*

Pendekatan Analisis dan Pemodelan

Perencanaan Transportasi

3. Analisis Tahapan Modal Split

4. Analisis Tahapan Route choice

*

Gambar UTMS 4 Tahap (Black, 1981)

Koleksi Data

Trip Generation

O-D

Trip Distribution

Total Matrix O-D

Modal Split

MAT Angk.Pribadi

Route Choice

Arus Jaringan

Zona model

Jaringan Transport

Survai invent. jaringan

Biaya Perjalanan

Survai Trip t0

MAT Angk.Umum

*

Deskriminan

Perbandingan Model-Model

Pendekatan Stochastic

TEKNIK ANALISIS

PERMINTAAN TRANSPORTASI

Simplified Techniquest

Pemodelan Sistem

Transportasi Kota (UTMS)

Trip Generation Trip Distribution Modal Split Trip Assignment

Model Pilihan Individual

Pendekatan Deterministik

Pendekatan Stochastic

Ei Gumbel

Trip dianggap sebagai komponen sistem, kurang realistis thdp perilaku Tidak menggambarkanperilaku trip sebenarnya Rencana transportasiditujukan untuk memenuhi permintaan tanpa melihat kemampuannya untuk memenuhi permintaan tersebut Penggunaan fungsi kebutuhan untuk menganalisis perilaku individu Asumsi:

Informasi sempurna preferensi tetap & pasti (tdk ada penyimpangan perilaku)

Proses pengambilan keputusan digambarkan dengan memanfaatkan fungsi utilitas yang kontinyu, pada hal keputusan pilihan moda merupakan proses pemilihan diskrit Adanya elemen stochatic (residual & eror) untuk mengatakan ketidakmampuan memperoleh informasi sempurna dan untuk mengatasi penyimpangan perilaku Penilaian probabilistik, karena individu tidak dapat menentukan secara pasti alternatif yang akan dipilih serta sulitnya menghitung harga utilitas Model pilihan diskrit, proses pilihan bukanlah suatu deterministik, namun merupakan masalah random yang tidak dapat secara sempurna

Ei Normal

Ei Uniform

P r o b i t

L o g i t

Gambar

Analisis Permintaan Transportasi

*

*

Tahapan Moda Split dan Route Choice

Pemilihan Moda (Moda Split)Pemilihan Rute (Route Choice)

i

d

Moda pribadi Moda umum

i

d

Moda pribadi Moda umum

A

B

C

D

A

B

C

Faktor Pengaruh:

Jumlah/besaran trip O D Tingkat aksesibilitas (biaya, waktu, jarak) Jumlah/besaran moda Jenis dan sifat moda Pelaku perjalanan (tujuan perjalanan) Sistem aktivitas antar zona Sistem jaringan (link & network)

Faktor Pengaruh:

Jumlah/besaran trip O D Supply vs Demand Tingkat aksesibilitas (biaya, waktu, jarak) Jumlah/besaran moda Jenis dan sifat moda Pelaku perjalanan (tujuan perjalanan) Sistem aktivitas antar zona Sistem jaringan (link & network) Kapasitas jaringan jalan

*

SISTEM PERGERAKAN Wilayah Kajian

Pola Pergerakan Pekerja (komuting)

Pilihan Moda Angkutan Bermotor

. Atribut Pelayanan. Karakteristik Pelaku

3. Lintasan Pergerakan

Analisis Uji Statistik

Pemetaan Pemilihan Moda Wilayah Kajian

Estimasi Parameter

Formulasi dan Interpretasi

Captive

Choice

Bis dan Kereta Api

Pilihan Moda

Angkutan Pribadi

Angkutan Umum

Captive

Choice

Pilihan Moda

Gambar 1 Alur Pemikiran

EKSPLORASI Teoritik dan Empirik

Model Pemilihan Moda

. Atribut Pelayanan. Karakteristik Pelaku

3. Lintasan Pergerakan

Sepeda Motor

Mobil

Pribadi

Captive Private

Angkot/Ojek Motor/Taxi

*

3. Pemodelan Moda Split (pilihan moda)

3.1 Estimasi aggregat penggunaan di suatu area

3.1.1 Estimasi berdasarkan trend, bentuknya:

Eksplorasi grafis

Regresi time series

Kelemahan estimasi berdasarkan trend ini adalah tidak sensitif terhadap perubahan kebijaksanaan

3.1.2 Estimasi dengan mengakomodasikan biaya, bentuknya: regresi, elastisitas. Kelemahannya sama dengan estimasi berdasarkan trend.

