Pengolahan Data

BAB 4 HASIL DAN PEMBAHASAN

4. Data Tata Guna Lahan

4.1.2 Pengolahan Data

4.1.2.1 Pengolahan data jumlah kendaraan di kota Surabaya

Pertumbuhan lalu lintas pada tahun rencana dapat diprediksi dari pertumbuhan lalu lintas beberapa tahun sebelumnya. Dimana besarnya faktor (%) pertumbuhan tiap jenis kendaraan selalu berbeda setiap tahunnya. Dengan mengetahui besarnya faktor

Kantor Telkom Manyar Kertoadi

pertumbuhan kendaraan yang ada, data volume kendaraan pada kondisi lalu lintas di tahun rencana dapat diprediksi. Sehingga dapat diketahui apakah di tahun rencana kapasitas jalan masih memungkinkan untuk menampung volume kendaraan yang semakin lama semakin besar.

1. Pertumbuhan kendaraan ringan (LV)

Pertumbuhan kendaraan ringan rentang tahun 2011 sampai dengan tahun 2015 dapat dilihat pada tabel berikut

Tabel 4.11pertumbuhan kendaraan ringan (LV) Tahun ^Mobil LV 2011 275930 2012 294782 2013 311582 2014 329343 2015 348115

Sumber : Badan Pusat Statistik Surabaya 2016

Analisa regresi untuk kendaraan ringan dapat dilihat pada grafik berikut

Gambar 4.22 Pertumbuhan LV

Dari hasil regresi pertumbuhan kendaraan ringan (LV) tersebut, didapat persamaan

y = 17893,1x – 35706859,9 serta nilai R² = 0,998.

Maka untuk menghitung besarnya nilai y (Jumlah kendaraan LV) pada tahun yang akan diprediksi adalah dengan cara memasukkan nilai tahun prediksi kedalam variabel x

- Langkah perhitungan prediksi nilai Y sebagai jumlah kendaraan LV :

Nilai Y pada tahun 2016 y = 17893,1x – 35706859,9 y = 17893,1(2016) – 35706859,9 y = 365629,7

hasil perhitungan selanjutnya dapat dilihat pada tabel dibawah - Langkah perhitungan faktor pertumbuhan LV :

i = (y2-y1)/y1 x 100% Dimana: y = 17,893.10x - 35,706,859.90 R² = 0.998 0 100000 200000 300000 400000 2010 2011 2012 2013 2014 2015 2016 Ju m lah K en d ar aan Tahun

Pertumbuhan LV

i = faktor pertumbuhan kendaraan dalam intensitas 1 tahun

Y1 =jumlah kendaraan /tahun pertama Y2 = jumlah kendaraan/ tahun kedua Nilai I tahun 2016

i = (y2-y1) / y1 x 100%

i = (383522,8-365629,7) / 365629,7 x 100% i = 4,89%

Hasil perhitungan selanjutnya dapat dilihat pada tabel dibawah

Tabel 4.12 hasil perhitungan regresi pertumbuhan LV dan faktor pertumbuhan LV

No. Tahun Jumlah Kendaraan i (%) 1 2011 275930 6,83 2 2012 294782 5,70 3 2013 311582 5,70 4 2014 329343 5,70 5 2015 348115 5,03 6 2016 365629,7 4,89 7 2017 383522,8 4,67 8 2018 401415,9 4,46 9 2019 419309 4,27 10 2020 437202,1 4,09 11 2021 455095,2 3,93 12 2022 472988,3 3,78 13 2023 490881,4 3,65 14 2024 508774,5 3,52 15 2025 526667,6 3,40

2. Pertumbuhan kendaraan berat (HV)

Pertumbuhan kendaraan berat rentang tahun 2011 sampai dengan tahun 2015 dapat dilihat pada tabel berikut

Tabel 4.13pertumbuhan kendaraan berat (HV) Tahun ^Truk/bus HV 2011 94542 2012 103925 2013 109183 2014 115406 2015 121985

