variabel akan diikuti perubahan dengan besaran yang sejajar
pada variabel lainnya)

3. Normalitas (data penelitian berdistribusi normal atau tidak)

4. Heteroskedastisitas varians data konstan (homoskedastis) atau tidak (heteroskedastis).

5. Outlier

6. Autokorelasi (Hanya untuk data time series atau runtut waktu).

 Regresi Linier Sederhana

• Regresi linier sederhana mempunyai persamaan:

• Y = a + b.X

Y = variabel tidak bebas (misalnya ukuran pergerakan zona dalam

bentuk pergerakan orang atau pergerakan moda),

X = variabel bebas yang berhubungan dengan tata guna tanah

zona, karakteristik sosial-ekonomi,

b = koefisien dari variabel bebas

a = konstanta atau intersep yang menggambarkan bahwa harga Y

tidak dapat dijelaskan oleh variabel bebasnya.
 n n n
n ( X i .Yi )   ( X i ). (Yi )
b i 1
n
 
i 1
n
i 1
2 a  Y  bX
n  ( X )   ( X i ) 
i
2

i 1  i 1 

n n n
n ( X i .Yi )   ( X i ). (Yi )
r i 1 i 1 i 1

 n  n

2
  n  n

2

n ( X i )    ( X i    n (Yi )    Yi   
2 2

 i 1  i 1     i 1  i 1   

 i i
(Yˆ  Y ) 2

R2  1 i 1
n

 i
(Yˆ
i 1
 Y ) 2
Alur Pemodelan Regresi:
Regression Models:

Simple Linear
Y = a + bX Y = a + bX

REGRESSION

Multiple Non-Linear
Y = a + b1X1 + … + bnXn Y = a + bx + cx2
Y = aXb
Regression Models:
Regression Models:
Regression Models:
Regression Models:
Regression Models:
Regression Models:
Regression Models:
Regression Models:
Regression Models:
Jumlah pergerakan orang = 0,05 + 0,25 jumlah kendaraan + 0,05 jumlah penduduk
(0,09) (0,11) (0,003)
Nilai dalam ( ) adalah standard error
a. Bagaimanakah signifikansi dari jumlah penduduk dengan pergerakan orang pada
tingkat kepercayaan 95%?
b. Bagaimanakah arah dan bentuk hubungan antara jumlah penduduk dengan jumlah
pergerakan?
pergerakan jumlah penduduk
100 1600
50 1800
150 1000

a. Buat model hubungan antara jumlah

pergerakan dengan jumlah penduduk
b. Interpretasikan hasilnya
 n n n
n ( X i .Yi )   ( X i ). (Yi )
b i 1
n
 
i 1
n
i 1
2 a  Y  bX
n  ( X )   ( X i ) 
i
2

i 1  i 1  y x
pergerakan jumlah penduduk
100 1600
50 1800
n n n
n ( X i .Yi )   ( X i ). (Yi ) 150 1000

r i 1 i 1 i 1

 n  n

2
  n  n

2

n ( X i )    ( X i    n (Yi )    Yi   
2 2

 i 1  i 1     i 1  i 1   

JK Regresi  i
(Yˆ  Y ) 2

R 2
 i 1
n

 i
JK T otal
(Y  Y ) 2

i 1
 X = jumlah penduduk (orang) Y = jumlah pergerakan
5745 610
6255 470
5100 311
4975 405

a. Buat model hubungan antara jumlah pergerakan dengan jumlah

penduduk
b. Interpretasikan hasilnya
pergerakan jumlah penduduk
100 1600
50 1800
150 1000

a. Buat model hubungan antara jumlah

pergerakan dengan jumlah penduduk
b. Interpretasikan hasilnya
 n n n
n ( X i .Yi )   ( X i ). (Yi )
b i 1
n
 
i 1
n
i 1
2 a  Y  bX
n  ( X )   ( X i ) 
i
2

i 1  i 1  y x
pergerakan jumlah penduduk
100 1600
50 1800
n n n
n ( X i .Yi )   ( X i ). (Yi ) 150 1000

r i 1 i 1 i 1

 n  n

2
  n  n

2

n ( X i )    ( X i    n (Yi )    Yi   
2 2

 i 1  i 1     i 1  i 1   

JK Regresi  i
(Yˆ  Y ) 2

R 2
 i 1
n

 i
JK T otal
(Y  Y ) 2

i 1
 Multiple Linear Regression Analysis
Teknik statistik yang sering digunakan dalam menurunkan memperkirakan
Bangkitan-Tarikan Pergerakan pada masa yang akan datang, dimana dua
atau lebih variabel (faktor) bebas yang mempengaruhi jumlah pergerakan.

Y = a + b1.X1 + b2.X2 +... + bn.Xn

Asumsi menggunakan regresi linier:

• Variabel tidak bebas adalah fungsi linier dari variabel

bebas,
• Variabel bebas adalah tetap dan telah diukur tanpa
kesalahan,
• Tidak ada korelasi antara variabel bebas,
• Variansi dari variabel tidak bebas tentang garis
regresi adalah sama untuk seluruh nilai variabel tidak
bebas
• Nilai variabel tidak bebas harus terdistribusi normal
atau mendekati.
Uji Asumsi Klasik Pada Regresi Linear Berganda

Data interval atau rasio,

Linearitas
Normalitas
Heteroskedastisitas
Outlier
Multikolinieritas
Autokorelasi (Hanya untuk data time series atau runtut waktu).
terimakasih