3.2 Esimasi penggunaan moda dengan disagregasi hasil trip end model

Trip end model yang digunakan adalah household regression, zonal regression, atau category analysis

Asumsi: pilihan moda sangat dipengaruhi oleh faktor:

- Personal, misalnya kepemilikan kendaraan, kepemilikan SIM

- Kesempatan, misalnya tujuan dan maksud perjalanan

Pengaruh dari faktor yang terkait dengan pergerakan tertentu tidak dapat diakomodasikan, karena i j tidak diketahui

Mengindikasikan beberapa karakteristik zona asal (origin), misalnya rata-rata biaya bis, rata-rata waktu tunggu, dll

Efeksasi kebijaksanaan tidak terakomodasikan.

*

3.3 Direct Demand Model (untuk i j spesifik)

Trend analysis (tidak sensitif terhadap perubahan kebijakan politik)

Elastisitas dan regresi (mengakomodasikan efek biaya)

3.4 Men disagregasi Tij Total

Memungkinkan mengakomodasikan faktor-faktor yang terkait dengan pergerakan pada asal-tujuan (i-j) tertentu, misalnya harga karcis bis, waktu tunggu dll.

Asumsi; Semua pelaku pergerakan memilih moda termurah dari sejumlah pilihan yang ada pada rute i-j (over simplification)

Pendekatan yang lebih baik: menghitung proporsi orang yang menggunakan moda tertentu (untuk i-j tertentu) untuk mencerminkan relative cost satu moda terhadap moda lainnya

Solusi: secara empiris atau dengan model sintetis

3.4.1 Pendekatan Empiris

Mengkalibrasi sebuah diversion curve menggunakan pilihan diantara 2 moda hasil observasi

Asumsi: diversion curve adalah transferable

Diversion curve yang berbeda-beda dan masing-masing mewakili kelompok orang dengan income, tujuan pergerakan berbeda

Transferability sangat penting diperhitungkan

*

3.4.2 Penggunaan Model Sintetis

Model elastisitas (perubahan biaya atau ukuran utilitas lainnya, antara i-j untuk masing-masing moda)

Model Logit (menggunakan sifat-sifat model Logit untuk memprediksi pemilihan moda)

Mode Split yang Populer digunakan

Discrete Choice Models

peluang setiap individu memilih suatu pilihan merupakan fungsi ciri sosial

ekonomi dan daya tarik karakteristik pilihan/alternatif maksimum dari individu tersebut

(Lancaster, 2005). Biasanya dalam bentuk kombinasi linear.

Vcar = 0,25 1,2IVT 2,5ACC 0,31C/I + 1,1NCAR

Teori

Model ini didasarkan data disagregat (pilihan individu atas pilihan moda yang ada)

Model ini diturunkan dari Random Utiliy Theory dengan asumsi: perilaku keseluruhan diterangkan dengan keinginan untuk memaksimalkan utilitas, namun variasi random dari perilaku terjadi karena:

. Error analisis pengukuran;

. Error persepsi dari pelaku/individu;

. Variasi selera antar individu;

*

2. Jenis Modal-Split

Normit or Probit Model

Didasarkan pada distribisi normal dari error

Gradient CPD tergantung varians

Sulit dikalibrasi

Sulit diperluas untuk multiple choice model

(2)The Logit Model (lebih populer dalam penggunaan)

Didasarkan pada log of odds ratio {ln (p/1-p}

Persamaan garis CPDc (cumulative probability distribution curve):

p1 = 1/(1+exp (C2-C1)) = exp C1/(exp C1 + exp C2)

Gradient CPD ditentukan oleh

Mudah dikalibrasi

Mudah diperluas untuk multiple choice model

p1 = exp C1/ exp Cn

n

Prob.1

1

0,

0

-~ 0 +~

1/(1 + exp (C2-C1))

(Cost 2 Cost 1)

*

Contoh perhitungan: Diketahui fungsi biaya untuk bis dan mobil

CMbl = X1 . IVT + X2 . D + X3 . OPC

CBis = X4 . IVT + X5 . WT + X6 . OPC

X1 = 4; X4 = 5; IVT = in vehicle time (mnt)

X2 = 10: X5 = 10; D= distance (km)

X3 = 1; X6 = 1; WT= waiting time (mnt)

OPC= out of pocket cost (Rp.); = - 0,01

Diketahui untuk perjalanan A B

Mobil= 15 mnt (IVT); 5 km (D); Rp. 120,- (OPC)

bis= 30 mnt (IVT); 10 mnt (WT); Rp. 50,- (OPC)

Bagaimana Moda Split dari A B?

