PEMODELAN TARIKAN PERJALANAN PADA RUMAH SAKIT DI KOTA PADANG.
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
PEMODELAN TARIKAN PERJALANAN
PADA RUMAH SAKIT DI KOTA PADANG
Hendra Gunawan 1),Titi Kurniati 1),Dedi Arnaldi 2)
1)Staf Pengajar Jurusan Teknik Sipil Universitas Andalas
2)Mahasiswa Jurusan Teknik Sipil Universitas Andalas
ABSTRAK
Rumah sakit merupakan salah satu tempat pelayanan kesehatan bagi masyarakat. Perkembangan
rumah sakit yang pesat yang ditandai dengan peningkatan sarana dan kualitas pelayanannya
menimbulkan tarikan perjalanan (trip attractions) yang cukup tinggi. Penelitian ini memaparkan
mengenai tarikan perjalanan rumah sakit di wilayah kota Padang, Sumatera Barat. Obyek
penelitian adalah 4 buah rumah sakit yang berada di kota Padang. Data yang dianalisis adalah
data primer yang dikumpulkan melalui survey berupa jumlah kendaraan yang datang ke suatu
rumah sakit pada hari kerja. Sedangkan data yang menyangkut luas tanah, luas bangunan, jumlah
pegawai dan jumlah tempat tidur merupakan data sekunder yang diperoleh dari pihak pengelola
rumah sakit. Model tarikan perjalanan ditentukan berdasarkan analisis regresi dan uji statistik.
Pada kondisi jam puncak, tarikan perjalanan mobil dipegaruhi oleh Jumlah Pegawai (JM=
0,195xJP0,95, R2= 0,994), tarikan perjalanan sepeda motor oleh Jumlah Tempat Tidur (JSM=
0,347xJTT0,986, R2= 0,979). Sedangkan untuk kondisi total perhari, tarikan perjalanan mobil
dipegaruhi oleh Jumlah Pegawai (JM= 1,561xJP0,921, R2= 0,994), tarikan perjalanan sepeda motor
oleh Jumlah Pegawai (JSM= 3,044xJP0,818, R2= 0,981).
P
Kata Kunci : analisis regresi , rumah sakit, trip attractions.
1. PENDAHULUAN
Pertumbuhan penduduk yang tinggi dan adanya
peningkatan perekonomian masyarakat menuntut
laju pembangunan yang cukup pesat, yang pada
gilirannya akan menimbulkan tingkat mobilitas
tinggi
dari
para
pelaku
pembangunan.
Pembangunan pada umumnya menyebabkan
perubahan ke dalam sistem kegiatan.
Hubungan yang erat antara sistem kegiatan
dengan
sistem
pergerakan
mengakibatkan
pembangunan yang juga akan memberikan
perubahan kepada sistem pergerakan. Lebih jauh
lagi, perubahan sistem pergerakan ini harus
didukung oleh sistem jaringan ( prasarana ),
sehingga dibutuhkan pembangunan jaringan,
kemudian proses di atas akan kembali terulang.
Karena itu sebagai salah satu jalan untuk
memperkirakan kebutuhan pembangunan jaringan,
diperlukan metode untuk mengetahui seberapa
besar pengaruh adanya pembangunan (perubahan
sistem kegiatan ) terhadap perubahan sistem
pergerakan.
Dengan diketahuinya seberapa besar pengaruh
adanya pembangunan terhadap sistem pergerakan,
dapat juga dinilai seberapa jauh diperlukan
pengendalian dan pengaturan untuk menjamin
kelancaran, keselamatan dan efisiensi dalam sistem
jaringan yang ada. Pengaruh awal yang dapat
diidentifikasi adalah besarnya bangkitan dan tarikan
pergerakan ( jumlah yang pergi dan yang datang )
akibat hasil pembangunan yang bersangkutan.
Dalam kasus ini adalah pembangunan yang
cukup pesat pada beberapa rumah sakit yang berada
TeknikA
di kota Padang. Ini ditandai dengan adanya
penambahan sarana dan peningkatan klasifikasi
pada rumah sakit yang berakibat pada
meningkatnya fasilitas pelayanan yang ada dan
pada akhirnya akan meningkatkan jumlah tarikan
perjalanan/ kunjungan ke rumah sakit tersebut.
2. STUDI PUSTAKA
Pemodelan
bangkitan
perjalanan
(trip
generation) adalah suatu tahapan pemodelan yang
memperkirakan jumlah pergerakan dari suatu zona
(trip generation) dan jumlah pergerakan yang
tertarik ke suatu zona (trip attraction).
Tujuan dasar bangkitan perjalanan adalah
menghasilkan suatu model hubungan yang
mengaitkan tata guna lahan dengan jumlah
pergerakan yang menuju ke suatu zona atau jumlah
pergerakan yang meninggalkan suatu zona. Zona
asal dan tujuan pergerakan biasanya menggunakan
istilah trip end.
Pergerakan merupakan fungsi tata guna lahan
yang menghasilkan perjalanan lalu lintas.
Perjalanan lalu lintas ini mencakup :
• Lalu lintas yang meninggalkan suatu
lokasi
• Lalu lintas yang menuju atau tiba ke suatu
lokasi
Hasil keluaran dari perhitungan bangkitan dan
tarikan lalu-lintas berupa jumlah kendaraan, orang,
atau angkutan barang per satu satuan waktu,
misalnya kendaraan/jam. Kita dapat menghitung
jumlah orang atau kendaraan yang masuk atau
keluar dari suatu luas tanah tertentu dalam satu hari
49
No. 27 Vol.3 Thn. XIV April 2007
atau satu jam untuk mendapatkan bangkitan dan
tarikan pergerakan.
Bangkitan dan tarikan lalu lintas tersebut
tergantung kepada dua aspek tata guna lahan, yaitu:
a. Jenis tata guna lahan
Tata guna lahan yang akan ditinjau untuk
dimodelkan tarikan perjalanannya adalah RUMAH
SAKIT, dimana parameter dari kawasan yang
umum digunakan sebagai variabel bebas dalam
model bangkitan/tarikan diantaranya :
Luas tanah
Luas bangunan
Jumlah pegawai
Jumlah tempat tidur
b. Jumlah aktifitas dan intensitas pada tata
guna lahan
ISSN: 854-8471
2.
3.
4.
Penyimpangan nilai y di sekitar garis regresi
harus bebas satu sama lain serta terdistribusi
normal.
Nilai X diasumsikan bebas dari kesalahan.
Hubungan regresi peubah tidak bebas, linier
terhadap peubah bebas.
Dalam persamaan linier, hubungan antara dua
variabel bila digambarkan secara grafis (dengan
scatter diagram), semua nilai X dan Y yang sesuai
dengan persamaan Y = a + bX akan jatuh pada
suatu garis lurus (straight line). Garis tersebut yang
dinamakan garis regresi (regression line).
Untuk membuat garis regresi dapat
digunakan metode least square.
Metode Least Square
2.1. Formulasi Model
Model bangkitan atau tarikan yang akan
dikalibrasi pada studi ini adalah model matematis.
Secara
umum,
model
matematis
untuk
bangkitan/tarikan merupakan bentuk korelasi antara
variabel tata guna lahan sebagai variabel bebas
dengan besarnya bangkitan tarikan sebagai variabel
tak bebas. Persamaan matematis yang paremeternya
diperoleh dari analisis regresi.
Bentuk persamaan yang dipilih adalah yang
menghasilkan tingkat korelasi yang optimal.
Analisis regresi juga menghasilkan parameterparemeter yang dapat meng-gambarkan tingkat
keandalan model yang diperoleh, sehingga model
bangkitan atau tarikan yang diperoleh dapat
dipergunakan secara lebih luas
2.2. Analisis Regresi
Analisis regresi adalah suatu analisis yang
mempelajari bagaimana suatu peubah tidak bebas
(respon) berhubungan dengan satu atau lebih
peubah bebas (predictor). Analisa regresi linier
dapat digunakan untuk menghasilkan hubungan
antara satu peubah tidak bebas dengan dua atau
lebih peubah bebas.
Persamaan yang sederhana dan luas
penggunaannya untuk menunjukkan hubungan
variabel-variabel adalah persamaan linier.
Y = a + bX
……(2.1)
Dimana, a : Konstanta
b : Koefisien Regresi
X : Variabel
yang
diketahui
(independent variable)
Y : Variabel
yang
diramalkan
(dependent variable)
Sumber : Walpole, 1995
Asumsi dasar dari analisis regresi adalah
(Hutchinson, 1974) :
1. Variasi dari nilai y di sekitar garis regresi harus
sama dengan seluruh rentang jarak peubah
bebas.
TeknikA
Metode least square berusaha membuat
garis yang mempunyai jumlah selisih (jarak
vertikal) kuadrat antara data dengan garis regresi
yang terkecil.
Bentuk persamaan regresi yang akan
dikembangkan sebagai model dalam studi dapat
dibagi menjadi dua kelompok utama :
a.