Sumber : Badan Pusat Statistik Surabaya 2016

Analisa regresi untuk kendaraan berat dapat dilihat pada grafik berikut

Gambar 4.23 Regresi Pertumbuhan HV

Dari hasil regresi prtumbuhan kendaraan berat (HV) tersebut, didapat persamaan y = 6636,70x – 13250668,90 serta nilai R² = 0,99. y = 6,636.70x - 13,250,668.90 R² = 0.99 0 50000 100000 150000 2010 2011 2012 2013 2014 2015 2016 Ju m lah K en d ar aan Tahun

Pertumbuhan HV

Maka untuk menghitung besarnya nilai y ( Jumlah kendaraan HV) pada tahun yang akan diprediksi adalah dengan cara memasukkan nilai tahun prediksi kedalam variabel x

- Langkah perhitungan prediksi nilai Y sebagai jumlah kendaraan HV :

Nilai Y pada tahun 2016 y = 6636,70x – 13250668,9 y = 6636,70(2016) – 13250668,9 y = 128918.3

hasil perhitungan selanjutnya dapat dilihat pada tabel dibawah - Langkah perhitungan faktor pertumbuhan HV :

i = (y2-y1)/y1 x 100% Dimana:

i = faktor pertumbuhan kendaraan dalam intensitas 1 tahun

Y1 =jumlah kendaraan /tahun pertama Y2 = jumlah kendaraan/ tahun kedua Nilai i tahun 2016

i =(y2-y1)/y1 x 100%

i =(135555-128918,3)/ 128918,3 x 100% i = 5,15%

Tabel 4.14 hasil perhitungan regresi pertumbuhan HV dan faktor pertumbuhan HV

No. Tahun Jumlah Kendaraan i (%) 1 2011 94542 9.92 2 2012 103925 5.06 3 2013 109183 5.70 4 2014 115406 5.70 5 2015 121985 5.68 6 2016 128918.3 5.15 7 2017 135555 4.90 8 2018 142191.7 4.67 9 2019 148828.4 4.46 10 2020 155465.1 4.27 11 2021 162101.8 4.09 12 2022 168738.5 3.93 13 2023 175375.2 3.78 14 2024 182011.9 3.65 15 2025 188648.6 3.52

Sumber: Hasil Perhitungan

3. Pertumbuhan sepeda motor (MC)

Pertumbuhan sepeda motor rentang tahun 2011 sampai dengan tahun 2015 dapat dilihat pada tabel berikut

Tabel 4. 21 pertumbuhan sepeda motor (MC) Tahun ^{Sepeda motor}

MC 2011 1274660 2012 1402190 2013 1482115 2014 1566595 2015 1655891

Sumber : Badan Pusat Statistik Surabaya 2016

Analisa regresi untuk sepeda motor dapat dilihat pada grafik berikut

Gambar 4.24 Regresi pertumbuhan MC

Dari hasil regresi prtumbuhan sepeda motor (MC) tersebut, didapat persamaan

y = 92686,70x – 185102036,90 serta nilai R² = 0,99.

Maka untuk menghitung besarnya nilai y ( Jumlah sepeda motor MC) pada tahun yang akan diprediksi adalah dengan cara memasukkan nilai tahun prediksi kedalam variabel x

y = 92,686.70x - 185,102,036.90 R² = 0.99 0 500000 1000000 1500000 2000000 2010 2011 2012 2013 2014 2015 2016 Ju m lah K en d ar aan Tahun

Pertumbuhan MC

- Langkah perhitungan prediksi nilai Y sebagai jumlah sepeda motor MC :

Nilai Y pada tahun 2016 y = 92686,70x – 185102036,9 y = 92686,70(2016) – 185102036,9 y = 1754350.3

