Trip Generation & Demand

Forecasting
SJ 5221 Pemodelan Kebutuhan
Pergerakan dan Pembangunan Wilayah
Bona Frazila, Dr. Eng.
 TRIP
GENERATION
MODEL

Dr. Russ Bona Frazila 2

UMUM
• Pemodelan bangkitan/tarikan perjalanan dilakukan terhadap
zona, sesuai dengan tipologi zona-nya.

• Pemodelan dapat dilakukan terhadap bangkitan dan tarikan

secara terpisah, atau digabung sebagai Trip Ends (total bangkitan
dan tarikan)

• Model yang dibahas disini:

• Trip Rate (Tingkat Perjalanan)
• Regression Analysis (Analisis Regresi)
• Cross Classification (Analisis Kategori)
Dr. Russ Bona Frazila 3
ISTILAH & LINGKUP
• Jenis Bangkitan/Tarikan:
• Person trip
• Vehicle trip
• Freight
• Pemisahan/penggabungan bangkitan/tarikan:
• Trip end (total bangkitan/tarikan)
• Trip production (bangkitan saja)
• Trip attraction (tarikan saja)
• Menurut maksud perjalanan (Trip purposes), umumnya di
perkotaan:
• Home-based work (HBW) trip
• Home-based other (HBO) trip
• Non-home based (NHB) trip Dr. Russ Bona Frazila 4
MODEL TINGKAT
PERJALANAN

Dr. Russ Bona Frazila 5

MODEL TRIP RATE
• Merupakan model bangkitan/tarikan yang paling
sederhana, hanya menggunakan satu variabel dalam
bentuk rasio, yang sering dikenal sebagai Trip Rate.

• Besarnya bangkitan/tarikan/trip ends hasil dari

pengamatan dirasiokan dengan variabel dari zona.

• Untuk zona uniform atau spesifik land use misalnya

menggunakan luas bangunan atau jumlah pegawai atau
jumlah mahasiswa atau lainnya
Dr. Russ Bona Frazila 6
FORMULASI

m
TTE
T =
c
m c
xi
𝑇𝑐𝑚 = Trip Rate untuk moda dan maksud perjalanan tertentu
𝑇𝑇𝐸𝑐𝑚 = Total trip ends (pergerakan keluar-masuk) zona i maksud
perjalanan c menggunakan moda m
𝑥𝑖 = Besaran variable karakteristik zona i

Dr. Russ Bona Frazila 7

SATUAN & PENGELOMPOKAN
• Satuannya bisa apa saja, misalnya:
▪ Orang/jam
▪ Kendaraan/jam
▪ Kend roda 4/jam
▪ Kend roda 2/jam
▪ ….. /hari

• Atau bisa juga dibedakan menurut jenis pergerakan, misalnya

▪ Homebased to Work dan Non-Home Based
▪ Menurut maksud perjalanan

Dr. Russ Bona Frazila 8

KELEBIHAN DAN KEKURANGAN
• Kelebihan:
Mudah/sederhana
Untuk jenis land use tertentu di lokasi tertentu nilai Trip Rate
mungkin sudah tersedia
Lebih cocok untuk zona homogen atau land use dengan
pengelompokkan dan lokasi yang spesifik

• Kekurangan:
Tidak memiliki ukuran kualitas (statistik) model
Untuk zona heterogen cenderung kurang baik, karena rentang
besarnya bangkitan/tarikan bisa jadi sangat besar dan pengaruh
variabel zona nya harus dicari yang paling signifikan
Dr. Russ Bona Frazila 9
CONTOH TRIP RATE [1]
• Satu tower apartemen baru akan
dibangun disebelah apartemen yang
sudah 5 tahun beroperasi.
• Apa dampak lalu lintas pada jalan di depan
apartemen rencana tersebut?
• Hasil survey dari apartemen yang sudah
beroperasi sebagai berikut:
• Trip Ends: 748 smp/hari
• Sepeda Motor (40%), Mobil (60%)
• Jam puncak pagi (40%) Trip Ends, Bangkitan
(80%), Tarikan (20%)
• Data apartemen yang sudah beroperasi: • Jam puncak sore (25%) Trip Ends, Bangkitan
• Jumlah Unit: 244 (40%), Tarikan (60%)
• Jumlah Unit Terisi: 235
• Luas Bangunan Total: 12,638 m2 • Faktor emp motor: 0.25
• Luas Bangunan Bersih: 8,452 m2
• Jumlah Penghuni: 805 jiwa Dr. Russ Bona Frazila 10
CONTOH TRIP RATE [2]

