Tugas I

Teknik Lalu Lintas

Disusun oleh :

Nama : Buce Samuel Talakua

Nim : 202173082
Kelas : B

Universitas Pattimura
Fakultas Teknik
Program studi Teknik Sipil
1.

Obsi pilihan saya (b): distribusi waktu kepala kereta cepat perkotaan.

Dalam sistem kereta cepat perkotaan, waktu kepala merujuk pada selang waktu antara kereta
berturut-turut yang melintasi titik tertentu, seperti peron stasiun. Waktu kepala adalah
karakteristik aliran penting karena memengaruhi kapasitas dan efisiensi sistem, serta tingkat
layanan bagi penumpang. Oleh karena itu, penting untuk memahami distribusi waktu kepala dan
variasinya.

Ada berbagai cara untuk mempelajari waktu kepala dalam sistem kereta cepat perkotaan, seperti
eksperimen lapangan dan analisis data. Salah satu pendekatan yang mungkin adalah dengan
mengumpulkan data tentang waktu kedatangan kereta di stasiun tertentu dan menghitung waktu
kepala berdasarkan informasi ini. Dataset yang dihasilkan dapat digunakan untuk
memperkirakan distribusi waktu kepala dan menganalisis propertinya, seperti rata-rata, standar
deviasi, dan skewness.

Beberapa faktor dapat memengaruhi distribusi waktu kepala dalam sistem kereta cepat
perkotaan. Misalnya, tingkat permintaan, jadwal kereta, frekuensi pemeliharaan dan perbaikan,
dan kejadian yang tidak terduga seperti keterlambatan atau kerusakan dapat mempengaruhi
ketepatan kedatangan kereta dan variasi waktu kepala.

Memahami distribusi waktu kepala dapat membantu perencana transportasi dan operator untuk
meningkatkan efisiensi dan keandalan sistem kereta cepat. Misalnya, dengan menyesuaikan
jadwal atau frekuensi kereta, mereka dapat mengurangi variasi waktu kepala dan meningkatkan
tingkat layanan bagi penumpang. Mereka juga dapat menggunakan informasi ini untuk
mengembangkan model yang lebih baik untuk memprediksi waktu kedatangan kereta dan
mengelola sistem secara real-time.

Secara keseluruhan, mempelajari distribusi waktu kepala adalah aspek penting dalam memahami
karakteristik aliran dalam sistem kereta cepat perkotaan. Dengan menganalisis variasi waktu
kepala dan mengidentifikasi faktor yang memengaruhinya, perencana transportasi dan operator
dapat meningkatkan efisiensi dan keandalan sistem serta meningkatkan tingkat layanan bagi
penumpang.

2. Untuk mengukur jarak waktu individu di jalan tol atau jalan lokal yang jauh dari kontrol
persimpangan dalam kondisi arus ringan, lakukan langkah-langkah berikut:

1. Cari lokasi yang cocok di mana Anda dapat dengan aman mengamati dan mencatat jarak
waktu kendaraan. Ini bisa berupa jalan tol atau jalan lokal yang jauh dari kontrol
persimpangan.
 2. Dengan menggunakan stopwatch atau aplikasi timer, catat waktu yang berlalu antara
melewati setiap kendaraan.
3. Rekam sekitar 200 hingga 300 jarak waktu terdekat dalam detik.
4. Setelah Anda mengumpulkan data yang cukup, gambarkan hasilnya dengan gaya yang
mirip dengan gambar 2.2 untuk satu level volume.
5. Identifikasi pola yang muncul dari data dan bandingkan dengan hasil yang ditunjukkan di
bagian 2.1.

Beberapa pola yang mungkin diamati meliputi:

 Berkumpulnya jarak waktu di sekitar nilai tertentu. Misalnya, Anda mungkin melihat
banyak kendaraan dengan jarak waktu sekitar 2 detik.
 Kesenjangan atau puncak dalam distribusi jarak waktu. Misalnya, Anda mungkin melihat
puncak sekitar 1 detik diikuti dengan kesenjangan, kemudian puncak lain sekitar 3 detik.
 Variabilitas dalam jarak waktu. Misalnya, Anda mungkin melihat beberapa kendaraan
dengan jarak waktu sangat pendek (kurang dari 1 detik) sementara yang lain memiliki
jarak waktu yang lebih lama (5 detik atau lebih).