JAWAB:

PM = 1/(1 + exp (CB-CM))

CM = (4x15) + (10x5) + (1x120) = 230

CB = (5x30) + (10x10) + (1x50) = 300

PM = 1/(1+exp-0,01(300-230)) = 1/(1+ exp -0,7) = 1/(1 + 0,497) = 0,67

67% mobil ; dan 33% bis

*

C. Monte Carlo Sampling

Transformasi probabilitas ke discrete choice oleh decision maker:

Definisikan probability bonds

Pilih angka random antara 0-1

Record: termasuk ke probability bond mana angka tsb.

Ulang langkah (2) dan (3) untuk masing-masing decision making.

Contoh:

PMobil = 0,6 ; Pbis = 0,2 ; Pjl.kaki = 0,2

Probability Bonds Mobil= 0.0 0,60

bis= 0.61 - 0.80

Jalan Kaki= 0.81 - 1.00

Jika angka random = 0.626; 0.102; 0.869; 0,395; 0,291

Maka pilihan 5 orang tersebut = bis, Mobil, jalan kaki, mobil, mobil

PM = 60%; PB = 20%; PJK = 20%

*

Dari log of odds ratio ke familiar logit equation: (lanjutan)

Odds ratio = p/(1-p), odds ratio of other choice = (1-p)/p (atau 1/p-1)

Kita percaya bahwa ln [(1-p)/p] adalah beberapa fungsi () dari C2-C1

Kita dapat tulis : ln [(1-p)/p] = (C2-C1)

Taking exponents : (1-p)/p = exp (C2-C1)

Kalikan dengan p : 1-p = p exp (C2-C1)

Tambahkan p :1=p + exp (C2-C1) = p (1 + exp (C2-C1))

Dibagi dengan p :1/p = 1 + exp (C2-C1)

* Taking reciprocals (berbanding terbalik):

p = 1/(1+exp (C2-C1))

Sebagai alternatif dari langkah 5 : 1/p =1 + exp (C2-C1) = 1/p = 1 exp (C2-C1)

7.Diketahui bahwa exp(a-b) = expa/expb :1/p = 1 + exp C2/exp C1

Diketahui bahwa 1+a/b = b/b+a/b :1/p = (exp C1/exp C1) + (expC2/expC1)

* Taking reciprocals (berbanding terbalik):

p = expC1/ (expC1 + expC2)

*

Calibration of the Logit models on choice proportional data

(melibatkan penyesuaian sebuah kurva probabilitas terhadap data)

contoh

No. BiayaBiayaProporsi

ODK. ApibisK.Api

92760.82

80660.80

72550.88

63570.95

113920.72

85720.90

66490.76

61530.93

1301000.51

95710.56

76510.58

63400.64

Misalkan kita memiliki alasan untuk percaya Bahwa pilihan

-pilihan dapat diterangkan menggunakan model berikut:

PK.Api = 1/(1 + exp (Cbis + CK.Api)) dimana adalah

koefisien kemiringan dan adalah penalti spesifik sebuah

moda yang diasosiasikan dengan perjalanan bis

Tentukan:

1. Berapa nilai dan ?

2. Berapa proporsi sebuah pergerakan OD yang

diharapkan untuk menggunakan K.Api, jika biaya K.Api

dan bis untuk pergerakan tsb adalah 60 dan 40 berturut

-turut ?

*

Solusi 1.

Kita dengan mudah dapat menggunakan sebuah paket dan dapat mengerjakannya secara grafis sbb:

Pertama, atur persamaan PK.Api = 1/(1 + exp (Cbis + CK.Api)) sbb:

1/PK.Api = 1+(exp (Cbis + CK.Api))

(1/PK.Api) - 1 = exp (Cbis + CK.Api)

ln ((1/PK.Api) - 1 = (Cbis + CK.Api)

ln ((1/PK.Api) -1) = (Cbis + CK.Api) +

Sekarang, kita menghitung [Cbis CK.Api] dan [ln ((1/PK.Api) 1)] sbb:

ODCbis CK.Api (1/PK.Api) 1) ln (1/PK.Api) 1)