• Dengan informasi yang tersedia untuk apartemen rencana:

• Jumlah unit: 450-550
• Luas total: 29,250 m2
• Luas bersih: 18,000 m2

• Maka Trip Rate yg digunakan adalah berdasarkan luas bersih:

0.088 smp/hari/m2

• Sehingga Total Trip Ends apartemen rencana adalah:

1,593 smp/hari

Dr. Russ Bona Frazila 11

 MODEL
ANALISIS
REGRESI

Dr. Russ Bona Frazila 12

REGRESI SEDERHANA
• Untuk meningkatkan kualitas statistik, model trip
rate bisa dikembangkan menjadi regresi sederhana
(1 variabel, linier):

Y = a + bX

Y = dependent variable
X = independent variable
a = y-axis intercept
b = slope of regression line Dr. Russ Bona Frazila 13
REGRESI SEDERHANA
• Untuk data x dan y yang banyak
• Konstanta a dan koefisien b dihitung menggunakan persamaan:

a=
  y-  x  xy
x 2

n  x 2 -(  x) 2

n  xy-  x  y
b=
n  x 2 -(  x) 2

• Regresi 1 variabel bisa juga tidak linier

Dr. Russ Bona Frazila 14
KOEFISIEN DETERMINASI
• Merupakan salah satu ukuran untuk menilai
kedekatan hasil model dan data.

• Didefinisikan sebagai proporsi antara varians

variabel dependen prediksi (model atau hasil
hitungan dengan variabel independen) dengan
varians variabel dependen dari data

• Nilainya antara 0 dan 1, makin mendekati nilai 1,

semakin baik suatu model regresi

Dr. Russ Bona Frazila 15

CONTOH REGRESI SEDERHANA [1]
• Untuk pengembangan apartemen di suatu
kota, maka disurvey dan dikumpulkan
informasi mengenai bangkitan/tarikan
pergerakan serta data atribut apartemen.
• Apartemen dengan karakteristik serupa
yang sudah beroperasi memiliki informasi
sebagai berikut:

Dr. Russ Bona Frazila 16

CONTOH REGRESI SEDERHANA [2]

a=
  y-  x  xy
x 2

b=
n  xy-  x  y
n  x -(  x)
2 2
n  x 2 -(  x) 2

Dr. Russ Bona Frazila 17

CONTOH REGRESI SEDERHANA [3]

• Dengan menggunakan variabel bebas: Luas Bersih,

nilai R2-nya rendah

• Sementara variabel bebas: Jumlah Penghuni akan

memberikan nilai R2 yang sangat tinggi

• Paling tidak variabel bebas yang digunakan adalah

jumlah unit, karena memberikan nilai R2 yang cukup
tinggi
Dr. Russ Bona Frazila 18
CONTOH REGRESI SEDERHANA [4]
• Menggunakan persamaan selain
linier mungkin bisa memberikan
nilai R2 yang lebih tinggi.

• Namun sifat perkiraan yang

optimistis atau pesimistis akan
mempengaruhi pemilihan jenis
persamaan

• Sementara, persamaan linier

memberikan sifat moderat dalam
prediksi
Dr. Russ Bona Frazila 19
TRIP GENERATION STANDARD

Dr. Russ Bona Frazila 20

TRIP GENERATION STANDARD

Dr. Russ Bona Frazila 21

REGRESI MULTILINIER
• Untuk zona heterogen, yang tidak terlalu jelas atribut/variabel zona apa yang
tersedia dan secara dominan mempengaruhi besarnya bangkitan/tarikan,
maka digunakan persamaan bangkitan/tarikan yang memiliki variabel bebas
lebih dari satu

y = a1 x1 + a2 x2 + a3 x3 + ... ak xk + b

• y = variabel tak bebas

• a = koefisien regresi
• x = variabel bebas
• b = konstanta
• k = jumlah variabel Dr. Russ Bona Frazila 22
PROSEDUR STEP WISE [1]
• Pilih (calon) variabel bebas yang mudah diperoleh dan
diprediksi serta umum digunakan untuk model perjalanan
• Matriks korelasi
• Alternatif persamaam regresi:
• tanda korelasi sesuai logika
• tidak terjadi interkorelasi (nilai korelasi antar variable
bebasnya tinggi)
• Nilai korelasi dengan variable tak bebas relatif tinggi

r=
 (x − x )( y − y )
 (x − x )  ( y − y )
2 2

Dr. Russ Bona Frazila 23

PROSEDURE STEP WISE [2]
• Tentukan nilai koefisien regresi dan konstanta
• Tentukan nilai Fstat, Tstat, R2
• Pilih persamaan regresi terbaik:
✓tanda koefisien regresi sesuai logika
✓Fstat  Fkritis (signifikansi keseluruhan persamaan) atau
significance F < 1
✓Tstat  tkritis (signifikansi masing-masing variabel bebas)
atau P-value < level of significance (α, misalnya 0,05)
✓Nilai dan signifikansi konstanta
✓Nilai R2 tertinggi
Dr. Russ Bona Frazila 24
OUTPUT REGRESI [1]
Degree of freedom (df), Sum of Square (SS), Mean of Square (MS)