Hasil perhitungan selanjutnya dapat dilihat pada tabel berikut - Langkah perhitungan faktor pertumbuhan MC :

i = (y2-y1)/y1 x 100% Dimana:

i = faktor pertumbuhan kendaraan dalam intensitas 1 tahun

Y1 =jumlah kendaraan /tahun pertama Y2 = jumlah kendaraan/ tahun kedua Nilai I tahun 2016

i = (y2-y1)/y1 x 100%

i = (1847037-1754350.3) / 1754350.3 x 100% i = 5.28 %

Tabel 4.15 hasil perhitungan regresi pertumbuhan MC dan faktor pertumbuhan MC

No. Tahun Jumlah Kendaraan i (%) 1 2011 1274660 10.01 2 2012 1402190 5.70 3 2013 1482115 5.70 4 2014 1566595 5.70 5 2015 1655891 5.95 6 2016 1754350.3 5.28 7 2017 1847037 5.02 8 2018 1939723.7 4.78 9 2019 2032410.4 4.56 10 2020 2125097.1 4.36 11 2021 2217783.8 4.18 12 2022 2310470.5 4.01 13 2023 2403157.2 3.86 14 2024 2495843.9 3.71 15 2025 2588530.6 3.58

Sumber: Hasil Perhitungan

4.1.2.2 Pengolahan volume tarikan dan bangkitan dari bangunan pembanding

Setelah melakukan survey keluar masuk kendaraan pada beberapa bangunan pembanding, selanjutnya perlu dilakukan pengolahan data tersebut sehingga mampu memprediksi volume keluar masuk kendaraan pada bangunan yang akan di bangun.

Bangunan pembanding yang digunakan yaitu gedung perkantoran sejenis yang masih dalam wilayah kota Surabaya, yakni Kantor Plasa Telkom Manyar Kertoadi, Kantor Plasa Telkom Kendangsari, dan Kantor Telkom regional V Ketintang.

Dalam mengolah data volume tarikan dan bangkitan pada kantor pembanding, digunakan regresi linier sederhana yaitu Y =

A (X) + B dengan variabel X sebagai data input ( luas kantor ) sedangkan variabel Y sebagai data output (total volume kendaraan masuk keluar gedung kantor pembanding).

Rekapitulasi data 3 bangunan kantor pembanding dapat dilihat pada tabel berikut.

Tabel 4.16 Rekapitulasi jumlah kendaraan keluar masuk bangunan pembanding

Nama Kantor

Jumlah Kendaraan / hari Luas Bangunan

kantor (m2)

Masuk Keluar

R4 R2 R4 R2

(Y1) (Y2) (Y3) (Y4) ^(X)

Kantor plasa telkom manyar 107 242 105 228 1412.43

Kantor plasa telkom kendangsari 58 156 54 143 1407

Kantor telkom Ketintang 679 1157 563 1041 13566.34

Sumber : Hasil Analisa

Dari data diatas akan diperoleh persamaan dengan metode regresi linier sederhana yang selanjutnya digunakan untuk menghitung volume bangkitan dan tarikan dari gedung kantor Telkom Manyar Kertoadi Surabaya, yang mana data luas kantornya terlampir pada tabel berikut.

Tabel 4.17 Luas Bangunan Kantor Telkom Manyar Kertoadi 1 Surabaya

Kantor telkom manyar kertoadi X Luas Bangunan kantor (m2) 17856,47 Sumber : Pengembang

Hasil perhitungan jumlah kendaraan masuk dan keluar di Kantor Telkom Manyar Kertoadi dengan metode regresi linier sederhana didapatkan beberapa persamaan linier berikut ini :

1. LV masuk Kantor Telkom Manyar Kertoadi

Kendaraam Ringan (LV) yang masuk ke Kantor Telkom Manyar kertoadi dapat dilihat pada tabel dibawah dan untuk analisa regresi dari kantor pembanding dapat dilihat pada Grafik sebagai berikut:

Tabel 4.18perhitungan regresi LV masuk

Nama Bangunan ^Luas

Bangunan ^{R4 Masuk}

Kantor plasa telkom manyar 1412,43 ₁₀₇ Kantor plasa telkom kendangsari 1407 ₅₈

Kantor telkom Ketintang 13566,34 ₆₇₉

Gambar 4.25 Regresi Jumlah LV masuk dari Kantor Pembanding

Dari hasil regresi Grafik diatas jumlah kendaraan ringan (LV) didapat:

Y1 = 0,049x + 13,32 R² = 0,995

Jadi, jumlah LV masuk Kantor Telkom Manyar Kertoadiadalah: Y1 = 0,049(x) + 13,32

= 0,049(17856,47) + 13,32 = 888 kend/hari

2. MC masuk Kantor Telkom Manyar Kertoadi

Sepeda motor (MC) yang masuk ke Kantor Telkom Manyar kertoadi dapat dilihat pada tabel dibawah dan untuk analisa regresi dari kantor pembanding dapat dilihat pada Grafik sebagai berikut:

Tabel 4.19perhitungan regresi MC masuk

Nama Bangunan ^Luas

Bangunan ^{R2 Masuk}

Kantor plasa telkom manyar 1412.43 ₂₄₂ Kantor plasa telkom kendangsari 1407 ₁₅₆ Kantor telkom Ketintang 13566.34 ₁₁₅₇

Kantor Telkom Manyar kertoadi 17856.47 Y

Gambar 4.26 Regresi Jumlah MC masuk dari Kantor Pembanding

Dari hasil regresi Grafik diatas jumlah sepeda motor (MC) didapat:

Y2 = 0,078x + 87,89 R² = 0,994

Jadi, jumlah MC masuk Kantor Telkom Manyar Kertoadiadalah: Y2 = 0,078(x) + 87,89

= 0,078(17856.47) + 87,89 = 1481 kend/hari

3. LV keluar Kantor Telkom Manyar Kertoadi

Kendaraam Ringan (LV) yang keluar dari Kantor Telkom Manyar kertoadi dapat dilihat pada tabel dibawah dan untuk analisa regresi dari kantor pembanding dapat dilihat pada Grafik sebagai berikut:

Tabel 4.20perhitungan regresi LV keluar

Nama Bangunan ^Luas

Bangunan ^{R4 Keluar}

Kantor plasa telkom manyar 1412.43 ₁₀₈ Kantor plasa telkom kendangsari 1407 ₅₄

Kantor telkom Ketintang 13566.34 ₅₆₃

Kantor Telkom Manyar kertoadi 17856.47 Y

Gambar 4.27 Regresi Jumlah LV keluar dari Kantor Pembanding Dari hasil regresi Grafik diatas jumlah kendaraan ringan (LV) didapat:

Y3 = 0,039x + 25,09 R² = 0,990

Jadi, jumlah LV keluar Kantor Telkom Manyar Kertoadiadalah: Y3 = 0,039(x) + 25,09

= 0,039(17856,47) + 25,09 = 721 kend/hari

4. MC keluar Kantor Telkom Manyar Kertoadi

Sepeda motor (MC) yang keluar dari Kantor Telkom Manyar kertoadi dapat dilihat pada tabel dibawah dan untuk analisa regresi dari kantor pembanding dapat dilihat pada Grafik sebagai berikut:

Tabel 4.21perhitungan regresi MC keluar

Nama Bangunan ^Luas

Bangunan ^{R2 Keluar}

Kantor plasa telkom manyar 1412.43 ₂₂₈ Kantor plasa telkom kendangsari 1407 ₁₄₃ Kantor telkom Ketintang 13566.34 ₁₀₄₁

Gambar 4.28 Regresi Jumlah MC keluar dari Kantor Pembanding

Dari hasil regresi Grafik diatas jumlah sepeda motor (MC) didapat:

Y4 = 0,070x + 86,28 R² = 0,992

Jadi, jumlah MC keluar Kantor Telkom Manyar Kertoadiadalah: Y4 = 0,070(x) + 86,28

= 0,070(17856,47) + 86,28 = 1336 kend/hari

1. Pengolahan volume kendaraan keluar masuk gedung