Persamaan Regresi Variabel Tunggal
Untuk persamaan regresi variabel tunggal,
dibatasi hanya regresi yang bersifat linier,
logaritmik, power(berpangkat) dan eksponensial
saja.
Bentuk umum persamaan regresi variabel
tunggal yang dijadikan alternatif persamaan adalah
:
Y = a + bX
(linier)
… (2.2)
Y = a + b Ln (X) (logaritmik) … (2.3)
Y = a (X)b
(power)
… (2.4)
Y = a exp[b(X)]
(eksponensial) ..(2.5)
Sumber : Walpole, 1995
b. Persamaan Regresi Multi Variabel
Yaitu persamaan yang memiliki variabel
bebas lebih dari satu. Karena itu untuk bentuk
persamaan ini akan terdapat beberapa alternatif
persamaan berdasarkan kombinasi kandidat
variabel yang ada. Untuk persamaan regresi multi
variabel, dibatasi hanya regresi yang bersifat linier
saja (regresi multilinier), bentuk umumnya adalah :
Y = a + b1X1 + b2X2 + b3X3 + … … (2.6)
Sumber : Walpole, 1995
Keuntungan dari persamaan multi variabel
adalah sebagai bentuk alternatif persamaan yang
secara umum dikatakan semakin banyak variabel
makin baik keandalan dari model yang dihasilkan,
namun itu juga tergantung kepada variabel yang
terlibat. Pemilihan kombinasi variabel didasarkan
pada matrik korelasi yang telah dihasilkan.
50
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
Sebagai acuan dalam pemilihan kombinasi
variabel dalam suatu alternatif persamaan adalah
sebagai berikut :
• Untuk variabel bebas yang secara langsung
memiliki
pengaruh
positif
terhadap
bangkitan/tarikan.
• Dipilih variabel bebas yang memiliki nilai
korelasi tinggi terhadap variabel tak bebasnya.
• Variabel bebas yang memiliki korelasi tinggi
dengan variabel bebas lainnya tidak disatukan
dalam satu alternatif persamaan.
dihindari dengan menggunakan metode
product moment yang dikemukakan oleh Karl
Pearson.
r=
⎛ n
⎞ ⎛ n
⎞⎛ n ⎞
⎜ n.∑ X iYi ⎟ − ⎜ ∑ X i ⎟⎜ ∑ Yi ⎟
⎝ i =1
⎠ ⎝ i =1 ⎠⎝ i =1 ⎠
(2.8)
n
n
⎛ n
⎞
⎛ n ⎞
n.∑ X i 2 − ⎜ ∑ X i ⎟ . n.∑ Yi 2 − ⎜ ∑ Yi ⎟
i =1
i =1
⎝ i =1 ⎠
⎝ i =1 ⎠
Sumber : Walpole, 1995
2
2
3. METODOLOGI PENELITIAN
Sebagian besar persamaan regresi telah
dikembangkan dengan menggunakan paket
program analisis regresi bertahap (stepwise).
Program analisis stepwise memungkinkan adanya
analisis untuk menguji sejumlah besar peubah yang
potensial. Pemodel kemudian akan
memilih
persamaan
yang
paling baik menggunakan
kriteria statistik tertentu.
Korelasi adalah salah satu teknik statistik yang
digunakan untuk mencari hubungan antara dua
variabel atau lebih yang sifatnya kuantitatif. Dua
variabel dikatakan berkorelasi apabila perubahan
pada variabel yang satu akan diikuti oleh perubahan
pada variabel yang lain secara teratur, dengan arah
yang sama atau dapat pula dengan arah yang
berlawanan.
Bila dua variabel tersebut dinyatakan sebagai
variabel X dan variabel Y, maka apabila variabel X
berubah, variabel Y pun berubah dan sebaliknya.
Koefisien korelasi merupakan ukuran besar
kecilnya atau kuat tidaknya hubungan antara
variabel. Koefisien korelasi dinyatakan dengan
bilangan bergerak antara 0 sampai +1 atau 0
sampai -1.
Apabila koefisien korelasi (r) mendekati +1
atau -1 berarti terdapat hubungan yang kuat,
sebaliknya apabila mendekati 0 berarti terdapat
hubungan yang lemah atau tidak ada hubungan.
Apabila r sama dengan +1 atau -1 berarti terdapat
hubungan positif sempurna atau hubungan negatif
sempurna.
Koefisien korelasi dapat dihitung dengan
beberapa metode :
1. Least Square
Biasanya dipergunakan nilai statistik :
− Y 'i )
n
r = +
1−
∑ (Y
i =1
n
i =1
i
i
−Y
)
2
…(2.7)
2
Sumber : Walpole, 1995
2.
Pearson Product Moment
Rumus menurut metode least square terlalu
banyak memerlukan perhitungan. Hal ini dapat
TeknikA
Pengumpulan
Data Primer dan Sekunder
Data Karakteristik
Kawasan
2.3. Analisis Korelasi
∑ (Y
Bagan alir metodologi penelitian untuk
melakukan pemodelan tarikan dapat dilihat pada
Gambar 1 berikut.
Data Tarikan
(Variabel Tak Bebas)
Analisis Korelasi Data
Alternatif Persamaan Model
UJI MODEL
Lolos
TidakLolos
Pemilihan Persamaan
Model
MODEL FINAL
Gambar-1 Bagan Alir Metodologi Penelitian
4. PENGUMPULAN DATA
Pengumpulan data Primer dan Sekunder
dilakukan
untuk
mengetahui
besarnya
bangkitan/tarikan lalu lintas (variabel tak bebas)
sebagai data primer dan data karakteristik kawasan
(variabel bebas) sebagai data sekunder di suatu
kawasan tinjauan.
Jenis survey primer yang dilakukan untuk
mengumpulkan data tarikan dari suatu guna lahan
tertentu adalah dengan Survey Pencacahan Lalu
Lintas. Survey pencacahan lalu-lintas merupakan
suatu pencacahan kendaraan menurut jenisnya.
Umumnya di kawasan rumah sakit yang
terlihat cukup signifikan adalah kendaraan jenis
Sepeda Motor dan Mobil. Periode waktu
pencacahan adalah perjam, total waktu pencacahan
disesuaikan dengan jenis tata guna lahan tinjauan.
Data pencacahan ditulis dalam data form yang
51
No. 27 Vol.3 Thn. XIV April 2007
tersedia. Lokasi pencacahan ditetapkan pada pintu
masuk lokasi yang bersangkutan.
Survey sekunder dilakukan dengan mendatangi
masing-masing lokasi atau pengelola dari kawasan
yang dipilih untuk mengumpulkan data-data yang
diperlukan. Data sekunder yang diperlukan untuk
rumah sakit umumnya berada pada lokasinya.
Survey sekunder untuk memperoleh data-data
sebagai berikut :
1. Luas tanah (LT, m2)
2. Luas bangunan (LB, m2)
3. Jumlah pegawai (JP, orang)
4. Jumlah tempat tidur (JTT, buah)
Lokasi Survey
Pemilihan lokasi survey tergantung dari
ketersediaan data dan kemudahan serta kemampuan
dalam melaksanakan survey lapangan.
Lokasi yang di survey yaitu :
1. Rumah Sakit Umum Pusat M. DJAMIL.
2. Rumah Sakit YOS SUDARSO.
3. Rumah Sakit TNI REKSODIWIRYO.
4. Rumah Sakit SELAGURI.
5.
ANALISIS DATA
ISSN: 854-8471
5.3. Uji Model
Pengujian analisis ini adalah pengujian
terhadap kemungkinan-kemungkinan Alter-natif
Persamaan Model yang diperoleh dari program
SPSS (Statistical Product Service Solution) versi
11.5 yang dilakukan dua (2) tahap pengujian yaitu
Uji Kemasuk-akalan tanda dan Uji Statistik.
Uji Kemasuk-akalan tanda berfungsi sebagai
pedoman awal untuk mendeteksi apakah ada
hubungan yang tidak logis atau tidak masuk akal
pada kemungkinan alternatif persamaan yang telah
diperoleh. Dimana nilai konstanta (a) atau koefisien
regresi (b) dinyatakan terdapat hubungan yang
tidak logis atau tidak masukakal.
Alternatif persamaan model juga di Uji
Statistik yaitu Uji tstatistik (untuk alternatif persamaan
model variabel tunggal) dan Uji Fstatistik (untuk
alternatif persamaan model multi variabel).
Alternatif persamaan model yang lolos Uji Statistik
adalah Alternatif persamaan model yang memiliki
nilai tstatistik/Fstatistik lebih besar dari nilai ttabel/Ftabel
(tstatistik/Fstatistik > ttabel/Ftabel ), dimana nilai
tstatistik/Fstatistik diperoleh dari hasil analisis program
SPSS (Statistical Product Service Solution) versi
11.5
5.1. Koefisien Korelasi
5.4. Pemilihan Model Optimum
Sebelum melakukan pembuatan Alternatif
Persamaan Model maka terlebih dahulu dilakukan
penentuan Koefisien Korelasi dan Uji Korelasi.
