3 - Trip Generation Dan Proyeksi Pertumbuhan Lalu Lintas
3 - Trip Generation Dan Proyeksi Pertumbuhan Lalu Lintas
Forecasting
SJ 5221 Pemodelan Kebutuhan
Pergerakan dan Pembangunan Wilayah
Bona Frazila, Dr. Eng.
TRIP
GENERATION
MODEL
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
• 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]
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
a=
y- x xy
x 2
b=
n xy- x y
n x -( x)
2 2
n x 2 -( x) 2
y = a1 x1 + a2 x2 + a3 x3 + ... ak xk + b
r=
(x − x )( y − y )
(x − x ) ( y − y )
2 2
F=MSR/MSE
Fstat=P(F,dfR,dfE)
PR=Fstat / F
• Jumlah responden:
11.180 (± 1% populasi)
• Bobot yang besar bisa diberikan kepada data yang paling dekat
atau kepada data yang diyakini paling mirip (misalnya data
untuk hari yang sama)
• Coefficient Determination
• Biasanya untuk regression analysis, nilainya
diantara 0 dan 1
• Merepresentasikan perbandingan antara varians
model dan varians data
(Actual demand
i= 1
i - Forecast demand i )
TS =
MAD