-160.22- 1.52

-140.25- 1.39

-170.14- 1.99

- 80.05- 2.94

-210.39- 0.94

-130.11- 2.20

-170.32- 1.15

- 80.32- 2.59

-300.96- 0.04

-240.79- 0.25

-250.72- 0.62

-230.56- 0.58

Kemudian kita dapat memplot [Cbis-CK.Api] terhadap [ln ((1/PK.Api) 1)] dan menggabungkan titik-titik

dengan garis penyesuaian terbaik:

-35 -30 -25 -20 -15 -10 -5 0

0

-0.5

-1

-1.5

-2

2,5

-3

-3.5

Ln (1/PK.Api)

(Cbis

CK.Api)

= -3.62/29 = -0.127

PK.Api = Pbis = 0.5, nilai yg harus + ke Cbis

sehingga :

CK.Api= Cbis+ (ie = CbisCK.Api, dmn PK.Api=0.5)

PK.Api = 0.5 saat ln ((1/ PK.Api) -1) = 0

Karena itu, dgn pemeriksaan, = 29

*

Solusi 2

PK.Api = 1/(1 + exp (Cbis + CK.Api)), jika = -0.127, = 29,

CK.Api = 60 dan Cbis = 40

PK.Api = 1/(1 + exp -0.127 (40 +29-60)) = 1/(1 + exp -1.143) = 1/1.319 = 0.76

keseluruhan biaya = 40 + 29 = 69

biaya bis > (lebih besar) dari biaya K.Api

diharapkan bahwa K.Api akan dipilih oleh sebagian besar penumpang.

*

Model Logit Multinomial

Model pemilihan diskret (relatif mudah dan sering digunakan)Asumsi: residu tersebar acak dan tersebar bebas dan identik (independent-and-identically-distributed/IID):

Piq = exp(Viq) / exp(Vjq)

Aj A(q)

Fungsi utilitasnya berbentuk linear dan parameter = 1, karena terkait dgn persamaan Gumbel:

2 = 2 /62

Memenuhi aksioma independence-of-irrelevant-alternatives (IIA): jika dua alternatif berpeluang untuk dipilih, nisbah satu peluang terhadap peluang lain tidak terpengaruh oleh adanya alternatif lain dalam satu set pilihan:

Pj/Pi = exp {(Vj-Vi)}

*

Contoh Model LM (Pilihan Moda Bagi Pekerja Tangerang-Jakarta)

Populasi = 82.949.463 trip/hari

Sampel = 100 Metode Slovin : (Mp:86 (57,35%) ; bis : 59 (39,45%) ; KA: 35 (3,2%)

Tingkat kepercayaan () = 90% ; stratifikasi proporsional acak

Model fungsi utilitas moda angkutan Mobil Pribadi:

Vm = (0,9823x1006)P1 + 4,863M1 0,0006766BK1 0,04284WT1 + 0,312700WP1 + 0,4320NWT1

+ 0,05461JP1 + 1,9390TD1

Model fungsi utilitas moda angkutan bis:

Vb = (0,7674x1006)P2 3,324M2 + 0,0002608BK2 0,04505WT2 0,004155WAD2 + 1,7240NWT2

+ 1,43840JP2

Model fungsi utilitas moda angkutan Kereta Api:

Vka = (0,8836x1006)P3 2,970M3 0,0001215BK3 0,10200WT3 0,014800WAD3 + 1,872NWT3

+ 0,80820JP3 + 2,1504TD3

Pilihan atribut pengaruh:

P = Income keseluruhanK = Koefisien moda angkutan

M = Kepemilikan mobil pribadiWP = Waktu parkir kendaraan

BK = Biaya keseluruhan perjalanan

WT = Waktu tempuh kendaraan

WAD = Waktu tempuh access-deccess

NWT = Penilaian terhadap waktu tempuh kendaraan

JP = Jadwal pemberangkatan kendaraan

TD = Ketersediaan tempat duduk kendaraan

*

Contoh Logit-biner

Tabel Informasi operasi jalan raya dan jalan baja dan % pilihan moda

X1 : Waktu tempuh dlm kendaraan (menit); X2 : waktu menunggu (menit); X3 : Biaya operasi (Rp)

X4 : Biaya terminal (Rp); Nilai waktu X1 : 2 satuan Rp/Menit; Nilai waktu X2 : 4 satuan Rp/Menit