Perhitungan angka koefisien korelasi dilakukan
dengan menggunakan program SPSS (Statistical
Product Service Solution) versi 11.5 yaitu dengan
mengkorelasikan masing-masing variabel terikat
(jumlah mobil dan jumlah sepeda motor) dengan
variabel bebasnya (luas tanah, luas bangunan,
jumlah pegawai, jumlah tempat tidur).
Hasil dari perhitungan koefisien korelasi
disajikan dalam bentuk Matrik Korelasi kondisi
tarikan pada jam puncak dan kondisi tarikan total
dalam satu hari.
Koefisien korelasi berfungsi untuk melihat
tingkat hubungan (secara statistik) antara variabel
karakteristik kawasan dengan variabel tarikannya.
Nilai korelasi adalah nilai yang digunakan untuk
memilih variabel bebas (yaitu yang mempunyai
nilai korelasi yang besar) dengan variabel tak
bebasnya. Besarnya nilai korelasi antara dua
variabel adalah antara -1 s/d +1.
Setelah dilakukan Uji Model, Alternatif
Persamaan Model yang memenuhi Uji Kemasukakalan tanda dan lolos Uji Statistik dilanjutkan
dengan pemilihan Alternatif Persamaan Model
yang memiliki nilai koefisien determinasi (R2) yang
besar, maka akan diperoleh Persamaan Model yang
Optimum.
5.2. Alternatif Persamaan Model
Kemungkinan-kemungkinan
Alternatif
Persamaan Model dilakukan dengan menggunakan
program SPSS (Statistical Product
Service
Solution) versi 11.5 yaitu dengan mengkorelasikan
masing-masing variabel terikat (jumlah mobil dan
jumlah sepeda motor) dengan variabel bebasnya
(luas tanah, luas bangunan, jumlah pegawai, jumlah
tempat tidur).
TeknikA
6. HASIL DAN PEMBAHASAN
Survei primer dilakukan dengan periode waktu
pencacahan adalah perjam dari jam 7.00 sampai
dengan jam 16.00. selama 2 hari kerja yaitu hari
Selasa dan Kamis.
Data primer dan data sekunder hasil survey
dapat dilihat pada Tabel 1, Tabel 2 dan Tabel 3
berikut :
Tabel-1 Jumlah Tarikan Kendaraan Saat Jam
Puncak
Masuk
No.
Lokasi
Sepeda
Mobil
Motor
1
RS. M. Jamil
205
201
RS. Yos
57
60
2
Sudarso
RS. TNI
21
39
3
Reksodiwiryo
4
RS. Selaguri
15
17
52
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
Tabel -2 Jumlah Tarikan Kendaraan
Total Perhari
Masuk
No.
Lokasi
Sepeda
Mobil
Motor
1
RS. M. Jamil
1327
1248
RS. Yos
2
382
367
Sudarso
RS. TNI
146
199
3
Reksodiwiryo
4
RS. Selaguri
105
117
Tabel- 3 Data Karakteristik Zona
Karakteristik Zona
No
.
Lokasi
1
RS. M. Jamil
2
3
4
RS. Yos
Sudarso
RS. TNI
Reksodiwiry
o
RS. Selaguri
LT
LB
JP
85760
3362
6
1594
23450
4750
350
40000
1681
0
133
1415
JT
T
68
8
15
0
12
1
664
106 59
Sumber : Data Survey
Hasil dari perhitungan koefisien korelasi dapat
disajikan dalam bentuk matriks korelasi pada Tabel
4.4 untuk kondisi tarikan pada jam puncak.
Sedangkan matrik korelasi hasil perhitungan untuk
kondisi tarikan total dalam satu hari dapat kita
amati pada Tabel 4.5.
Tabel -4 Matriks Korelasi Kondisi
Puncak
LT
LB
JP
0,89 0,85 0,99
Jumlah
7
3
8
Mobil
Jumlah
0,93 0,89 0,99
Sepeda
1
1
5
Motor
0,98 0,89
1
Luas Tanah
7
9
0,86
0,98
Luas
1
3
7
Bangunan
0,89 0,86
Jumlah
1
9
3
Pegawai
Jumlah
0,93 0,90 0,99
Tempat
1
5
6
Tidur
Tarikan Jam
JTT
0,99
2
0,99
6
0,93
1
0,90
5
0,99
6
1
Tabel- 5 Matriks Korelasi Kondisi Tarikan Total
Perhari
LT
LB
JP
JTT
0,89 0,85 0,99 0,99
Jumlah
7
2
8
2
Mobil
Jumlah
0,91 0,87 0,99 0,99
Sepeda
4
3
8
5
Motor
0,98 0,89 0,93
1
Luas Tanah
7
9
1
0,98
0,86 0,90
Luas
1
7
3
5
Bangunan
0,99
0,89 0,86
Jumlah
1
6
9
3
Pegawai
Jumlah
0,93 0,90 0,99
1
Tempat
1
5
6
Tidur
6.1. Hasil Korelasi
• Dari matrik korelasi jam puncak dapat dilihat
bahwa jumlah mobil berkorelasi tinggi (nilai
korelasi >0,5) dengan variabel bebasnya dan
jumlah sepeda motor juga berkorelasi tinggi
dengan variabel bebasnya. Demikian pula
untuk kondisi total perhari.
• Antara variabel-variabel bebas terdapat
korelasi yang tinggi, oleh sebab itu tidak
disatukan dalam satu persamaan alternatif,
maka cuma digunakan alternatif persamaan
dengan variabel tunggal. Baik untuk kondisi
tarikan jam puncak ataupun kondisi tarikan
total perhari.
Adapun alternatif persamaan model untuk
kondisi tarikan pada saat jam puncak dan tarikan
total perharinya dapat dilihat pada Tabel 6 dan
Tabel 7.
6.2. Model Akhir
Berdasarkan hasil kalibrasi dan analisis
statistik serta uji kemasuk-akalan tanda, alternatifalternatif persamaan yang telah teridentifikasi
dipilih yang paling baik atau yang optimum.
Kriteria alternatif persamaan yang paling
baik/optimum adalah sebagai berikut:
• Lulus uji kemasuk-akalan tanda
• Lulus uji statistik
• Memiliki nilai koefesien determinasi (R2)
yang paling besar.
Model Akhir Tarikan Jam Puncak
1. JM = 0,195 x JP0,95
R2 = 0,994
2. JSM = 0,347 x JTT0,986
R2 = 0,979
Model Akhir Tarikan Total Perhari
1. JM = 1,561 x JP0,921
R2= 0,994
2. JSM = 3,044 x JP0,818
TeknikA
R2= 0,981
53
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
Tabel -6 Alternatif Persamaan Model Tarikan Jam Puncak
No.
Model
Tipe
Variable
VT
VB
JM
JM
LT
LT
Regresi
a
b
1 y = 0.00223x-9.53
2 y = 32.0152Ln(x)239.837
3 y = 0.392x0.48
4 y = 15.225e2.81E-05x
Linier
Logaritmik
Pangkat
JM
Eksponensia JM
l
-9.53 0.00223
- 32.0152
239.837
LT
0.392
0.48
LT 15.225 2.81E05
5 y = 0.00513x+2.905
6 y = 34.23Ln(x)226.011
7 y = 0.697x0.472
8 y = 18.676e6.10E-05x
Linier
Logaritmik
LB
LB
Pangkat
JM
Eksponensia JM
l
2.905 0.00513
- 34.23
226.011
LB
0.697 0.472
LB 18.676 6.10E05
9 y = 0.126x+5.969
10 y = 70.369Ln(x)326.354
11 y = 0.195x0.95
Linier
Logaritmik
JP
JP
t Test
R2
t
Sig
t Table
0.804
0.413
2.868 0.1031
1.191 0.356
2.92
2.92
0.536
0.729
1.519
2.322
0.268
0.146
2.92
2.92
0.727
0.44
2.308 0.1473
1.253 0.337
2.92
2.92
0.478
0.591
1.354 0.3083
1.7 0.2312
2.92
2.92
5.969 0.126
- 70.369
326.354
JP
0.195
0.95
0.997 25.548 0.0015
0.951 6.204 0.025
2.92
2.92
0.994 18.633 0.0029
2.92
JP
0.882
3.865 0.0609
2.92
0.984 11.213 0.0079
0.929 5.133 0.0359
2.92
2.92
0.929
5.105 0.0363
2.92
16.978 0.0037
0.854
3.417
0.076
2.92
-2.174 0.0022
- 32.374
238.613
Pangkat
JSM LT
0.411 0.495
Eksponensia JSM LT 19.368 2.68El
05
0.864
0.487
3.605 0.691
1.378 0.3022
2.92
2.92
0.742
0.868
2.396
2.621
0.139
0.685
2.92
2.92
0.794
0.52
2.779 0.1087
1.475 0.2781
2.92
2.92
0.701
0.741
2.164 0.1629
2.39 0.1394
2.92
2.92
0.991 14.483 0.0047
0.941 5.656 0.0299
2.92
2.92
0.934
5.308 0.0337
2.92
0.838
3.216 0.0846
2.92
JM
JM
JM
JM
JM
Pangkat
12 y = 18.698e0.00156x
Eksponensia JM
l
13 y = 0.303x-2.558
14 y = 83.016Ln(x)349.248
15 y = 0.163x1.096
Linier
Logaritmik
18.698 0.00156
JM JTT
JM JTT
-2.558 0.303
- 83.016
349.248
JM JTT 0.163 1.096
Pangkat
16 y = 16.978e0.0037x
Eksponensia JM JTT
l
17 y = 0.0022x-2.174
18 y = 32.374Ln(x)238.613
19 y = 0.411x0.495
20 y = 19.368e2.68E-05x
Linier
Logaritmik
21 y = 0.005x+9.391
22 y = 34.795Ln(x)226.221
23 y = 0.659x0.5
24 y = 23.044e5.99E-05x
Linier
Logaritmik
25 y = 0.117x+15.479
26 y = 65.366Ln(x)293.103
27 y = 0.536x0.807
Linier
Logaritmik
JSM LT
JSM LT
JSM LB
JSM LB
9.391 0.005
- 34.795
226.221
Pangkat
JSM LB
0.659
0.5
Eksponensia JSM LB 23.044 5.99El
05
JSM JP
JSM JP
15.479 0.117
- 65.366
293.103
JSM JP
0.536 0.807
Pangkat
28 y = 25.699e0.00133x
TeknikA
Eksponensia JSM
l
JP
25.699 0.00133
54
No. 27 Vol.3 Thn. XIV April 2007
29 y = 0.284x+7.026
30 y = 78.765Ln(x)322.802
31 y = 0.347x0.986
Linier
Logaritmik
ISSN: 854-8471
JSM JTT
JSM JTT
7.026 0.284
- 78.765
322.802
JSM JTT 0.347 0.986
0.992 15.953 0.0039
0.96 6.935 0.0202
2.92
2.92
0.979
9.552 0.0108
2.92
0.846
3.319
2.92
Pangkat
32 y = 23.259e0.0033x
Eksponensia JSM JTT
l
23.259 0.0033
0.08
Catatan : Nilai ttabel diperoleh dari Tabel t berdasarkan degree of freedom (df)
Dimana df = banyak sampel – (banyak variabel bebas dalam persamaan + satu)
Tabel- 7 Alternatif Persamaam Model Tarikan Harian
Model
Tipe
Variabel
Regresi
R2
No.