Dengan membandingkan hasil Anda dengan yang ditunjukkan di bagian 2.1, Anda dapat
memperoleh wawasan tentang perilaku pengemudi dalam kondisi lalu lintas yang berbeda.
Misalnya, Anda mungkin menemukan bahwa pengemudi cenderung mengikuti satu sama lain
lebih dekat dalam kondisi arus ringan, sehingga menghasilkan jarak waktu yang lebih pendek
rata-rata. Sebaliknya, Anda mungkin menemukan bahwa ada lebih banyak variabilitas dalam
jarak waktu dalam kondisi arus ringan karena pengemudi kurang terkendala oleh kemacetan lalu
lintas.

3. Distribusi eksponensial negatif dapat digunakan untuk memodelkan probabilitas waktu antara
kendaraan berturut-turut dalam aliran. Fungsi kepadatan probabilitas distribusi eksponensial
negatif diberikan oleh:

f(x) = λe^(-λx)

di mana λ adalah parameter laju, yang sama dengan jumlah rata-rata peristiwa per satuan waktu,
dan x adalah waktu antara peristiwa berturut-turut. Untuk tingkat aliran sebesar 300 kendaraan
per jam, kita dapat mengonversinya menjadi kendaraan per menit dengan membaginya dengan
60, yang memberikan kita tingkat aliran sebesar 5 kendaraan per menit.

Untuk menghitung parameter laju λ, kita dapat menggunakan rumus:

λ = 1/μ
di mana μ adalah waktu rata-rata antara kendaraan berturut-turut. Karena kita mengetahui tingkat
aliran, kita dapat menghitung μ sebagai:

μ = 1/tingkat aliran = 1/5 = 0,2 menit

Oleh karena itu, parameter laju λ adalah:

λ = 1/μ = 1/0,2 = 5 peristiwa per menit

Sekarang, kita dapat membuat tabel yang serupa dengan Tabel 2.1 untuk menunjukkan fungsi
kepadatan probabilitas dan fungsi distribusi kumulatif untuk distribusi eksponensial negatif
dengan λ = 5:

x f(x) = λe^(-λx) F(x) = 1 - e^(-λx)

0,00 5,000 0,000

0,05 4,112 0,205

0,10 3,365 0,393

0,15 2,736 0,550

0,20 2,204 0,677

0,25 1,752 0,780

0,30 1,365 0,865

0,35 1,033 0,933

0,40 0,746 0,973

0,45 0,495 0,993

0,50 0,303 0,998

0,55 0,168 1,000

0,60 0,085 1,000

0,65 0,038 1,000

0,70 0,015 1,000

0,75 0,005 1,000

0,80 0,001 1,000

0,85 0,000 1,000

0,90 0,000 1,000

0,95 0,000 1,000

1,00 0,000 1,000

Perhatikan bahwa fungsi distribusi kumulatif (CDF) dihitung sebagai 1 - e^(-λx), di mana e
adalah basis dari logaritma natural.

4. Untuk menerapkan distribusi normal pada tingkat aliran lalu lintas sebesar 2000 kendaraan per
jam, kita perlu menentukan rata-rata dan standar deviasi dari distribusi tersebut. Kita anggap
bahwa rata-rata aliran lalu lintas adalah 2000 kendaraan per jam dan standar deviasinya adalah
200 kendaraan per jam, berdasarkan nilai tipikal untuk aliran lalu lintas perkotaan.