CJR : (2.X1) + (4.X2) + X3 + X4 = biaya jalan raya

CJB : (2.X1) + (4.X2) + X3 = Biaya jalan baja

Zona Asal(O)Zona Tujuan (D)Moda bisModa KA% Bis% KACJRCJBX1X2X3X4X1X2X3AU2533010201019821810299BU21325101881880208986CU19321101510884168178DU1631810151579557297AV25540202510277525130117BV205252020820802010592CV15515201081055458562DV135152015121089118188AW29442152510307525131120BW19423151592580209291CW164201512101070308374DW11415151010586156865

*

Contoh Logit-biner-selisih: loge (1-P1/P1) = + C

Tabel Perhitungan metode analisis regresi linear untuk model logit-biner-selisih

CJRCJBCJBCJR Loge{(1-P)/P}XiYiXi2Exp (A+BXi)P=1/(1+exp(A+BXi))(Xi )(Yi)102898172130105858113192836899867897117926288120917465-3-3-325-13-13-237-11-1-9-3-1,5163-1,3863-1,6582-2,9444-1.0986-1,3863-0,2007-2,0907-1,0986-1,3863-0,8473-1,73464,54904,15894,9747-73.611014,282018,02184,6154-14.635212,08471,38637,62575,20389996251691695294912118190,22140,22140,22140,04990,37690,37690,64170,13000,33890,19900,30470,22140,81870,81870,81870,95250,72620,72620,60910,88490,74690,83400,76650,8187-50-17,3848-11,34381780B = (N. XiYi (Xi . Yi))/(N. Xi2-(Xi)2)-0,0532A = (Rerata Y) B (Rerata X)-1,6674

*

Contoh Logit-biner-selisih (lanjutan)

Gambar Analisis regresi linear untuk model logit-biner-selisih

0,00

-0,50

-1,00

-1,50

-2,00

2,50

3,00

-3.50

-30-20-100102030

R2 = 0,898

Loge{(1-P)/P}

CJBCJR

Pjr = 1/1+exp (-1,6674 0,0532 (CJb CJR)

- 84% orang memilih moda bis meski biaya bis dan KA sama (bis lebih diminati)

- Jika biaya KA lebih mahal 20 satuan Rp dari bis, maka % orang memilih moda bis naik 90%.

Jika biaya bis lebih mahal 31 satuan Rp dibanding KA, maka pengguna bis hanya 50%

bermanfaat dalam pengambil kebijakan pengoperasian bis dan KA (pangsa pasar pesaing)

*

Model Logit-biner-nisbah

Y = log (1-P1/P1) ; X = log (C1/C2) Y = A + BX
= 10A dan = B (lihat hubungan korelasi r dlm regresi linear)

Tabel Perhitungan metode analisis regresi-linear untuk model-logit-biner

CJRCJBCJR/CJB)Log (W)Log{(1-P)/P}XiYiXi2WiBP=1/(1+(AWiB))(Wi)(Xi)(Yi)1028981721301058581131928368998678971179262881209174651,03031,03491,03850,74231,11111,14131,37100,92051,09171,01101,12161,04620,01300,01490,0164-0,12940,04580,05740,1370-0,03600,03810,00470,04980,0196-0,6585-0,6021-0,7202-1,2788-0,4771-0,6021-0,0872-0,9080-0,4771-0,6021-0,3680-0,7533-0,0085-0,0090-0,0118 0,1655-0,0218-0,0346-0,0119-0,0327-0,0182-0,0029-0,0183-0,01480,00020,00020,00030,01680,00210,00330,01880,00130,00150,00000,00250,00041,14321.16611,18430,26291,60351,80834,11260,68971,48151,05021,67271,22410,8920,81620,81390,95170,76260,74120,55740,88250,77760,83140,75590,80880,2313-7,53430,04640,0472B = (N.Xi.Yi (Xi.Yi))/(N.Xi2 (Xi)2)4,4819Log A = (rerata Y) B (rerata X)-0,71420,1931

*

Garis Hasil Regresi linear model logit-biner-nisbah

PJR = 1/1 + 0,1931. (CJR/CJB)4,4819

-1,40

-1,20

-1,00

-0,80

-0,60

-0,40

-,20

0,00

0,00 0,70 0,80 0,90 1,00 1,10 1,20 1.30 1.40 1,50

CJR/CJB

R2 = 0,9095

PJR = 1/1 + 0,1931. (CJR/CJB)4,4819

Log ((1-P)/P)

*

Gambar Hasil Model logit-biner-nisbah
PJR = 1/1 + 0,1931. (CJR/CJB)4,4819

1,00

0,90

0,80

0,70

0,60

0,50

0,40

0,30

0,20

0,10

0,00

0,00 0,40 0,80 1,20 1,60 2,00 2,40 2,80 3,20 CJR/CJB

PJR

84% orang memilih bis, meskipun biaya C bis = KA.

