Pemodelan pergerakan kendaraan perkotaan di kota Ripon (Inggris)

8.18.1 Pemodelan pergerakan kendaraan perkotaan di kota Ripon (Inggris)

Tamin (1988abcd) melaporkan beberapa penerapan model yang telah dikembangkan untuk memodelkan pergerakan kendaraan di daerah perkotaan di kota Ripon. Gambar 8.7 memperlihatkan deskripsi sistem jaringan jalan kota Ripon.

Gambar 8.7 Deskripsi sistem jaringan di kota Ripon (Inggris) Sumber: Tamin (1988 abc)

434 Ofyar Z Tamin, Perencanaan dan pemodelan transportasi

Penelitian mendapat banyak fasilitas berupa tersedianya pangkalan-data untuk pergerakan kendaraan (Steer, Davies and Gleave, 1987) yang dikumpulkan bersama oleh konsultan Steer, Davies and Gleave (SDG) Ltd. dan pemerintah daerah North Yorkshire County Council (NYCC). Pangkalan-data terdiri dari data MAT tahun 1985, deskripsi jaringan jalan tahun 1985 yang terdiri dari 26 zona, 83 simpul, dan 188 ruas satu arah, dan 63 data arus lalulintas.

Usaha paling utama yang dilakukan dalam penelitian ini berupa uji metode penaksiran yang dikembangkan dengan menggunakan data kota Ripon dengan beberapa keragaman uji keabsahan dan kepekaan. Strategi uji keabsahan dan kepekaan dijadikan fungsi faktor utama yang mempengaruhi ketepatan MAT yang dihasilkan. Strategi tersebut meliputi hal berikut.

• Pemilihan model kebutuhan akan transportasi yang digunakan untuk mencerminkan perilaku pergerakan di dalam daerah kajian.

• Metode penaksiran yang digunakan untuk mengkalibrasi parameter model dengan menggunakan data arus lalulintas.

• Teknik pembebanan rute yang digunakan untuk menentukan rute yang digunakan di dalam jaringan.

• Tingkat galat pada data arus lalulintas. •

Tingkat kedalaman definisi sistem zona dan jaringan. Beberapa uji keabsahan dan kepekaan kemudian dirancang dari kelima faktor

tersebut, meliputi hal berikut.

1 Uji keabsahan

a Uji dengan metode sebaran pergerakan faktor pertumbuhan

b Uji dengan informasi data MAT hasil pengamatan

c Uji dengan informasi arus lalulintas hasil pembebanan

d Uji dengan informasi arus lalulintas hasil pengamatan

e Uji dengan informasi arus lalulintas hasil pembebanan serta data MAT parsial

2 Uji kepekaan

a Uji dengan fungsi hambatan yang berbeda-beda

b Uji dengan data arus lalulintas yang tidak lengkap

c Uji dengan tingkat kedalaman definisi sistem zona dan jaringan yang berbeda-beda

d Uji dengan teknik pembebanan rute batasan-kapasitas Untuk mencari nilai tambah model transportasi yang baru, kita pasti tertarik pada

ketepatan MAT yang dihasilkan oleh metode yang sudah tersedia dan membandingkannya dengan MAT yang dihasilkan oleh model baru tersebut. Oleh karena itu, uji pertama dilakukan dengan menggunakan metode faktor pertumbuhan

Model transportasi berdasarkan data arus lalulintas

Uji kedua dilakukan dengan menggunakan informasi MAT hasil pengamatan untuk mengkalibrasi model yang digunakan. Faktor pertama yang mempengaruhi tingkat ketepatan MAT adalah pemilihan model kebutuhan akan transportasi yang tepat untuk mencerminkan perilaku pergerakan. Oleh karena itu, menarik untuk dipelajari pada tahap ini, jenis model transportasi yang paling baik mencerminkan perilaku pergerakan. Ditemukan beberapa hal berikut.

• Model GO merupakan model terbaik dibandingkan dengan model GR, OP, dan metode Furness.

• Nilai optimum bagi parameter transformasi Box − Cox (model GO) tersebut adalah ε = 0,5 and µ = 1,0.

• Penggunaan model OP dan GO membutuhkan waktu proses komputer yang lama dibandingkan dengan model GR.

• Hasil yang didapat dengan menggunakan data MAT hasil pengamatan merupakan MAT terbaik dan karena itu digunakan seterusnya sebagai MAT pembanding.