Dengan menggunakan parameter-parameter tersebut, kita dapat menghitung probabilitas dari

berbagai tingkat aliran lalu lintas menggunakan distribusi normal standar, yang memiliki rata-
rata 0 dan standar deviasi 1. Kemudian, kita dapat mengonversi probabilitas tersebut menjadi
persentase dan membuat tabel yang mirip dengan Tabel 2.2:

Aliran Lalu Lintas (Kendaraan/Jam) Probabilitas Persentase

Kurang dari 1600 0.0918 9.18%

Kurang dari 1800 0.2743 27.43%

Kurang dari 2000 0.5000 50.00%

Kurang dari 2200 0.7257 72.57%

Kurang dari 2400 0.9082 90.82%

Kurang dari 2600 0.9772 97.72%

Kurang dari 2800 0.9974 99.74%

Kurang dari 3000 0.9997 99.97%

Seperti yang dapat dilihat, distribusinya simetris terhadap rata-rata 2000 kendaraan per jam, dan
sekitar 50% dari aliran lalu lintas berada dalam satu standar deviasi dari rata-rata (1800-2200
kendaraan per jam). Grafik juga menunjukkan bahwa aliran lalu lintas yang sangat rendah atau
tinggi (kurang dari 1600 atau lebih dari 3000 kendaraan per jam) cenderung tidak mungkin.

6. Menggunakan distribusi waktu headway yang diukur untuk level aliran lalu lintas 15-19
kendaraan per menit, terapkan salah satu dari distribusi matematika berikut dan siapkan tabel
yang mirip dengan tabel 2.4 dan gambarkan pada gambar yang mirip dengan gambar 2.7. (a).
distribusi eksponensial negatif bergeser (a=0,5 detik). (b). distribusi erlang (K=2). (c). distribusi
gamma (K=K').

 Distribusi Eksponensial Negatif Bergeser:

Distribusi eksponensial negatif bergeser umumnya digunakan untuk memodelkan distribusi

waktu headway dalam aliran lalu lintas. Distribusi ini memiliki satu parameter, a, yang mewakili
waktu headway minimum antara kendaraan. Untuk menerapkan distribusi ini pada data waktu
headway yang diukur, Anda perlu memperkirakan nilai parameter a.

 Distribusi Erlang:

Distribusi Erlang adalah distribusi dua parameter yang sering digunakan untuk memodelkan
waktu antara kedatangan suatu kejadian. Untuk menerapkan distribusi ini pada data waktu
headway yang diukur, Anda perlu memperkirakan nilai kedua parameter, k dan λ

 Distribusi Gamma:

Distribusi Gamma adalah distribusi yang fleksibel yang dapat digunakan untuk memodelkan
berbagai fenomena, termasuk distribusi waktu headway dalam aliran lalu lintas. Distribusi ini
memiliki dua parameter, k dan θ.

Secara keseluruhan, pilihan distribusi akan tergantung pada karakteristik khusus data waktu
headway yang diukur dan asumsi pemodelan yang ingin Anda buat. Penting untuk mengevaluasi
dengan

7. Untuk meningkatkan distribusi selang waktu waktu komposit untuk tingkat aliran lalu lintas
antara 25 hingga 29 kendaraan per menit, kita dapat mengubah satu atau lebih dari empat
parameter independen yang mempengaruhi aliran lalu lintas:

1. Waktu sinyal lalu lintas: Salah satu cara untuk meningkatkan distribusi selang waktu
adalah dengan menyesuaikan waktu sinyal lalu lintas. Dengan mensinkronkan sinyal lalu
 lintas, kita dapat mengurangi waktu yang dihabiskan kendaraan menunggu di
persimpangan, yang dapat meningkatkan aliran lalu lintas dan mengurangi kemacetan.

2. Konfigurasi jalur: Cara lain untuk meningkatkan distribusi selang waktu adalah dengan
memodifikasi konfigurasi jalur. Menambah atau menghapus jalur dapat mengubah aliran
lalu lintas dan mengurangi kemacetan, yang dapat meningkatkan aliran kendaraan secara
keseluruhan.

3. Tindakan pengendalian lalu lintas: Menerapkan tindakan pengendalian lalu lintas seperti
polisi tidur atau bundaran dapat melambatkan kendaraan dan mengurangi kemungkinan
terjadinya kecelakaan. Hal ini dapat menghasilkan pola lalu lintas yang lebih terprediksi
dan mengurangi variasi dalam distribusi selang waktu.

4. Transportasi umum: Mendorong penggunaan transportasi umum dapat mengurangi

jumlah kendaraan di jalan, yang dapat meningkatkan aliran lalu lintas dan mengurangi
kemacetan. Ini juga dapat menghasilkan pola lalu lintas yang lebih konsisten dan
mengurangi variasi dalam distribusi selang waktu.