Jika biaya C bis dinaikan lebih mahal 1,44 dari biaya KA,

pengguna bis akan turun sebanyak jadi 50%.

*

Uji kepekaan logit- biner-selisih

1. Kenaikan BBM 50%, mempengaruhi nilai X3 (1,5 kali dari eksisting)
2. Waktu tempuh menurun 40% dari eksisting. Peningkatan LOS bis menjadi 60% dari eksisting
3. Terjadi peningkatan LOS dan waktu menunggu turun menjadi 60%, mengakibatkan waktu tempuh
(X1) dan waktu penunggu (X2) KA menurun sebesar 40% dari eksisting.
4. Biaya terminal KA (X4) dihilangkan.

KotaYang sekarangKasus 1Kasus 2Kasus 3Kasus 4AsalTujuanJR (%)JB (%)JR (%)JB (%)JR (%)JB (%)JR (%)JB (%)JR (%)JB (%)AU8218772393745558812BU8020792192852488812CU8416762491950508812DU9559469827525973AV75256535881228728812BV80207030861436648812CV55455842752534668218DV891187139375941964AW7525683291930708713BW802084169285545928CW70307228871346548812DW8515782288125644919

*

Uji kepekaan logit- biner-nisbah

1. Kenaikan BBM 50%, mempengaruhi nilai X3 (1,5 kali dari eksisting)
2. Waktu tempuh menurun 40% dari eksisting. Peningkatan LOS bis menjadi 60% dari eksisting
3. Terjadi peningkatan LOS dan waktu menunggu turun menjadi 60%, mengakibatkan waktu tempuh
(X1) dan waktu penunggu (X2) KA menurun sebesar 40% dari eksisting.
4. Biaya terminal KA (X4) dihilangkan.

KotaYang sekarangKasus 1Kasus 2Kasus 3Kasus 4AsalTujuanJR (%)JB (%)JR (%)JB (%)JR (%)JB (%)JR (%)JB (%)JR (%)JB (%)AU8218792192844568812BU8020792192845558812CU8416762492837638911DU9559379827129973AV75257426871338628713BV80207327861435658812CV55455545712917838119DV891187139375149964AW75257525891141598614BW802084169285248928CW70307129871332688812DW8515762489113565937

*

Pemahaman hasil uji kepekaan logit- biner- selisih dan nisbah

1. Model logit biner selisih dan model logit biner nisbah tidak memperlihatkan perbedaan
hasil yang signifikan dan hasilnya cenderung sama.

2. Kasus 1, peningkatan harga BBM ternyata tidak mempengaruhi pangsa pasar secara
umum dan masih menguntungkan operator jalan raya.

3. Namun pada Kasus 2, pengurangan waktu tempuh ternyata menyebabkan pangsa
pasar beralih ke jalan raya secara signifikan dan terjadi pada seluruh pasangan
antarzona yang ditinjau.

4. Pada Kasus 3, peningkatan pelayanan K. Api (berkurang waktu tempuh dan waktu
menunggu) berpengaruh terhadap peningkatan pangsa pasarnya, walaupun
persentasenya tdk terlalu banyak berbeda dengan pengguna jalan raya; masih ada
pasangan antarzona jalan raya masih lebih besar dibanding jalan baja.

5. Pada Kasus 4, penghilangan biaya terminal ternyata sangat menguntungkan bagi
jalan raya (peningkatan pangsa pasarnya di seluruh pasangan antarzona)

*

4. Model Route choice (pilihan rute pergerakan)

Tujuan: Bagaimana mengalokasikan matriks Tij pada jaringan jalan

Input: - Matriks Tij (demand) untuk periode waktu tertentu (mis. 24 jam)

- Network (supply) definisi cost untuk setiap link tingkat kedetailan (minor road dapat

diabaikan)

- Aturan pemilihan rute, misal: pelaku pergerakan akan memilih rute yang dianggapnya

paling murah (perbandingan) jarak tempuh, waktu tempuh, atau kombinasi keduanya;

kemacetan dan ciri fisik ruas jalan sebagai pembatas lalulintas di jalan tsb.