F=MSR/MSE

Fstat=P(F,dfR,dfE)

PR=Fstat / F

Dr. Russ Bona Frazila 25

OUTPUT REGRESI [2]

Dr. Russ Bona Frazila 26

OUTPUT REGRESI [3]

Dr. Russ Bona Frazila 27

CONTOH REGRESI MULTILINIER [1]

• Diketahui 30 zona heterogen

(berbasis kabupaten/kota)
dengan data bangkitan/tarikan
serta sosio ekonomi terkait
jumlah penduduk dan PDRB
(produk domestic regional
bruto) serta luas wilayah

• Data bisa dikembangkan berupa

gabungan dari data lain

Dr. Russ Bona Frazila 28

CONTOH REGRESI MULTILINIER [2]

Dari matriks korelasi yang dihasilkan dapat dilihat:

Variabel Luas dan PDRB/kapita tidak memiliki hubungan yang logis dengan variabel tak bebas (Y)
Variabel penduduk dan kepadatan memiliki korelasi yang tinggi, sehingga tidak dapat dimunculkan dalam
satu persamaan
Alternatif persamaan:
Y= a + b1.Pddk
Y= a + b1. PDRB
Y= a + b1. Kpdt
Y= a + b1. Pddk + b2.PDRB
Y= a + b1. PDRB + b2.Kpdt

Dr. Russ Bona Frazila 29

CONTOH REGRESI MULTILINIER [3]
• Dengan melakukan kalibrasi koefisien regresi untuk semua alternatif,
statistik yang harus diperhatikan:
• Nilai (tanda) Coefficients
• Nilai F dan Significance F
• Nilai tStat dan P-value untuk masing-masing koefisien dan konstanta
• Nilai R Square

Dr. Russ Bona Frazila 30

CONTOH REGRESI MULTILINIER [4]

• Alternatif 4 memberikan nilai statistik terbaik dibandingkan alternatif-

alternatif lainnya

Dr. Russ Bona Frazila 31

 MODEL
ANALISIS
KATEGORI

Dr. Russ Bona Frazila 32

ANALISIS KATEGORI

• Populasi dibagi menurut kategori, misalnya berdasarkan:

• Pendapatan/pengeluaran rumah tangga
• Kepemilikan kendaraan
• Ukuran rumah tangga, dll.
• Kemudian dibuat model bangkitan/tarikan untuk masing-masing
kategori dan kombinasi kategori

Dr. Russ Bona Frazila 33

CONTOH TRIP RATE DENGAN KATEGORI [1]
Household Trip Rate Kota Surabaya, 2011
• Diturunkan dari survey
Home Based
(HB)Interview

• Jumlah responden:
11.180 (± 1% populasi)

• Nilai dalam tabel adalah

jumlah
perjalanan/hari/keluarga

Dr. Russ Bona Frazila 34

CONTOH TRIP RATE DENGAN KATEGORI [2]
Person Trip Rate Kota Surabaya, 2011
• Trip rate untuk Kota
Surabaya juga ditampilan
dalam Person Trip Rate
(Jumlah
perjalanan/orang/hari)
menurut kategori
kepemilikan kendaraan

Dr. Russ Bona Frazila 35

 DEMAND
FORECASTING

Dr. Russ Bona Frazila 36

DEMAND FORECASTING

• Perkirakan pertumbuhan/besarnya variabel di masa yang

akan datang
• Prediksi berdasarkan analisis time series
• Prediksi berdasarkan perkiraan kondisi masa yang akan
datang (dari dokumen-dokumen perencanaan spasial)