VT
VB
LT -49.539 0.0143
LT
- 206.278
1535.31
6
LT
3.052 0.466
LT 106.455 1.17E05
1 y = 0.0143x-49.539
2 y = 206.278Ln(x)1535.316
Linier
Logaritmik
JM
JM
3 y = 3.052x0.466
4 y = 106.455e1.17E-05x
Pangkat
Eksponens
ial
JM
JM
5 y = 0.033x+30.731
6 y = 220.166Ln(x)1442.89
7 y = 5.329x0.458
8 y = 129.748e5.93E-05x
Linier
Logaritmik
JM
JM
Pangkat
Eksponens
ial
JM
JM
Linier
Logaritmik
JM
JM
9 y = 0.81x+50.089
10 y = 452.404Ln(x)2087.085
11 y = 1.561x0.921
a
b
t test
t
Sig
t table
0.804
0.418
2.867 0.1031
1.198 0.354
2.92
2.92
0.537
0.731
1.523
2.334
0.267
0.147
2.92
2.92
30.731 0.033
- 220.166
1442.89
LB
5.329 0.458
LB 129.748 5.93E05
0.726
0.441
2.300
1.256
0.148
0.336
2.92
2.92
0.48
0.593
1.359 0.307
1.710 0.2298
2.92
2.92
JP
JP
0.996
0.953
23.27 0.0018
6.362 0.0238
2.92
2.92
JM
50.089
0.81
- 452.404
2087.08
5
JP
1.561 0.921
0.994 18.853 0.0028
2.92
JP 130.049 0.0015
0.883
3..883 0.0604
2.92
0.983 10.885 0.0083
0.931 5.193 0.0351
2.92
2.92
JM
-4.569 1.943
- 533.487
2233.15
1
JTT 1.307 1.063
0.929
5.151 0.0357
2.92
LB
LB
Pangkat
12 y = 130.049e0.0015x
Eksponens
ial
JM
13 y = 1.943x-4.569
14 y = 533.487Ln(x)2233.151
Linier
Logaritmik
JM
JM
15 y = 1.307x1.063
JTT
JTT
Pangkat
16 y = 118.404e0.00361x
Eksponens
ial
JM
JTT 118.404 0.00361
0.855
3.435 0.0753
2.92
17 y = 0.013x-18.513
18 y = 194.322Ln(x)1425.178
Linier
JSM
Logaritmik JSM
0.836
0.446
3.187 0.0859
1.27 0.332
2.92
2.92
19 y = 3.815x0.452
Pangkat
LT -18.513 0.013
LT
- 194.322
1425.17
8
LT
3.815 0.452
1.847
2.92
TeknikA
JSM
0.63
0.206
55
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
20 y = 121.71e2.58E-05x
Eksponens JSM
ial
LT
21 y = 0.031x+53.765
22 y = 208.696Ln(x)1349.447
Linier
JSM
Logaritmik JSM
LB
LB
23 y = 6.004x0.453
24 y = 144.66e5.72E-05x
25 y = 0.735x+81.757
26 y = 410.695Ln(x)1856.75
27 y = 3.044x0.818
121.71 2.58E05
0.719
2.218 0.0945
2.92
0.762
0.477
2.53 0.127
1.351 0.3094
2.92
2.92
Pangkat
JSM
Eksponens JSM
ial
53.765 0.031
- 208.696
1349.44
7
LB
6.004 0.453
LB 144.66 5.72E05
0.589
0.69
1.692 0.2327
2.11 0.1693
2.92
2.92
Linier
JSM
Logaritmik JSM
JP
JP
0.996 23.194 0.0019
0.945 5.869 0.278
2.92
2.92
0.981 10.078 0.0097
2.92
JSM
81.757 0.735
- 410.695
1856.75
JP
3.044 0.818
Pangkat
28 y = 153.141e0.00136x
Eksponens JSM
ial
29 y = 1.778x+30.218
30 y = 489.69Ln(x)2016.889
Linier
JSM JTT
Logaritmik JSM JTT
JP 153.141 0.00136
30.218 1.778
- 489.69
2016.88
9
JSM JTT 2.249 0.972
31 y = 2.249x0.972
0.89
4.031 0.0564
2.92
0.991
0.94
14.74 0.0046
5.808 0.0284
2.92
2.92
0.973
8.512 0.0135
2.92
0.881
3.857 0.0611
2.92
Pangkat
32 y = 139.49e0.00328x
Eksponens JSM JTT
ial
Model Akhir Tarikan Total Perhari
1. JM = 1,561 x JP0,921
R2= 0,994
Keterangan :
JM : Jumlah Mobil
JSM : Jumlah Sepeda Motor
LT : Luas Tanah
LB : Luas Bangunan
JP : Jumlah Pegawai
JTT : Jumlah Tempat Tidur
VT : Variabel Terikat
VB : Variabel Bebas
2. JSM = 3,044 x JP0,818
1.
2.
• Dari hasil analisis korelasi diketahui bahwa
variabel Luas Tanah, Luas Bangunan, Jumlah
Pegawai, dan Jumlah Tempat Tidur
mempunyai pengaruh yang signifikan terhadap
tarikan perjalanan pada rumah sakit di kota
Padang, baik untuk tarikan jam puncak maupun
tarikan total per hari.
• Dari hasil kalibrasi dan uji statistik diperoleh
dua model akhir tarikan perjalanan pada
rumah sakit di kota Padang untuk tarikan pada
jam puncak dan untuk tarikan total dalam satu
hari.
• Model Akhir yang diperoleh yaitu :
Model Akhir Tarikan Jam Puncak
1. JM = 0,195 x JP0,95
R2 = 0,994
TeknikA
R2= 0,981
6. DAFTAR PUSTAKA
7. KESIMPULAN
2. JSM = 0,347 x JTT0,986
139.49 0.00328
3.
4.
5.
