2.9 Review Metode – Metode Analisis Kebutuhan Ruang Parkir
2.9.3 Antrian (Queuing)
Teori antrian pertama kali diperkenalkan oleh A.K Erlang pada tahun 1909.
Adapun model matematika dari distribusi kedatangan pada antrian (Poisson, 1838):
P (x)
=
e−λ λ𝑥
𝑥!
di mana:
x = banyaknya kedatangan P (x) = probabilitas kedatangan λ = rata-rata tingkat kedatangan
e = dasar logaritma natural, yaitu 2,71828 x! = x (x-1) (x-2) . . . 1
A. Penerapan Queuing Terhadap Parkir
Dengan menggunakan model M/M/C, dapat dipelajari dampak variabel penetapan harga pada hunian parkir dan daya jelajah. Kendaraan diurutkan berdasarkan durasi parkir yang berbeda, dan fungsi durasi parkir terkait dengan nomor kendaraan adalah M (x). e jumlah total kendaraan yang harus masuk sistem pada waktu drop-off adalah n. a adalah kendaraan yang waktu tinggalnya membagi parkir jangka pendek dan parkir jangka panjang (GBT 51149, 2016). Adapun hubungan jenis parkir memenuhi persamaan berikut (Zhao, et al., 2020):
∫ M (x) dx = ∫ M (x) dx
n a a
1
di mana:
M (x) = durasi parkir
n = jumlah total kendaraan yang masuk
a = kendaraan yang waktu tinggalnya membagi parkir jangka pendek dan
………= parkir jangka panjang
Menurut model antrian kendaraan dan lalu lintas simulasi selama drop-off, ruang parkir N1 menjadi dialokasikan selama drop-off. Menurut metode alokasi tempat parkir, jumlah ruang parkir N2 yang akan dialokasikan selama penjemputan dapat diperoleh (Zhao, et al., 2020).
(2.12)
(2.13)
Dengan menghitung rasio R jangka pendek tempat parkir, jumlah tempat parkir biasa QOrd dan jumlah tempat parkir jangka pendek QShort dapat dihitung sebagai berikut (Zhao, et al., 2020):
Q
ord = N2− a n ∗N1
Q
Short = an∗ N1
di mana:
Qord = jumlah tempat parkir biasa
Qshort = jumlah tempat parkir jangka pendek N1 = jumlah ruang parkir pada N1
N2 = jumlah ruang parkir pada N2
n = jumlah total kendaraan yang masuk
a =.kendaraan yang waktu tinggalnya membagi parkir jangka pendek dan
………= parkir jangka panjang
Berikut penjelasan kelebihan, kekurangan serta deskripsi dari masing-masing metode analisis parkir yang dapat dilihat pada Tabel 2.6:
(2.14)
Metode Deskripsi Kelebihan Kekurangan
Markov Chain
The Prediction of Parking Space Availability (Brozova, H., dan Ruzicka, M. (2018)
Penentuan parkir di Republik Ceko.
Pendekatan dasar parkir adalah:
1. Penggunaan standar (ČSN 73 6056, SN 73 6110), 2. Berdasarkan peraturan zonasi (Rada hlavního
města Prahy 2016),
3. Pemodelan parkir terencana spasi (tempat) (Bosserhoff 2009; Cheng dkk. 2012; Martolos dkk.
2013).
Menyajikan model rantai Markov non-homogen (tidak konstan) untuk prediksi ketersediaan tempat parkir.
Syarat penggunaannya adalah jumlah kendaraan harus disurvei atau cukup dihitung dengan fasilitas parkir.
Kapasitas tempat parkir harus diketahui dan terus menerus dibandingkan dengan keadaan sesaat di tempat parkir.
1. Dapat memodelkan sebagian besar jenis perilaku dengan model kombinasi.
2. Dapat memodelkan perbaikan dengan cara alami:
Perbaikan komponen individu dan kelompok
Perbaikan variabel jumlah
Perbaikan berurutan; perbaikan sebagian (komponen rusak)
3. Dapat memodelkan persiapan peluang
4. Dapat memodelkan urutan dependen (terikat):
1. Model bisa sulit untuk dibangun dan divalidasi.
2. Properti dan distribusi kegagalan komponen mungkin tidak valid untuk sistem yang dimodelkan.
3. Jenis model terbesar memerlukan teknik solusi yang kompleks (layak hanya untuk model kecil).
4. Model sering kali secara struktural tidak mirip dengan fisik atau logis dari sistem
Tabel 2.6 Metode – Metode Analisis Parkir
Keuntungan utama dari model ini adalah memberikan informasi kepada pengemudi yang menjelaskan tidak hanya situasi pemantauan masa lalu tetapi juga situasi aktual di tempat parkir.
Kekurangan dari model ini adalah durasi interval 15 menit yang diterapkan dalam “model diskrit”.
Cooperative Multi-Agent System for Parking Availability Prediction based on Time Varying Dynamic Markov Chains (Tilahun, S.L., et al (2017)
Penelitian parkir dilakukan pada pusat perbelanjaan Balexert di Jenewa, Swiss.
Menggunakan metode markov berbasis matriks transisi (dynamic and time varying) melalui iterasi.