Faktor kedua yang mempengaruhi ketepatan MAT adalah metode penaksiran yang digunakan dalam mengkalibrasi parameter model transportasi dengan data arus lalulintas. Karena itu, uji keabsahan dilakukan dengan menggunakan data arus lalulintas hasil pembebanan untuk melihat sejauh mana kemampuan metode penaksiran tersebut dalam mengkalibrasi parameter model dengan data arus lalulintas yang bebas galat. Ditemukan beberapa hal berikut:

• Penggunaan model GO menghasilkan kesesuaian yang terbaik dari sisi arus lalulintas dan MAT untuk setiap metode penaksiran, diikuti dengan model GR dan OP. Ini diperkirakan karena model GO lebih banyak mempunyai parameter dibandingkan dengan model GR dan OP.

• Dapat disimpulkan bahwa, dari sisi MAT, metode penaksiran KTTL merupakan metode yang terbaik untuk setiap model transportasi dibandingkan dengan metode lain (KTTLB, KM1 dan KM2).

• Terlihat bahwa model dan MAT yang dihasilkan mempunyai ketepatan yang sedikit kurang dibandingkan dengan MAT yang dihasilkan dengan menggunakan data survei MAT lengkap. Ini merupakan temuan yang sangat berharga jika dilihat dari sisi biaya pengumpulan data dan biaya penaksiran model transportasi.

Faktor lain yang turut mempengaruhi ketepatan MAT adalah data arus lalulintas dan teknik pembebanan rute yang digunakan untuk menentukan rute yang dipilih dalam jaringan karena data arus lalulintas tidak pernah luput dari galat. Beberapa uji keabsahan dilakukan dengan menggunakan dua jenis teknik pembebanan rute, yaitu all-or-nothing dan Burrel, masing-masing dengan dispersi ±10% dan ±30%. Ditemukan beberapa hal berikut.

436 Ofyar Z Tamin, Perencanaan dan pemodelan transportasi

• Penggunaan teknik stokastik Burrell, baik dengan dispersi ±10% atau ±30%, tidak memberikan kesesuaian yang lebih baik dilihat dari sisi arus lalulintas dibandingkan dengan teknik all-or-nothing untuk semua model dan semua metode penaksiran. Selain itu, waku proses komputer yang dibutuhkan untuk teknik Burrell, baik dengan dispersi ±10% atau ±30%, kira-kira tiga kali lebih lama dibandingkan dengan metode all-or-nothing. Karena itu, metode Burrell pasti digunakan untuk kasus Ripon (Inggris).

• Dari sisi MAT, model GO menghasilkan MAT untuk setiap metode penaksiran, diikuti dengan model GR dan OP. Tidak satu pun dari model OP yang menghasilkan MAT yang lebih baik dibandingkan dengan metode Furness. Tetapi, penggunaan model GO untuk setiap metode penaksiran hanya menghasilkan MAT sedikit lebih baik jika dibandingkan dengan model GR. Karena itu, kinerja model GR masih sangat baik karena waktu prosesnya yang cepat.

• Dari sisi MAT, penggunaan teknik pembebanan rute Burrell (10%) tidak menghasilkan perbaikan yang nyata jika dibandingkan dengan metode all-or- nothing. Selain itu, penggunaan teknik Burrell (30%) menghasilkan hal yang lebih jelek jika dibandingkan dengan MAT yang dihasilkan dengan teknik all- or-nothing.

• Penggunaan arus lalulintas hasil pengamatan dibandingkan dengan arus hasil pembebanan tidak begitu banyak memperbaiki ketepatan MAT yang dihasilkan. Hal ini agak sulit diterangkan. Dalam kasus ini, galat dalam arus lalulintas dan teknik pembebanan rute saling meniadakan sehingga mungkin memperkecil tingkat galat spesifikasi dalam pemodelan.

• Nilai parameter yang dihasilkan terlihat agak stabil untuk setiap metode penaksiran dan cukup mendekati nilai yang didapat dengan menggunakan data MAT. Hal ini sangat menguntungkan dan penting untuk peramalan karena penggunaan data arus lalulintas menghasilkan nilai parameter yang cukup stabil dan cukup dekat dengan nilai yang didapat dari penggunaan data MAT.

Beberapa uji juga dilakukan dengan menggunakan dua buah sumber informasi, yaitu data arus lalulintas dan MAT parsial yang didapat dengan melakukan survei MAT sederhana pada beberapa ruas jalan. Hasilnya tidak begitu menggembirakan karena perbaikannya kecil jika dibandingkan dengan hanya menggunakan data arus lalulintas saja. Ini karena setiap sumber informasi mempunyai tingkat ketepatan yang berbeda-beda dan juga mengandung beberapa galat.