LPM-ITB, “Studi Standarisasi Bangkitan dan
Tarikan Lalu-Lintas di Zona Bandung
Raya”, Institut Teknologi Bandung, 1999
Putranto, L. S., “Tarikan Perjalanan Gedung
Perkantoran di Jakarta Barat”. Jurnal
Transportasi Vol. 1, No. 2, Forum Studi
Transportasi Perguruan Tinggi, Bandung, 1999
Putranto, L. S., “Tarikan Perjalanan dan
efiseinsi Parkir Gedung Perkantoran di Jakarta
Pusat”. Jurnal Kajian Teknologi Tahun 2 No.1,
Universitas Tarumanegara, 2000
Tamin, O. Z, “Perencanaan dan Pemodelan
Transportasi”, Penerbit ITB, Bandung, 1997
Morlok, E. K, “Pengantar Teknik dan
Perencanan Tranportasi ”, Penerbit Erlangga,
Jakarta, 1991
R2 = 0,979
56
ISSN: 854-8471
PEMODELAN TARIKAN PERJALANAN
PADA RUMAH SAKIT DI KOTA PADANG
Hendra Gunawan 1),Titi Kurniati 1),Dedi Arnaldi 2)
1)Staf Pengajar Jurusan Teknik Sipil Universitas Andalas
2)Mahasiswa Jurusan Teknik Sipil Universitas Andalas
ABSTRAK
Rumah sakit merupakan salah satu tempat pelayanan kesehatan bagi masyarakat. Perkembangan
rumah sakit yang pesat yang ditandai dengan peningkatan sarana dan kualitas pelayanannya
menimbulkan tarikan perjalanan (trip attractions) yang cukup tinggi. Penelitian ini memaparkan
mengenai tarikan perjalanan rumah sakit di wilayah kota Padang, Sumatera Barat. Obyek
penelitian adalah 4 buah rumah sakit yang berada di kota Padang. Data yang dianalisis adalah
data primer yang dikumpulkan melalui survey berupa jumlah kendaraan yang datang ke suatu
rumah sakit pada hari kerja. Sedangkan data yang menyangkut luas tanah, luas bangunan, jumlah
pegawai dan jumlah tempat tidur merupakan data sekunder yang diperoleh dari pihak pengelola
rumah sakit. Model tarikan perjalanan ditentukan berdasarkan analisis regresi dan uji statistik.
Pada kondisi jam puncak, tarikan perjalanan mobil dipegaruhi oleh Jumlah Pegawai (JM=
0,195xJP0,95, R2= 0,994), tarikan perjalanan sepeda motor oleh Jumlah Tempat Tidur (JSM=
0,347xJTT0,986, R2= 0,979). Sedangkan untuk kondisi total perhari, tarikan perjalanan mobil
dipegaruhi oleh Jumlah Pegawai (JM= 1,561xJP0,921, R2= 0,994), tarikan perjalanan sepeda motor
oleh Jumlah Pegawai (JSM= 3,044xJP0,818, R2= 0,981).
P
Kata Kunci : analisis regresi , rumah sakit, trip attractions.
1. PENDAHULUAN
Pertumbuhan penduduk yang tinggi dan adanya
peningkatan perekonomian masyarakat menuntut
laju pembangunan yang cukup pesat, yang pada
gilirannya akan menimbulkan tingkat mobilitas
tinggi
dari
para
pelaku
pembangunan.
Pembangunan pada umumnya menyebabkan
perubahan ke dalam sistem kegiatan.
Hubungan yang erat antara sistem kegiatan
dengan
sistem
pergerakan
mengakibatkan
pembangunan yang juga akan memberikan
perubahan kepada sistem pergerakan. Lebih jauh
lagi, perubahan sistem pergerakan ini harus
didukung oleh sistem jaringan ( prasarana ),
sehingga dibutuhkan pembangunan jaringan,
kemudian proses di atas akan kembali terulang.
Karena itu sebagai salah satu jalan untuk
memperkirakan kebutuhan pembangunan jaringan,
diperlukan metode untuk mengetahui seberapa
besar pengaruh adanya pembangunan (perubahan
sistem kegiatan ) terhadap perubahan sistem
pergerakan.
Dengan diketahuinya seberapa besar pengaruh
adanya pembangunan terhadap sistem pergerakan,
dapat juga dinilai seberapa jauh diperlukan
pengendalian dan pengaturan untuk menjamin
kelancaran, keselamatan dan efisiensi dalam sistem
jaringan yang ada. Pengaruh awal yang dapat
diidentifikasi adalah besarnya bangkitan dan tarikan
pergerakan ( jumlah yang pergi dan yang datang )
akibat hasil pembangunan yang bersangkutan.
Dalam kasus ini adalah pembangunan yang
cukup pesat pada beberapa rumah sakit yang berada
TeknikA
di kota Padang. Ini ditandai dengan adanya
penambahan sarana dan peningkatan klasifikasi
pada rumah sakit yang berakibat pada
meningkatnya fasilitas pelayanan yang ada dan
pada akhirnya akan meningkatkan jumlah tarikan
perjalanan/ kunjungan ke rumah sakit tersebut.
2. STUDI PUSTAKA
Pemodelan
bangkitan
perjalanan
(trip
generation) adalah suatu tahapan pemodelan yang
memperkirakan jumlah pergerakan dari suatu zona
(trip generation) dan jumlah pergerakan yang
tertarik ke suatu zona (trip attraction).
Tujuan dasar bangkitan perjalanan adalah
menghasilkan suatu model hubungan yang
mengaitkan tata guna lahan dengan jumlah
pergerakan yang menuju ke suatu zona atau jumlah
pergerakan yang meninggalkan suatu zona. Zona
asal dan tujuan pergerakan biasanya menggunakan
istilah trip end.
Pergerakan merupakan fungsi tata guna lahan
yang menghasilkan perjalanan lalu lintas.
Perjalanan lalu lintas ini mencakup :
• Lalu lintas yang meninggalkan suatu
lokasi
• Lalu lintas yang menuju atau tiba ke suatu
lokasi
Hasil keluaran dari perhitungan bangkitan dan
tarikan lalu-lintas berupa jumlah kendaraan, orang,
atau angkutan barang per satu satuan waktu,
misalnya kendaraan/jam. Kita dapat menghitung
jumlah orang atau kendaraan yang masuk atau
keluar dari suatu luas tanah tertentu dalam satu hari
49
No. 27 Vol.3 Thn. XIV April 2007
atau satu jam untuk mendapatkan bangkitan dan
tarikan pergerakan.
Bangkitan dan tarikan lalu lintas tersebut
tergantung kepada dua aspek tata guna lahan, yaitu:
a. Jenis tata guna lahan
Tata guna lahan yang akan ditinjau untuk
dimodelkan tarikan perjalanannya adalah RUMAH
SAKIT, dimana parameter dari kawasan yang
umum digunakan sebagai variabel bebas dalam
model bangkitan/tarikan diantaranya :
Luas tanah
Luas bangunan
Jumlah pegawai
Jumlah tempat tidur
b. Jumlah aktifitas dan intensitas pada tata
guna lahan
ISSN: 854-8471
2.
3.
4.
Penyimpangan nilai y di sekitar garis regresi
harus bebas satu sama lain serta terdistribusi
normal.
Nilai X diasumsikan bebas dari kesalahan.
Hubungan regresi peubah tidak bebas, linier
terhadap peubah bebas.
Dalam persamaan linier, hubungan antara dua
variabel bila digambarkan secara grafis (dengan
scatter diagram), semua nilai X dan Y yang sesuai
dengan persamaan Y = a + bX akan jatuh pada
suatu garis lurus (straight line). Garis tersebut yang
dinamakan garis regresi (regression line).
Untuk membuat garis regresi dapat
digunakan metode least square.
Metode Least Square
2.1. Formulasi Model
Model bangkitan atau tarikan yang akan
dikalibrasi pada studi ini adalah model matematis.
Secara
umum,
model
matematis
untuk
bangkitan/tarikan merupakan bentuk korelasi antara
variabel tata guna lahan sebagai variabel bebas
dengan besarnya bangkitan tarikan sebagai variabel
tak bebas. Persamaan matematis yang paremeternya
diperoleh dari analisis regresi.
Bentuk persamaan yang dipilih adalah yang
menghasilkan tingkat korelasi yang optimal.
Analisis regresi juga menghasilkan parameterparemeter yang dapat meng-gambarkan tingkat
keandalan model yang diperoleh, sehingga model
bangkitan atau tarikan yang diperoleh dapat
dipergunakan secara lebih luas
2.2. Analisis Regresi
Analisis regresi adalah suatu analisis yang
mempelajari bagaimana suatu peubah tidak bebas
(respon) berhubungan dengan satu atau lebih
peubah bebas (predictor). Analisa regresi linier
dapat digunakan untuk menghasilkan hubungan
antara satu peubah tidak bebas dengan dua atau
lebih peubah bebas.
Persamaan yang sederhana dan luas
penggunaannya untuk menunjukkan hubungan
variabel-variabel adalah persamaan linier.
Y = a + bX
……(2.1)
Dimana, a : Konstanta
b : Koefisien Regresi
X : Variabel
yang
diketahui
(independent variable)
Y : Variabel
yang
diramalkan
(dependent variable)
Sumber : Walpole, 1995
Asumsi dasar dari analisis regresi adalah
(Hutchinson, 1974) :
1. Variasi dari nilai y di sekitar garis regresi harus
sama dengan seluruh rentang jarak peubah
bebas.
TeknikA
Metode least square berusaha membuat
garis yang mempunyai jumlah selisih (jarak
vertikal) kuadrat antara data dengan garis regresi
yang terkecil.
Bentuk persamaan regresi yang akan
dikembangkan sebagai model dalam studi dapat
dibagi menjadi dua kelompok utama :
a.
Persamaan Regresi Variabel Tunggal
Untuk persamaan regresi variabel tunggal,
dibatasi hanya regresi yang bersifat linier,
logaritmik, power(berpangkat) dan eksponensial
saja.