Markov Model as Approach to Parking Space Occupancy Prediction (Rodi´c, L.D., et al (2020)
Penelitian dilakukan pada smart city di Croatia.
Ketergantungan fungsional
Prioritas
Penegakan urutan
5. Dapat memodelkan cakupan yang tidak sempurna secara lebih alami dari pada model kombinasi.
6. Dapat memodelkan penanganan dan pemulihan kesalahan / kesalahan pada tingkat yang terperinci.
Penelitian ini menggunakan data survei pintu masuk dengan menyesuaikan dengan fasilitas parkir yang ada dan menggabungkan dengan data sensor parkir dari 5 titik untuk digabung dalam perencanaan kebutuhan parkir.
Data dikumpulkan dari lima sensor dan tiga pintu masuk berbeda pada 13 Desember 2019 - 25 Februari 2020.
Menggunakan pemodelan Hidden Markov Model (HMM).
Binomial
Short-Term Parking Demand Prediction Method Based on Variable Prediction Interval (Zheng, L., et al
(2020)
Penelitian dilakukan pada 17 Juni 2019 - 23 Juni 2019 di Universitas Jilin Kampus Nanling, China.
Metode penelitian menggunakan Binomial.
Hasil penelitian menunjukkan model prediksi permintaan parkir dapat secara akurat mengkalibrasi
1. Data yang disajikan lebih rapi.
2. Mudah untuk mencari interval pada sampling.
3. Variabel input dapat dengan mudah disesuaikan untuk menghitung nilai situasi keputusan yang berbeda.
1. Mencakup ketidakpastian dan manfaat tahunan secara berkesinambungan. jika ini tidak sesuai dengan situasi kehidupan nyata, penyesuaian manual diperlukan.
parameter model, memprediksi permintaan parkir dengan cepat dan efektif dan memberikan referensi teoritis dan dukungan teknis untuk perencanaan dan pengelolaan parkir.
Fokus pada distribusi tipikal pola kedatangan dan keberangkatan parkir.
Model prediksi permintaan parkir dibangun menggunakan proses kelahiran dan kematian Markov, dan parameter model dikalibrasi menggunakan metode curve fitting dan metode undetermined coeficients.
Research on Parking Sharing Strategies Considering User Overtime Parking (Huang, X. et al (2019)
Penelitian dilakukan pada 21 Mei 2019 – 25 mei 2019 di pusat perbelanjaan Joy City di Xi'an, Provinsi Shan Xi, Cina.
Model penelitian dengan binomial berbasis alokasi parkir bersama.
4. Kegagalan tak terduga dapat diatasi dengan menilai sampel tambahan.
2. Perhitungan.kurang.transpran karena cakupan yang luas.
3. Produk yang tidak memenuhi standar produk sesekali digunakan tanpa disadari.
4. “Cluster’’ kegagalan pada titik akhir mungkin ditanyakan.
5. Hanya memiliki 2 kategori hasil penelitian (Sukses;
Gagal).
Makalah ini menganalisis distribusi jumlah kedatangan kendaraan dan durasi parkir, kemudian menetapkan model alokasi parkir bersama yang bertujuan untuk memaksimalkan manfaat parkir dan mempertimbangkan perilaku parkir dari pengguna parkir.
Antrian (Queuing
)G/M/N Queuing Model- Based Research on the Parking Spaces for Primary and Secondary School
(Zhao, Y., et al (2020)
Model antrian kendaraan berdasarkan teori antrian G/M/N.
Aplikasi perhitungan menggunakan MATLAB
Ruang parkir ditentukan berdasarkan jumlah kumulatif kendaraan.
Model optimasi untuk skala ruang parkir total dan ruang parkir jangka pendek diusulkan untuk mencapai pemanfaatan ruang parkir yang maksimal.
1. Terstruktur (mulai dari awal-akhir pelayanan).
2. Mengurangi waktu tunggu pada proses pelayanan.
3. Sedikit data terperinci yang diperlukan.
4. Penghematan biaya yang signifikan (efisien).
1. Pengoperasian memasukkan elemen dan menghapus dari antrian pada saat bekerja dengan sempurna harus sampai indeks belakang / mencapai akhir susunan.
2. Jika beberapa item dikeluarkan dari depan, akan ada beberapa ruang kosong di awal antrian. karena indeks menunjuk sampai ke akhir
Analisis dan verifikasi empiris dilakukan berdasarkan data lalu lintas sekolah yang sebenarnya.
Survey-Based Calibration Of A Parking Entry As A Single - Server Mathematical Queuing Model (Abdel,
M. M. M. (2020)
Penelitian ini terdapat pada 2 tempat:
i. Satu di Alexandria: parkir mal San Stefano;
ii. Satu di Giza: Parkir mall Hyper One.
Metode antrian yang digunakan adalah (M/M/1&M/D/1).
Analysis on Stability of Roadside Parking System in a Rail-Integrated Transport Hub (Yang, J. et al (2021)
Penelitian dilakukan pada parkir pinggir jalan di Guangzhou, China
Metode antrian berbasis multi-agent simulation.
6. Data yang digunakan umumnya pada
kedatangan dan kepergian. 3. Terlalu terbatas untuk pemodelan pada kehidupan nyata.
4. Ketidakpastian yang sangat disederhanakan – bersifat asumsi (eksponensial).