Output:- Link flow, turning movement

- Ukuran-ukuran agregat (mis. total travel time, vehicle miles pada jalan tertentu)

- Zone to zone travel cost

- komposisi traffic pada rute tertentu

- O - D routes

Model-model trip assignment berbeda dalam hal:

1. Representasi network dan kinerjanya (apakah efek kemacetan diperhitungkan)

2. Representasi dari bagaimana pelaku pergerakan mengambil keputusan (faktor-faktor apakah yang

berpengaruh? Apakah perilaku semua orang identik?)

*

4.1 Representasi network dan kinerjanya

A.Faktor-faktor mempengaruhi efektivitas kapasitas jaringan jalan

jumlah dan lokasi centroid connector

AA

w x y w x y

B B

Misal: dengan 1 centroid connector dari A, flow A B akan menggunakan link x

dengan 2 tidak

- kapasitas desain (jumlah lajur, batas kecepatan dll)

- pengukuran kapasitas akibat faktor lokal (parkir, penyeberangan, K5 dll)

- kapasitas persimpangan (signalized or not)

- perilaku pelaku perjalanan

B.Representasi Kemacetan

Basic: speed flow relationship (semakin besar flow semakin rendah speed)Berbagai formulasi hubungan speed flow; misalnya konsep-konsep:

- free flow speed (FFS); - maximum flow pada Vt tertentu; - free flow llimit (FFL)

- speed at capacity; - capacity; - speed profile above capacity

Setiap hubungan tersebut dipengaruhi tipe-tipe jalan

*

Lanjutan B

Link Based Speed flow Relationship penyederhanaan; representasi yang lebih baik memerlukan simulasi dan traffic flow theory kompleksJika efek kemacetan dipehitungkan maka flow mempengaruhi speed dan speed mempengaruhi route choice feedback loop, sehingga tercapai keseimbangan.Wardrops Selfish (or user) equilibrium:

under equilibrium condition, traffic arranges itself on congested network in such away that no individual trip maker can reduce his path cost by switching routes.

Pencapaian kondisi wardrops equilibrium ukuran keberhasilan model trip assignment yang memperhitungkan efek kemacetan.

= Tijr (Cijr Cijrmin) / Tijr Cijrmin

ijr ijr

C. Representasi dari cara pelaku pergerakan memilih rute

Distance Minimising (a); - Time Minimising (b); - Kombinasi (a) dan (b) generalized cost

Model deterministic: semua pelaku memiliki informasi yang sama dan sempurna dan bertindak

sama dan rasional.

- Model stochastic: mengakomodasikan ketidaksempurnaan informasi dan variasi tindakan

(persepsi), misal: kasus Jl Juanda (home base trip to ITB).

Choice of Links

Link Speed

Link Cost

Cost = a1X1 + a2X2 + a3 an

a1 = nilai waktu (rp/Jam)

a2 = biaya operasi kend (Rp/jam)

A3 = biaya tambahan lain (mis.Tol, asuransi

by operasi kendaraan, dll)

*

4.2 Model-model trip assignment

All or Nothing Assignment (AON)

Asumsinya:

Semua Trips O-D tertentu dialokasikan pada rute terpendek/tercepat dan termurah, mengabaikan efek kemacetan, imperferct knowledge, taste variation.Disebut juga desire line assignment Murah dan mudah dulakukan dalam pemodelan inter urbanSolusi AON adalah Non Equilibrium, hasil ekstrimnya: rute overloaded, rute kosong

B. Congested Assignment Methods

Repeated All or Nothing Method

- Pengulangan AON dengan menggunakan link cost baru yang dapat dihitung kembali

setelah proses assignment dan disebut juga hard oscillation method

- Flow pada rute paralel berosilasi dari satu iterasi ke iterasi berikutnya

- Tidak menghasilkan user equilibrium, kecuali untuk wilayah dengan sedikit jaringan

jalan (sparse area).

- Model yang lebih mutakhir mencoba menghaluskan osilasi dengan menggunakan

rerata kecepatan (Vt) dari iterasi sebelumnya soft oscilation.