Bentuk umum persamaan regresi variabel
tunggal yang dijadikan alternatif persamaan adalah
:
Y = a + bX
(linier)
… (2.2)
Y = a + b Ln (X) (logaritmik) … (2.3)
Y = a (X)b
(power)
… (2.4)
Y = a exp[b(X)]
(eksponensial) ..(2.5)
Sumber : Walpole, 1995
b. Persamaan Regresi Multi Variabel
Yaitu persamaan yang memiliki variabel
bebas lebih dari satu. Karena itu untuk bentuk
persamaan ini akan terdapat beberapa alternatif
persamaan berdasarkan kombinasi kandidat
variabel yang ada. Untuk persamaan regresi multi
variabel, dibatasi hanya regresi yang bersifat linier
saja (regresi multilinier), bentuk umumnya adalah :
Y = a + b1X1 + b2X2 + b3X3 + … … (2.6)
Sumber : Walpole, 1995
Keuntungan dari persamaan multi variabel
adalah sebagai bentuk alternatif persamaan yang
secara umum dikatakan semakin banyak variabel
makin baik keandalan dari model yang dihasilkan,
namun itu juga tergantung kepada variabel yang
terlibat. Pemilihan kombinasi variabel didasarkan
pada matrik korelasi yang telah dihasilkan.
50
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
Sebagai acuan dalam pemilihan kombinasi
variabel dalam suatu alternatif persamaan adalah
sebagai berikut :
• Untuk variabel bebas yang secara langsung
memiliki
pengaruh
positif
terhadap
bangkitan/tarikan.
• Dipilih variabel bebas yang memiliki nilai
korelasi tinggi terhadap variabel tak bebasnya.
• Variabel bebas yang memiliki korelasi tinggi
dengan variabel bebas lainnya tidak disatukan
dalam satu alternatif persamaan.
dihindari dengan menggunakan metode
product moment yang dikemukakan oleh Karl
Pearson.
r=
⎛ n
⎞ ⎛ n
⎞⎛ n ⎞
⎜ n.∑ X iYi ⎟ − ⎜ ∑ X i ⎟⎜ ∑ Yi ⎟
⎝ i =1
⎠ ⎝ i =1 ⎠⎝ i =1 ⎠
(2.8)
n
n
⎛ n
⎞
⎛ n ⎞
n.∑ X i 2 − ⎜ ∑ X i ⎟ . n.∑ Yi 2 − ⎜ ∑ Yi ⎟
i =1
i =1
⎝ i =1 ⎠
⎝ i =1 ⎠
Sumber : Walpole, 1995
2
2
3. METODOLOGI PENELITIAN
Sebagian besar persamaan regresi telah
dikembangkan dengan menggunakan paket
program analisis regresi bertahap (stepwise).
Program analisis stepwise memungkinkan adanya
analisis untuk menguji sejumlah besar peubah yang
potensial. Pemodel kemudian akan
memilih
persamaan
yang
paling baik menggunakan
kriteria statistik tertentu.
Korelasi adalah salah satu teknik statistik yang
digunakan untuk mencari hubungan antara dua
variabel atau lebih yang sifatnya kuantitatif. Dua
variabel dikatakan berkorelasi apabila perubahan
pada variabel yang satu akan diikuti oleh perubahan
pada variabel yang lain secara teratur, dengan arah
yang sama atau dapat pula dengan arah yang
berlawanan.
Bila dua variabel tersebut dinyatakan sebagai
variabel X dan variabel Y, maka apabila variabel X
berubah, variabel Y pun berubah dan sebaliknya.
Koefisien korelasi merupakan ukuran besar
kecilnya atau kuat tidaknya hubungan antara
variabel. Koefisien korelasi dinyatakan dengan
bilangan bergerak antara 0 sampai +1 atau 0
sampai -1.
Apabila koefisien korelasi (r) mendekati +1
atau -1 berarti terdapat hubungan yang kuat,
sebaliknya apabila mendekati 0 berarti terdapat
hubungan yang lemah atau tidak ada hubungan.
Apabila r sama dengan +1 atau -1 berarti terdapat
hubungan positif sempurna atau hubungan negatif
sempurna.
Koefisien korelasi dapat dihitung dengan
beberapa metode :
1. Least Square
Biasanya dipergunakan nilai statistik :
− Y 'i )
n
r = +
1−
∑ (Y
i =1
n
i =1
i
i
−Y
)
2
…(2.7)
2
Sumber : Walpole, 1995
2.
Pearson Product Moment
Rumus menurut metode least square terlalu
banyak memerlukan perhitungan. Hal ini dapat
TeknikA
Pengumpulan
Data Primer dan Sekunder
Data Karakteristik
Kawasan
2.3. Analisis Korelasi
∑ (Y
Bagan alir metodologi penelitian untuk
melakukan pemodelan tarikan dapat dilihat pada
Gambar 1 berikut.
Data Tarikan
(Variabel Tak Bebas)
Analisis Korelasi Data
Alternatif Persamaan Model
UJI MODEL
Lolos
TidakLolos
Pemilihan Persamaan
Model
MODEL FINAL
Gambar-1 Bagan Alir Metodologi Penelitian
4. PENGUMPULAN DATA
Pengumpulan data Primer dan Sekunder
dilakukan
untuk
mengetahui
besarnya
bangkitan/tarikan lalu lintas (variabel tak bebas)
sebagai data primer dan data karakteristik kawasan
(variabel bebas) sebagai data sekunder di suatu
kawasan tinjauan.
Jenis survey primer yang dilakukan untuk
mengumpulkan data tarikan dari suatu guna lahan
tertentu adalah dengan Survey Pencacahan Lalu
Lintas. Survey pencacahan lalu-lintas merupakan
suatu pencacahan kendaraan menurut jenisnya.
Umumnya di kawasan rumah sakit yang
terlihat cukup signifikan adalah kendaraan jenis
Sepeda Motor dan Mobil. Periode waktu
pencacahan adalah perjam, total waktu pencacahan
disesuaikan dengan jenis tata guna lahan tinjauan.
Data pencacahan ditulis dalam data form yang
51
No. 27 Vol.3 Thn. XIV April 2007
tersedia. Lokasi pencacahan ditetapkan pada pintu
masuk lokasi yang bersangkutan.
Survey sekunder dilakukan dengan mendatangi
masing-masing lokasi atau pengelola dari kawasan
yang dipilih untuk mengumpulkan data-data yang
diperlukan. Data sekunder yang diperlukan untuk
rumah sakit umumnya berada pada lokasinya.
Survey sekunder untuk memperoleh data-data
sebagai berikut :
1. Luas tanah (LT, m2)
2. Luas bangunan (LB, m2)
3. Jumlah pegawai (JP, orang)
4. Jumlah tempat tidur (JTT, buah)
Lokasi Survey
Pemilihan lokasi survey tergantung dari
ketersediaan data dan kemudahan serta kemampuan
dalam melaksanakan survey lapangan.
Lokasi yang di survey yaitu :
1. Rumah Sakit Umum Pusat M. DJAMIL.
2. Rumah Sakit YOS SUDARSO.
3. Rumah Sakit TNI REKSODIWIRYO.
4. Rumah Sakit SELAGURI.
5.
ANALISIS DATA
ISSN: 854-8471
5.3. Uji Model
Pengujian analisis ini adalah pengujian
terhadap kemungkinan-kemungkinan Alter-natif
Persamaan Model yang diperoleh dari program
SPSS (Statistical Product Service Solution) versi
11.5 yang dilakukan dua (2) tahap pengujian yaitu
Uji Kemasuk-akalan tanda dan Uji Statistik.
Uji Kemasuk-akalan tanda berfungsi sebagai
pedoman awal untuk mendeteksi apakah ada
hubungan yang tidak logis atau tidak masuk akal
pada kemungkinan alternatif persamaan yang telah
diperoleh. Dimana nilai konstanta (a) atau koefisien
regresi (b) dinyatakan terdapat hubungan yang
tidak logis atau tidak masukakal.
Alternatif persamaan model juga di Uji
Statistik yaitu Uji tstatistik (untuk alternatif persamaan
model variabel tunggal) dan Uji Fstatistik (untuk
alternatif persamaan model multi variabel).
Alternatif persamaan model yang lolos Uji Statistik
adalah Alternatif persamaan model yang memiliki
nilai tstatistik/Fstatistik lebih besar dari nilai ttabel/Ftabel
(tstatistik/Fstatistik > ttabel/Ftabel ), dimana nilai
tstatistik/Fstatistik diperoleh dari hasil analisis program
SPSS (Statistical Product Service Solution) versi
11.5
5.1. Koefisien Korelasi
5.4. Pemilihan Model Optimum
Sebelum melakukan pembuatan Alternatif
Persamaan Model maka terlebih dahulu dilakukan
penentuan Koefisien Korelasi dan Uji Korelasi.