Dengan menyesuaikan satu atau lebih dari parameter-parameter ini, kita dapat meningkatkan
distribusi selang waktu dan mengurangi kemacetan di jalan. Namun, penting untuk
mempertimbangkan potensi pengorbanan dan dampak dari perubahan tersebut, karena mereka
dapat memiliki efek positif dan negatif pada aliran lalu lintas dan lingkungan.

8. Distribusi selang waktu yang diukur. Setiap model yang Anda sebutkan memiliki asumsi dan
parameter yang berbeda, dan kesesuaian mereka untuk memfitting data tertentu tergantung pada
karakteristik dari data tersebut.

Secara umum, pemilihan model yang sesuai untuk memfitting satu set data memerlukan
pemahaman mendalam tentang proses fisik atau statistik yang mendasari terjadinya data. Saya
sarankan untuk berkonsultasi dengan pakar di bidangnya atau ahli statistik yang dapat
memberikan panduan tentang memilih model yang tepat dan memfittingnya pada data.

10. Prosedur uji KS melibatkan perbandingan antara fungsi distribusi empiris (ECDF) dari kedua
set data dengan fungsi distribusi kumulatif teoretis (CDF) dari distribusi yang diasumsikan.
Statistik uji adalah perbedaan maksimum antara kedua fungsi tersebut. Jika perbedaan ini lebih
besar dari nilai kritis, maka kita menolak hipotesis nol bahwa dua set data berasal dari distribusi
yang sama.

Kelebihan uji KS:

  Uji KS tidak memerlukan pengetahuan tentang parameter distribusi yang mendasarinya.
Hal ini membuatnya berguna untuk menguji distribusi yang parameter-parameter nya
tidak diketahui atau tidak dapat diestimasi.

 Uji KS merupakan uji yang lebih umum daripada uji chi-square, karena dapat digunakan
untuk menguji setiap distribusi kontinu, tidak hanya distribusi normal atau jenis distribusi
lainnya.

Kelemahan uji KS:

 Uji KS dapat kurang bertenaga dibandingkan dengan uji lain untuk beberapa distribusi,
seperti uji chi-square untuk distribusi normal.

 Uji KS mengasumsikan bahwa kedua set data yang dibandingkan adalah independen dan
identik terdistribusi. Jika asumsi ini dilanggar, uji ini dapat menghasilkan hasil yang tidak
akurat.

 Uji KS sensitif terhadap ekor distribusi dan mungkin bukan uji yang baik untuk
mendeteksi perbedaan pada bagian pusat distribusi.

Kelebihan uji chi-square:

 Uji chi-square merupakan uji yang bertenaga untuk mendeteksi perbedaan antara
frekuensi yang diamati dan yang diharapkan.

 Uji chi-square lebih tahan terhadap gangguan ketika distribusi yang mendasarinya
diketahui dan dapat dimodelkan dengan akurat.

Kelemahan uji chi-square:

 Uji chi-square mengasumsikan bahwa observasi independen dan identik terdistribusi, dan
bahwa frekuensi yang diharapkan cukup besar untuk memenuhi beberapa kriteria. Jika
asumsi ini dilanggar, uji ini dapat menghasilkan hasil yang tidak akurat.

 Uji chi-square hanya dapat digunakan untuk menguji distribusi tertentu, dan memerlukan
pengetahuan tentang parameter distribusi yang mendasarinya. Jika parameter ini tidak
diketahui atau tidak dapat diestimasi, uji ini mungkin tidak berlaku.

11. (a) Pengaruh melihat beberapa kendaraan di depan, bukan hanya kendaraan di depan secara
langsung:

menemukan bahwa pengemudi yang memiliki akses informasi tentang kecepatan dan posisi
kendaraan hingga 400 meter di depan mereka memiliki jarak waktu minimum yang tersebut
menunjukkan bahwa sistem bantuan pengemudi canggih yang menyediakan informasi yang lebih
komprehensif tentang jalan di depan bisa membantu mengurangi jarak waktu minimum dan
meningkatkan keselamatan.