Beberapa uji kepekaan juga dilakukan untuk melihat efek penggunaan fungsi hambatan yang berbeda-beda terhadap ketepatan MAT yang dihasilkan. Dua jenis fungsi hambatan dipelajari, yaitu fungsi eksponensial dan Tanner. Kedua fungsi ini diuji hanya untuk model GR saja. Ternyata penggunaan fungsi Tanner menghasilkan kesesuaian yang lebih baik dari sisi tingkat arus lalulintas jika dibandingkan dengan penggunaan fungsi eksponensial.

Hal ini diperkirakan karena fungsi Tanner mempunyai parameter yang lebih banyak dibandingkan dengan fungsi eksponensial; sebenarnya fungsi eksponensial bisa

Model transportasi berdasarkan data arus lalulintas

Uji kepekaan yang menyeluruh telah juga dilakukan untuk mempelajari efek penggunaan jumlah data arus lalulintas terhadap ketepatan MAT. Uji ini dilakukan dengan menggunakan data kota Ripon dan beberapa data arus lalulintas (yang didapat dengan teknik pembebanan all-or-nothing) dari 5 sampai dengan 63 data arus lalulintas (5, 10, 20, 30, 40, 50, dan 63).

Ruas jalan tersebut dipilih dengan menggunakan justifikasi rekayasa dan secara acak. Lima set ruas dibuat; satu set menggunakan justifikasi rekayasa dan sisanya dibuat secara acak. Ditemukan dua hal berikut (lihat gambar 8.8).

• Dengan pemilihan berdasarkan pertimbangan rekayasa, penggunaan 5 ruas tidak menghasilkan taksiran MAT yang baik untuk setiap model transportasi. Tetapi, penggunaan lebih dari 10 ruas (5% dari total jumlah ruas) menghasilkan peningkatan ketepatan MAT yang sangat berarti untuk setiap model transportasi dan setiap metode penaksiran.

• Dengan pemilihan ruas secara acak terlihat bahwa penggunaan lebih dari 30 ruas jalan (16% dari total jumlah ruas) cukup untuk mengurangi adanya keragaman ketepatan MAT yang dihasilkan.

RMSE 41,6

E 41,4 D

0 3 5 10 15 20 25 30 Tingkat akurasi MAT sebagai

Jumlah ruas

fungsi jumlah ruas

Uji kepekaan yang menyeluruh dilakukan untuk mempelajari pengaruh penggunaan tingkat resolusi pendefinisian sistem zona dan jaringan terhadap ketepatan MAT yang dihasilkan. Terlihat bahwa peningkatan resolusi dari definisi sistem zona dan jaringan meningkatkan ketepatan dengan biaya tambahan tertentu. Karena itu, kita harus menentukan tingkat kedalaman yang dibutuhkan dengan membandingkannya dengan tingkat ketepatan yang diinginkan dan usaha yang dibutuhkan untuk menyelesaikan permasalahan yang hendak dipecahkan.

Tiga model jaringan kota Ripon disiapkan secara sistematis dengan mengatur tingkat kedalaman definisi sistem zona dan jaringan, yaitu 28 zona (rendah), 42

438 Ofyar Z Tamin, Perencanaan dan pemodelan transportasi 438 Ofyar Z Tamin, Perencanaan dan pemodelan transportasi

• Data MAT buatan dipersiapkan dengan menaksir model gravity dengan nilai parameter β tertentu pada sistem 56 zona. MAT kemudian dimampatkan

menjadi sistem 28 zona dan MAT yang dihasilkan kemudian dinamakan MAT target untuk uji ini.

• MAT buatan (56 zona) kemudian dibebankan ke jaringan jalan pada sistem 56 zona sehingga didapatkan 75 data arus hasil pembebanan dengan menggunakan teknik (a) all-or-nothing atau (b) pembebanan kondisi keseimbangan.

Dua set uji kepekaan kemudian dilakukan; pertama dengan menggunakan 75 data arus hasil pembebanan dengan teknik all-or-nothing dan yang kedua dengan teknik pembebanan kondisi keseimbangan. Perlu dicatat bahwa perbandingan MAT dilakukan pada sistem 28 zona. Keluaran yang dihasilkan adalah sebagai berikut.

• Pada uji pertama, dengan menurunkan tingkat kedalaman sistem (dari 56 zona ke 42 zona), tingkat ketepatan juga menurun. Metode KTTL dan KTTLB terlihat tidak begitu peka dibandingkan dengan metode KM1 dan KM2. Dengan terus menurunkan tingkat kedalaman resolusi sistem zona (dari 42 zona ke 28 zona), metode KM1 dan KM2 terlihat lebih tidak peka terhadap perubahan tingkat resolusi dibandingkan dengan metode KTTL dan KTTLB.

• Untuk uji kedua, dihasilkan ketepatan yang lebih rendah untuk setiap tingkat kedalaman sistem zona dibandingkan dengan uji pertama.