Perhitungan angka koefisien korelasi dilakukan
dengan menggunakan program SPSS (Statistical
Product Service Solution) versi 11.5 yaitu dengan
mengkorelasikan masing-masing variabel terikat
(jumlah mobil dan jumlah sepeda motor) dengan
variabel bebasnya (luas tanah, luas bangunan,
jumlah pegawai, jumlah tempat tidur).
Hasil dari perhitungan koefisien korelasi
disajikan dalam bentuk Matrik Korelasi kondisi
tarikan pada jam puncak dan kondisi tarikan total
dalam satu hari.
Koefisien korelasi berfungsi untuk melihat
tingkat hubungan (secara statistik) antara variabel
karakteristik kawasan dengan variabel tarikannya.
Nilai korelasi adalah nilai yang digunakan untuk
memilih variabel bebas (yaitu yang mempunyai
nilai korelasi yang besar) dengan variabel tak
bebasnya. Besarnya nilai korelasi antara dua
variabel adalah antara -1 s/d +1.
Setelah dilakukan Uji Model, Alternatif
Persamaan Model yang memenuhi Uji Kemasukakalan tanda dan lolos Uji Statistik dilanjutkan
dengan pemilihan Alternatif Persamaan Model
yang memiliki nilai koefisien determinasi (R2) yang
besar, maka akan diperoleh Persamaan Model yang
Optimum.
5.2. Alternatif Persamaan Model
Kemungkinan-kemungkinan
Alternatif
Persamaan Model dilakukan dengan menggunakan
program SPSS (Statistical Product
Service
Solution) versi 11.5 yaitu dengan mengkorelasikan
masing-masing variabel terikat (jumlah mobil dan
jumlah sepeda motor) dengan variabel bebasnya
(luas tanah, luas bangunan, jumlah pegawai, jumlah
tempat tidur).
TeknikA
6. HASIL DAN PEMBAHASAN
Survei primer dilakukan dengan periode waktu
pencacahan adalah perjam dari jam 7.00 sampai
dengan jam 16.00. selama 2 hari kerja yaitu hari
Selasa dan Kamis.
Data primer dan data sekunder hasil survey
dapat dilihat pada Tabel 1, Tabel 2 dan Tabel 3
berikut :
Tabel-1 Jumlah Tarikan Kendaraan Saat Jam
Puncak
Masuk
No.
Lokasi
Sepeda
Mobil
Motor
1
RS. M. Jamil
205
201
RS. Yos
57
60
2
Sudarso
RS. TNI
21
39
3
Reksodiwiryo
4
RS. Selaguri
15
17
52
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
Tabel -2 Jumlah Tarikan Kendaraan
Total Perhari
Masuk
No.
Lokasi
Sepeda
Mobil
Motor
1
RS. M. Jamil
1327
1248
RS. Yos
2
382
367
Sudarso
RS. TNI
146
199
3
Reksodiwiryo
4
RS. Selaguri
105
117
Tabel- 3 Data Karakteristik Zona
Karakteristik Zona
No
.
Lokasi
1
RS. M. Jamil
2
3
4
RS. Yos
Sudarso
RS. TNI
Reksodiwiry
o
RS. Selaguri
LT
LB
JP
85760
3362
6
1594
23450
4750
350
40000
1681
0
133
1415
JT
T
68
8
15
0
12
1
664
106 59
Sumber : Data Survey
Hasil dari perhitungan koefisien korelasi dapat
disajikan dalam bentuk matriks korelasi pada Tabel
4.4 untuk kondisi tarikan pada jam puncak.
Sedangkan matrik korelasi hasil perhitungan untuk
kondisi tarikan total dalam satu hari dapat kita
amati pada Tabel 4.5.
Tabel -4 Matriks Korelasi Kondisi
Puncak
LT
LB
JP
0,89 0,85 0,99
Jumlah
7
3
8
Mobil
Jumlah
0,93 0,89 0,99
Sepeda
1
1
5
Motor
0,98 0,89
1
Luas Tanah
7
9
0,86
0,98
Luas
1
3
7
Bangunan
0,89 0,86
Jumlah
1
9
3
Pegawai
Jumlah
0,93 0,90 0,99
Tempat
1
5
6
Tidur
Tarikan Jam
JTT
0,99
2
0,99
6
0,93
1
0,90
5
0,99
6
1
Tabel- 5 Matriks Korelasi Kondisi Tarikan Total
Perhari
LT
LB
JP
JTT
0,89 0,85 0,99 0,99
Jumlah
7
2
8
2
Mobil
Jumlah
0,91 0,87 0,99 0,99
Sepeda
4
3
8
5
Motor
0,98 0,89 0,93
1
Luas Tanah
7
9
1
0,98
0,86 0,90
Luas
1
7
3
5
Bangunan
0,99
0,89 0,86
Jumlah
1
6
9
3
Pegawai
Jumlah
0,93 0,90 0,99
1
Tempat
1
5
6
Tidur
6.1. Hasil Korelasi
• Dari matrik korelasi jam puncak dapat dilihat
bahwa jumlah mobil berkorelasi tinggi (nilai
korelasi >0,5) dengan variabel bebasnya dan
jumlah sepeda motor juga berkorelasi tinggi
dengan variabel bebasnya. Demikian pula
untuk kondisi total perhari.
• Antara variabel-variabel bebas terdapat
korelasi yang tinggi, oleh sebab itu tidak
disatukan dalam satu persamaan alternatif,
maka cuma digunakan alternatif persamaan
dengan variabel tunggal. Baik untuk kondisi
tarikan jam puncak ataupun kondisi tarikan
total perhari.
Adapun alternatif persamaan model untuk
kondisi tarikan pada saat jam puncak dan tarikan
total perharinya dapat dilihat pada Tabel 6 dan
Tabel 7.
6.2. Model Akhir
Berdasarkan hasil kalibrasi dan analisis
statistik serta uji kemasuk-akalan tanda, alternatifalternatif persamaan yang telah teridentifikasi
dipilih yang paling baik atau yang optimum.
Kriteria alternatif persamaan yang paling
baik/optimum adalah sebagai berikut:
• Lulus uji kemasuk-akalan tanda
• Lulus uji statistik
• Memiliki nilai koefesien determinasi (R2)
yang paling besar.
Model Akhir Tarikan Jam Puncak
1. JM = 0,195 x JP0,95
R2 = 0,994
2. JSM = 0,347 x JTT0,986
R2 = 0,979
Model Akhir Tarikan Total Perhari
1. JM = 1,561 x JP0,921
R2= 0,994
2. JSM = 3,044 x JP0,818
TeknikA
R2= 0,981
53
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
Tabel -6 Alternatif Persamaan Model Tarikan Jam Puncak
No.
Model
Tipe
Variable
VT
VB
JM
JM
LT
LT
Regresi
a
b
1 y = 0.00223x-9.53
2 y = 32.0152Ln(x)239.837
3 y = 0.392x0.48
4 y = 15.225e2.81E-05x
Linier
Logaritmik
Pangkat
JM
Eksponensia JM
l
-9.53 0.00223
- 32.0152
239.837
LT
0.392
0.48
LT 15.225 2.81E05
5 y = 0.00513x+2.905
6 y = 34.23Ln(x)226.011
7 y = 0.697x0.472
8 y = 18.676e6.10E-05x
Linier
Logaritmik
LB
LB
Pangkat
JM
Eksponensia JM
l
2.905 0.00513
- 34.23
226.011
LB
0.697 0.472
LB 18.676 6.10E05
9 y = 0.126x+5.969
10 y = 70.369Ln(x)326.354
11 y = 0.195x0.95
Linier
Logaritmik
JP
JP
t Test
R2
t
Sig
t Table
0.804
0.413
2.868 0.1031
1.191 0.356
2.92
2.92
0.536
0.729
1.519
2.322
0.268
0.146
2.92
2.92
0.727
0.44
2.308 0.1473
1.253 0.337
2.92
2.92
0.478
0.591
1.354 0.3083
1.7 0.2312
2.92
2.92
5.969 0.126
- 70.369
326.354
JP
0.195
0.95
0.997 25.548 0.0015
0.951 6.204 0.025
2.92
2.92
0.994 18.633 0.0029
2.92
JP
0.882
3.865 0.0609
2.92
0.984 11.213 0.0079
0.929 5.133 0.0359
2.92
2.92
0.929
5.105 0.0363
2.92
16.978 0.0037
0.854
3.417
0.076
2.92
-2.174 0.0022
- 32.374
238.613
Pangkat
JSM LT
0.411 0.495
Eksponensia JSM LT 19.368 2.68El
05
0.864
0.487
3.605 0.691
1.378 0.3022
2.92
2.92
0.742
0.868
2.396
2.621
0.139
0.685
2.92
2.92
0.794
0.52
2.779 0.1087
1.475 0.2781
2.92
2.92
0.701
0.741
2.164 0.1629
2.39 0.1394
2.92
2.92
0.991 14.483 0.0047
0.941 5.656 0.0299
2.92
2.92
0.934
5.308 0.0337
2.92
0.838
3.216 0.0846
2.92
JM
JM
JM
JM
JM
Pangkat
12 y = 18.698e0.00156x
Eksponensia JM
l
13 y = 0.303x-2.558
14 y = 83.016Ln(x)349.248
15 y = 0.163x1.096
Linier
Logaritmik
18.698 0.00156
JM JTT
JM JTT
-2.558 0.303
- 83.016
349.248
JM JTT 0.163 1.096
Pangkat
16 y = 16.978e0.0037x
Eksponensia JM JTT
l
17 y = 0.0022x-2.174
18 y = 32.374Ln(x)238.613
19 y = 0.411x0.495
20 y = 19.368e2.68E-05x
Linier
Logaritmik
21 y = 0.005x+9.391
22 y = 34.795Ln(x)226.221
23 y = 0.659x0.5
24 y = 23.044e5.99E-05x
Linier
Logaritmik
25 y = 0.117x+15.479
26 y = 65.366Ln(x)293.103
27 y = 0.536x0.807
Linier
Logaritmik
JSM LT
JSM LT
JSM LB
JSM LB
9.391 0.005
- 34.795
226.221
Pangkat
JSM LB
0.659
0.5
Eksponensia JSM LB 23.044 5.99El
05
JSM JP
JSM JP
15.479 0.117
- 65.366
293.103
JSM JP
0.536 0.807
Pangkat
28 y = 25.699e0.00133x
TeknikA
Eksponensia JSM
l
JP
25.699 0.00133
54
No. 27 Vol.3 Thn. XIV April 2007
29 y = 0.284x+7.026
30 y = 78.765Ln(x)322.802
31 y = 0.347x0.986
Linier
Logaritmik
ISSN: 854-8471
JSM JTT
JSM JTT
7.026 0.284
- 78.765
322.802
JSM JTT 0.347 0.986
0.992 15.953 0.0039
0.96 6.935 0.0202
2.92
2.92
0.979
9.552 0.0108
2.92
0.846
3.319
2.92
Pangkat
32 y = 23.259e0.0033x
Eksponensia JSM JTT
l
23.259 0.0033
0.08
Catatan : Nilai ttabel diperoleh dari Tabel t berdasarkan degree of freedom (df)
Dimana df = banyak sampel – (banyak variabel bebas dalam persamaan + satu)
Tabel- 7 Alternatif Persamaam Model Tarikan Harian
Model
Tipe
Variabel
Regresi
R2
No.