Dr. Russ Bona Frazila 37

TIME SERIES ANALYSIS
• Data time series adalah data (historis) yang berurut berdasarkan waktu
• Analisis time series pada prinsipnya dalah mengidentifikasi pola sepanjang
rentang waktu tertentu
• Ketika pola tersebut telah teridentifikasi, maka dapat digunakan untuk
peramalan
• Komponen pola dalam data time series:
• Trends adalah pola naik atau turun
• Seasonality adalah pola pengulangan dalam waktu setahun atau kurang
• Cycle adalah pola yang berulang untuk waktu yang lama
• Irregular variations adalah perubahan pola karena kejadian tidak biasa
• Random fluctuation adalah perubahan pola tidak diketahui penyebabnya atau
nyaris tidak berpola
Dr. Russ Bona Frazila 38
SHORT RANGE
FORECAST

Dr. Russ Bona Frazila 39

SIMPLE MOVING AVERAGE (SMA)

• Dengan merata-ratakan beberapa data dari perioda waktu

sebelumnya
• Averaging Period (AP) ditentukan, sesuai dengan pengalaman

• Dengan AP yang besar maka peramalan akan kurang responsive

terhadap fluktuasi demand (low impulse response and high noise
dampening)
• Sebaiknya AP yang kecil menghasilkan peramalan yang responsive
terhadap fluktuasi demand (high impulse response and low noise
dampening)

Dr. Russ Bona Frazila 40

WEIGHTED MOVING AVERAGE

• Variasi dari SMA adalah dengan menambahkan bobot untuk

masing-masing data sebelumnya.

• Biasanya bobot diberikan sedemikian rupa sehingga untuk

total AP jumlah bobot = 1.

• Bobot yang besar bisa diberikan kepada data yang paling dekat
atau kepada data yang diyakini paling mirip (misalnya data
untuk hari yang sama)

Dr. Russ Bona Frazila 41

EXPONENTIAL SMOOTHING

• Bobot yang digunakan didistribusikan secara

exponensial.
• Peramalannya adalah hasil perkalian dari kesalahan
peramalan sebelumnya (A t-1 - Ft-1) dengan a.

Ft = Ft-1 + a(A t-1 - Ft-1)

• Smoothing constant, a, bernilai antara 0.0 dan 1.0.

• Nilai a besar berarti high impulse response forecast.
• Nilai a kecil berarti low impulse response forecast.
Dr. Russ Bona Frazila 42
MEDIUM-LONG
RANGE
FORECAST

Dr. Russ Bona Frazila 43

SIMPLE LINEAR REGRESSION

• Regresi linier adalah mengkorelasikan data variable

bebas dengan data variable tak bebas secara linier

• Simple linear regression hanya menggunakan satu

variable bebas

• Bisa divariasikan dengan memperhitungkan season

(untuk peramalan jangka menengah) atau dengan
persamaan yang tidak linier
Dr. Russ Bona Frazila 44
TREND REGRESSION: ALTERNATIVE FUNCTIONS

Dr. Russ Bona Frazila 45

TREND REGRESSION: ALTERNATIVE FUNCTIONS

Dr. Russ Bona Frazila 46

 FORECAST
PERFORMANCE

Dr. Russ Bona Frazila 47

FORECAST-MODEL PERFORMANCE: ACCURACY

• Mean Absolute Deviation (MAD)

• semakin kecil semakin baik, berarti hasil peramalan
mendekati data
n

 Actual demand -Forecast demand

i=1
i i
MAD =
n

Dr. Russ Bona Frazila 48

FORECAST-MODEL PERFORMANCE: ACCURACY

• Coefficient Determination
• Biasanya untuk regression analysis, nilainya
diantara 0 dan 1
• Merepresentasikan perbandingan antara varians
model dan varians data

Dr. Russ Bona Frazila 49

MONITORING AND CONTROLLING
A FORECASTING MODEL

• Tracking Signal (TS)

n

 (Actual demand
i= 1
i - Forecast demand i )
TS =
MAD

• Model peramalan yang baik akan menghasilkan nilai mendekati

0
• Bila TS bernilai positif, peramalan perlu dinaikkan dan bila TS
bernilai negative permalan perlu diturunkan.
Dr. Russ Bona Frazila 50
PEMBATASAN TINGKAT PERTUMBUHAN

• Untuk prediksi jangka panjang, perlu diperhitungkan kemungkinan

perubahan trend (tingkat pertumbuhan) atau batasan dari kapasitas

• Bila tidak diperhitungkan, ada kemungkinan hasil peramalannya akan

menjadi tidak masuk akal (terlalu besar)

it P(t) : Jumlah pada tahun ke-t

K Po e
P(t ) = Po : Jumlah pada tahun ke-0
K + Po (eit − 1) K
t
:
:
Carrying Capacity (Pada kondisi jenuh)
tahun
i : tingkat pertumbuhan
Dr. Russ Bona Frazila 51