- Hasil lebih baik namun tidak menghasilkan user equilibrium, kecuali untuk sparse area

- karena model ini tidak konvergen, maka perlu ditetapkan jumlah iterasi

- Keuntungan: model ini mudah untuk diprogram

*

lanjutan

Incremental Method

- Memecah matriks fraksi hitung untuk masing-masing fraksi hitung

kembali link time untuk mengakomodasikan pengaruh kemacetan

- Iterasi pertama: gunakan free flow cost (F = 0)

- Fraksi tipikal : 0,4; 0,3; 0,2; 0,1

- Kelebihannya: dapat mencapai konvergensi dan mudah dalam pemograman

(3) Iterative Method Involving Flow Combination Technique

- Flow dari iterasi sebelumnya dikombinasikan dengan auxiliary flow berdasarkan

AON menggunakan cost dari iterasi sebelumnya.

- Aturan kombinasi paling sederhana: rerata flow sebelumnya dan auxiliary flow

- Atau auxiliary flow dihitung -nya pada iterasi - 2. 1/3 pada iterasi 3 dan

seterusnya (Method of successive average = BPR Method)

*

Contoh

Metode All or Nothing (deterministic) dan Congested Assignment Methods (stochastic)

Rute 2 (kapasitas 4.000 smp/jam)

Rute 1 (kapasitas 1.500 smp/jam)

A B

Asumsi peak hour trip 4.500 smp/jam dari zona A B. Setiap trip akan memilih rute terpendek (rute 1), namun berakibat

Rute 1 mengalami kemacetan (sifat deterministik). Beberapa kendaraan akan memilih alternatif lain (Rute 2) walaupun jarak

pencapaiannya relatif jauh menghindari kemacetan/tundaan dan alasan lain bersifat individual (stokastik).

Suatu saat terjadi keseimbangan pergerakan (tidak memungkinkan seseorang memilih rute lain) yang lebih baik karena

kedua rute mempunyai biaya yang sama dan minimum (Wardrop, in OZT 2005)

Robillard, 2007:

Klasifikasi pemilihan rute:

Proporsional (AON dan Stokastik)

- Tidr (hasil pembebanan) = penjumlahan semua arus jika setiap pasangan zona dibebankan terpisah

- Semua MAT dikalikan dengan faktor penentu, mis. 2 (semua sel arus pembebanan meningkat 2 kali)

(2) Tidak Proporsional (metode batasan kapasitas dan metode keseimbangan)

A B

4

3

1

2

5

10

10

20

10

10

10

20

15

*

Contoh

Kasus 1

Terdapat pergerakan sebesar 2000 kendaraan bergerak dari zona asal A ke zona tujuan B dengan

3 rute (Rute 1: C = 10 + 0,02 V; Rute 2: C = 15 + 0,005 V; Rute 3: C = 12,5 + 0,015 V)

dan fraksi pembebanan seragam 25%. Hitung pembebanan inkremental setiap rute tsb?

Wardrops Equilibrium:

= Tijr (Cijr Cijrmin) / Tijr Cijrmin

ijr ijr

= [500(20-20) + 1.000 (20-20) + 500 (20-20)] / (2000 x 20) = 0

Pembebanan ke- F(nilai arus)Rute 1Rute 2Rute 3ArusBiayaArusBiayaArusBiaya00010015012,5150050020015012,52500500200155002035005002050017,5500204500500201.0002050020TOTAL2000Algoritma mencapai keseimbangan

*

Contoh

Kasus 2 dengan fraksi pembebanan tidak seragam (40%, 30%, 20%, 10%) pada

(Rute 1: C = 10 + 0,02 V; Rute 2: C = 15 + 0,005 V; Rute 3: C = 12,5 + 0,015 V) .

Hitung pembebanan inkremental setiap rute tsb?

Wardrops Equilibrium:

= [800(26-18) + 600 (18-18) + 600 (21,5-18)] / (2000 x 18) = 0,2361

algoritma tidak mencapai konvergen dengan solusi Wardrop (setelah seluruh pergerakan

dibebankan). Disebabkan arus rute 1 sebanyak 800 kendaraan, sangat besar.

Gunakan metode pembebanan kuantal.

Menghasilkan penyebaran pergerakan lebih baik, karena pembebanan awal terlalu besar

biayanya akan bertambah sehingga pembebanan berikutnya akan lebih sedikit.

- Mencegah rute yang pembebanan rute yang tidak masuk akal seperti model AON

Pembebanan ke- F(nilai arus)Rute 1Rute 2Rute 3ArusBiayaArusBiayaArusBiaya00010015012,5180080026015012,526008002601560021,53400800264001760021,54200800266001860021,5TOTAL2000Algoritma tidak mencapai keseimbangan