VT
VB
LT -49.539 0.0143
LT
- 206.278
1535.31
6
LT
3.052 0.466
LT 106.455 1.17E05
1 y = 0.0143x-49.539
2 y = 206.278Ln(x)1535.316
Linier
Logaritmik
JM
JM
3 y = 3.052x0.466
4 y = 106.455e1.17E-05x
Pangkat
Eksponens
ial
JM
JM
5 y = 0.033x+30.731
6 y = 220.166Ln(x)1442.89
7 y = 5.329x0.458
8 y = 129.748e5.93E-05x
Linier
Logaritmik
JM
JM
Pangkat
Eksponens
ial
JM
JM
Linier
Logaritmik
JM
JM
9 y = 0.81x+50.089
10 y = 452.404Ln(x)2087.085
11 y = 1.561x0.921
a
b
t test
t
Sig
t table
0.804
0.418
2.867 0.1031
1.198 0.354
2.92
2.92
0.537
0.731
1.523
2.334
0.267
0.147
2.92
2.92
30.731 0.033
- 220.166
1442.89
LB
5.329 0.458
LB 129.748 5.93E05
0.726
0.441
2.300
1.256
0.148
0.336
2.92
2.92
0.48
0.593
1.359 0.307
1.710 0.2298
2.92
2.92
JP
JP
0.996
0.953
23.27 0.0018
6.362 0.0238
2.92
2.92
JM
50.089
0.81
- 452.404
2087.08
5
JP
1.561 0.921
0.994 18.853 0.0028
2.92
JP 130.049 0.0015
0.883
3..883 0.0604
2.92
0.983 10.885 0.0083
0.931 5.193 0.0351
2.92
2.92
JM
-4.569 1.943
- 533.487
2233.15
1
JTT 1.307 1.063
0.929
5.151 0.0357
2.92
LB
LB
Pangkat
12 y = 130.049e0.0015x
Eksponens
ial
JM
13 y = 1.943x-4.569
14 y = 533.487Ln(x)2233.151
Linier
Logaritmik
JM
JM
15 y = 1.307x1.063
JTT
JTT
Pangkat
16 y = 118.404e0.00361x
Eksponens
ial
JM
JTT 118.404 0.00361
0.855
3.435 0.0753
2.92
17 y = 0.013x-18.513
18 y = 194.322Ln(x)1425.178
Linier
JSM
Logaritmik JSM
0.836
0.446
3.187 0.0859
1.27 0.332
2.92
2.92
19 y = 3.815x0.452
Pangkat
LT -18.513 0.013
LT
- 194.322
1425.17
8
LT
3.815 0.452
1.847
2.92
TeknikA
JSM
0.63
0.206
55
No. 27 Vol.3 Thn. XIV April 2007
ISSN: 854-8471
20 y = 121.71e2.58E-05x
Eksponens JSM
ial
LT
21 y = 0.031x+53.765
22 y = 208.696Ln(x)1349.447
Linier
JSM
Logaritmik JSM
LB
LB
23 y = 6.004x0.453
24 y = 144.66e5.72E-05x
25 y = 0.735x+81.757
26 y = 410.695Ln(x)1856.75
27 y = 3.044x0.818
121.71 2.58E05
0.719
2.218 0.0945
2.92
0.762
0.477
2.53 0.127
1.351 0.3094
2.92
2.92
Pangkat
JSM
Eksponens JSM
ial
53.765 0.031
- 208.696
1349.44
7
LB
6.004 0.453
LB 144.66 5.72E05
0.589
0.69
1.692 0.2327
2.11 0.1693
2.92
2.92
Linier
JSM
Logaritmik JSM
JP
JP
0.996 23.194 0.0019
0.945 5.869 0.278
2.92
2.92
0.981 10.078 0.0097
2.92
JSM
81.757 0.735
- 410.695
1856.75
JP
3.044 0.818
Pangkat
28 y = 153.141e0.00136x
Eksponens JSM
ial
29 y = 1.778x+30.218
30 y = 489.69Ln(x)2016.889
Linier
JSM JTT
Logaritmik JSM JTT
JP 153.141 0.00136
30.218 1.778
- 489.69
2016.88
9
JSM JTT 2.249 0.972
31 y = 2.249x0.972
0.89
4.031 0.0564
2.92
0.991
0.94
14.74 0.0046
5.808 0.0284
2.92
2.92
0.973
8.512 0.0135
2.92
0.881
3.857 0.0611
2.92
Pangkat
32 y = 139.49e0.00328x
Eksponens JSM JTT
ial
Model Akhir Tarikan Total Perhari
1. JM = 1,561 x JP0,921
R2= 0,994
Keterangan :
JM : Jumlah Mobil
JSM : Jumlah Sepeda Motor
LT : Luas Tanah
LB : Luas Bangunan
JP : Jumlah Pegawai
JTT : Jumlah Tempat Tidur
VT : Variabel Terikat
VB : Variabel Bebas
2. JSM = 3,044 x JP0,818
1.
2.
• Dari hasil analisis korelasi diketahui bahwa
variabel Luas Tanah, Luas Bangunan, Jumlah
Pegawai, dan Jumlah Tempat Tidur
mempunyai pengaruh yang signifikan terhadap
tarikan perjalanan pada rumah sakit di kota
Padang, baik untuk tarikan jam puncak maupun
tarikan total per hari.
• Dari hasil kalibrasi dan uji statistik diperoleh
dua model akhir tarikan perjalanan pada
rumah sakit di kota Padang untuk tarikan pada
jam puncak dan untuk tarikan total dalam satu
hari.
• Model Akhir yang diperoleh yaitu :
Model Akhir Tarikan Jam Puncak
1. JM = 0,195 x JP0,95
R2 = 0,994
TeknikA
R2= 0,981
6. DAFTAR PUSTAKA
7. KESIMPULAN
2. JSM = 0,347 x JTT0,986
139.49 0.00328
3.
4.
5.
LPM-ITB, “Studi Standarisasi Bangkitan dan
Tarikan Lalu-Lintas di Zona Bandung
Raya”, Institut Teknologi Bandung, 1999
Putranto, L. S., “Tarikan Perjalanan Gedung
Perkantoran di Jakarta Barat”. Jurnal
Transportasi Vol. 1, No. 2, Forum Studi
Transportasi Perguruan Tinggi, Bandung, 1999
Putranto, L. S., “Tarikan Perjalanan dan
efiseinsi Parkir Gedung Perkantoran di Jakarta
Pusat”. Jurnal Kajian Teknologi Tahun 2 No.1,
Universitas Tarumanegara, 2000
Tamin, O. Z, “Perencanaan dan Pemodelan
Transportasi”, Penerbit ITB, Bandung, 1997
Morlok, E. K, “Pengantar Teknik dan
Perencanan Tranportasi ”, Penerbit Erlangga,
Jakarta, 1991
R2 = 0,979
56