(b) Pengaruh jalur paralel yang tersedia:

menemukan bahwa jumlah jalur yang tersedia memiliki pengaruh yang signifikan pada jarak
waktu minimum, dengan pengemudi pada kondisi macet cenderung memiliki jarak waktu yang
lebih pendek dibandingkan dengan kondisi lalu lintas yang lancar. Studi tersebut juga
menemukan bahwa pengemudi cenderung mengurangi jarak waktu ketika berpindah jalur, yang
menunjukkan bahwa perilaku perpindahan jalur harus dipertimbangkan dalam analisis jarak
waktu minimum.

(c) Inovasi baru untuk meningkatkan transfer informasi kepada pengemudi:

Ada beberapa inovasi baru yang dapat meningkatkan transfer informasi kepada pengemudi dan
berpotensi mempengaruhi jarak waktu minimum antar kendaraan. Sebagai contoh, teknologi
infrastruktur pintar seperti sistem kendaraan terhubung dapat memberikan informasi real-time
kepada pengemudi tentang kondisi lalu lintas, kecelakaan, dan bahaya lainnya.

(d) Kemungkinan pengaruh kontrol kendaraan otomatis:

menemukan bahwa jarak waktu minimum dapat dikurangi secara signifikan dengan penggunaan
sistem AVC, yang dapat meningkatkan aliran lalu lintas dan mengurangi kemacetan

12. Beberapa distribusi matematis yang umum digunakan dalam model simulasi mikroskopik
termasuk distribusi Poisson, distribusi lognormal, distribusi eksponensial, dan distribusi Weibull.

Distribusi Poisson digunakan secara luas karena cocok untuk menggambarkan kedatangan
kendaraan dalam jumlah yang relatif kecil.

Distribusi lognormal digunakan untuk menggambarkan waktu antara kedatangan kendaraan

ketika variabilitas dalam waktu tersebut signifikan.

Distribusi eksponensial digunakan untuk menggambarkan waktu antara kedatangan kendaraan

ketika kedatangan kendaraan bersifat acak dan independen, tetapi variabilitas dalam waktu
tersebut signifikan.

Distribusi Weibull digunakan untuk menggambarkan waktu antara kedatangan kendaraan ketika
variasi dalam waktu tersebut signifikan dan tidak simetris. Distribusi ini cocok digunakan untuk
situasi di mana faktor eksternal yang memengaruhi waktu kedatangan kendaraan berbeda pada
waktu yang berbeda atau ada faktor internal yang memengaruhi waktu kedatangan kendaraan.
13. Penerimaan celah di ram pemberhentian dan persimpangan jalan tol, terdapat beberapa
distribusi matematika yang umum digunakan untuk menggambarkan kedatangan kendaraan,
seperti distribusi Poisson, distribusi eksponensial, distribusi log-normal, dan distribusi Weibull.

Distribusi Poisson sering digunakan karena mampu menggambarkan pola kedatangan

kendaraan yang acak dan tidak teratur. Distribusi ini juga memungkinkan untuk menghitung
peluang terjadinya suatu peristiwa dalam interval waktu tertentu.

Distribusi eksponensial sering digunakan untuk menggambarkan waktu antara kedatangan

kendaraan secara acak. Distribusi ini juga memiliki sifat tak bergantung waktu, artinya
probabilitas waktu tunggu kendaraan yang lebih lama sama dengan probabilitas waktu tunggu
yang lebih pendek.

Distribusi log-normal sering digunakan untuk menggambarkan variabilitas yang tinggi dalam
waktu antara kedatangan kendaraan. Distribusi ini juga dapat menggambarkan distribusi waktu
tunggu kendaraan yang lebih pendek.

Distribusi Weibull sering digunakan untuk menggambarkan kecepatan kedatangan kendaraan

pada jam-jam sibuk. Distribusi ini juga memungkinkan untuk menggambarkan kecepatan
kedatangan kendaraan yang tidak stabil dan dapat berubah seiring waktu.

14.

(a) Bukti bahwa persentase waktu tunda erat kaitannya dengan persentase kendaraan dengan
headway kurang dari 5 detik. Dalam hal ini, perlu dilakukan penelitian dan analisis untuk
menunjukkan korelasi yang kuat antara kedua faktor ini.

(b) Kesesuaian penggunaan ukuran tingkat pelayanan ini untuk jenis fasilitas lain, seperti jalan
tol, perlu dipertimbangkan. Perbedaan karakteristik dan pola lalu lintas antara jalan pedesaan
berdua arah dan jalan tol mungkin memerlukan ukuran tingkat pelayanan yang berbeda untuk
setiap jenis fasilitas.

(c) Penggunaan ukuran tingkat pelayanan ini dapat mempengaruhi pemilihan distribusi
matematis yang tepat. Oleh karena itu, perlu dipertimbangkan efek penggunaan ukuran tingkat
pelayanan ini terhadap pemilihan distribusi matematis yang paling sesuai untuk memodelkan
pola lalu lintas pada jalan pedesaan berdua arah.

15. Tingkat aliran jenuh adalah jumlah maksimum kendaraan yang dapat melewati titik tertentu
dalam satu jam dalam kondisi ideal. Biasanya dilambangkan sebagai Qs dan diukur dalam
kendaraan per jam per lajur. Persamaan (2.38) memberikan perkiraan tingkat aliran jenuh
berdasarkan interval waktu kepala kendaraan individu di garis henti:
Qs = 3600 / (1,5 * T)

di mana T adalah interval waktu rata-rata dalam detik.

Untuk memperkirakan tingkat aliran jenuh menggunakan persamaan ini, perlu menghitung
interval waktu kepala rata-rata dari interval waktu kepala kendaraan individu yang diukur, dan
kemudian memasukkannya ke dalam persamaan.juga perlu memastikan bahwa pengukuran
dilakukan pada kondisi ideal, yang biasanya mencakup durasi fase hijau setidaknya 30 detik,
tanpa gerakan belok, dan tanpa perubahan lajur.

Setelah menghitung tingkat aliran jenuh, dapat membandingkannya dengan tingkat aliran desain
untuk menentukan apakah persimpangan beroperasi pada atau dekat kapasitasnya. Jika tingkat
aliran jenuh lebih rendah dari tingkat aliran desain, ini mungkin menunjukkan bahwa
persimpangan mengalami kemacetan dan mungkin memerlukan peningkatan kapasitas
tambahan.

16. cara mengevaluasi operasi sinyal di persimpangan terisolasi yang dilengkapi dengan detektor
beberapa ratus kaki di hulu dari garis berhenti.

Pertama,perlu memperkirakan waktu perjalanan (t) dari detektor ke garis berhenti untuk
kendaraan yang tidak diwajibkan berhenti. Ini dapat dilakukan dengan mengukur jarak antara
detektor dan garis berhenti dan menghitung waktu yang diperlukan untuk kendaraan menempuh
jarak itu dengan kecepatan yang biasa.

Selanjutnya,perlu mengamati lalu lintas yang mendekati ketika lampu hijau menyala. Selama
jarak waktu kepala (yaitu, jarak waktu antara dua kendaraan berturut-turut) kurang dari t detik,
fase hijau harus diteruskan, kecuali fase hijau telah mencapai nilai maksimum yang telah
ditetapkan. Jika jarak waktu kepala lebih dari t detik terjadi dan ada panggilan di jalan samping,
maka fase hijau harus dihentikan.

Catat hasil pengamatan, termasuk jumlah kendaraan yang melewati persimpangan selama fase
hijau, jumlah panggilan di jalan samping, dan jumlah kali fase hijau dihentikan karena jarak
waktu kepala lebih dari t detik. Anda juga harus mencatat kemacetan lalu lintas atau penundaan
yang terjadi.

Berdasarkan cara diatas dapat mengevaluasi operasi sinyal dan melakukan penyesuaian yang
diperlukan. Misalnya, jika fase hijau sering dihentikan karena jarak waktu kepala lebih dari t
detik,mungkin perlu menyesuaikan panjang fase hijau atau zona deteksi. Sebagai alternatif, jika
ada kemacetan lalu lintas atau penundaan yang signifikan,mungkin perlu mempertimbangkan
langkah-langkah pengelolaan lalu lintas tambahan, seperti menambah jalur belok atau
menyesuaikan waktu sinyal.