BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI

5

BAB II

TINJAUAN PUSTAKA DAN LANDASAN TEORI

2.1. Tinjauan Pustaka

Rusmandani dkk (2015) menyatakan bahwa langkah awal dalam mendukung transportasi berkelanjutan yaitu, penggunaan Non-Motorized Transport (NMT) dan melengkapi sarana pesepeda terutama lajur sepeda. Dalam perencanaan lajur sepeda di Kota Tegal digunakan Partial Least Square Structural Equation Modeling (PLS-SEM) dalam mengkaji persepsi pengguna sepeda terhadap penyediaan fasilitas pesepeda khususnya lajur sepeda berdasarkan situasi sosial ekonomi, perilaku pergerakan, dan kepemilikan sepeda maka, diperoleh pengaruh positif dan signifikan terhadap persepsi penyediaan fasilitas pesepeda khusunya lajur sepeda. Artinya kenaikan pergerakan pesepeda mempengaruhi kenaikan persepsi.

Sandianinggar (2015) menyatakan bahwa sepeda dapat menjadi moda alternatif pengganti moda kendaraan bermotor bagi mahasiswa di Kota Malang untuk mengurangi kemacetan. Dalam merencanakan lajur sepeda tersebut digunakan metode skoring dalam menentukan lajur sepeda yang memenuhi kriteria berdasarkan jarak antara titik pemukiman dengan perguruan tinggi, dimensi jalan eksisting, dan jalan minim hambatan sepeda, sehingga diperoleh rencana lajur sepeda beserta tipenya.

Pada suatu pemodelan sepeda dapat didasari kebutuhan dengan menentukan target pengguna sepeda, karakteristik perjalanan, dan karakteristik fisik jalan perkotaan (Frade & Ribeiro, 2013). Kebutuhan tersebut diperhitungkan berdasarkan studi kasus lain serta mendefinisikan secara berurutan dampak dari kebutuhan yang disebabkan karakteristik perjalanan (waktu tempuh perjalanan) dan karakteristik fisik kota (kelandaian jalan). Dari perhitungan tersebut maka, diperoleh informasi geografis yang meliputi zona lalu lintas yang dibagi berdasarkan panjang proporsi rute yang sesuai untuk pengguna sepeda, total pergerakan lalu lintas dengan berbagai moda transportasi, dan estimasi lalu lintas pengguna sepeda.

6 Yin dkk (2012) membuat suatu model komputasi dengan metode digitasi yang bertujuan untuk memprediksi kebutuhan sepeda berdasarkan catatan pengguna dan seputar informasi terkait pengguna pesepeda dalam waktu yang ditentukan.

Penentuan waktu penelitian dibagi berdasarkan musim dalam setahun, yaitu musim panas, dingin, semi, dan gugur. Waktu tersebut dikonversikan ke dalam fungsi periodik untuk mengubah fitur jam ke cos(2π/24*jam) dan sin(2π/24*jam).

Variabel musim dilakukan analisis Conditional Expectation Value Maping (CEVM) sehingga sesuai dengan kondisi yang diekspektasikan. Hal tersebut diperhitungkan menggunakan MatLab.

Dalam suatu penelitian komprehensif terkait jalur sepeda di Kota Bandung, dilakukan kondisi pemeriksaan infrastruktur untuk menentukan tipe jalur sepeda berdasarkan klasifikasi jalan, geomatrikal jalan, dan kondisi topografi (Weningtyas, et al., 2015). Salah satu karakteristik yang mempengaruhi tipe jalur sepeda adalah lebar jalan. Jaringan sepeda dirancang disertai stasiun bike sharing sehingga menghubungkan lokasi potensial jalur sepeda yang dikembangkan dalam suatu peta rencana.

Pada dasarnya suatu infrastruktur perlu dilakukan suatu evaluasi jika diperlukan.

Untuk mengevaluasi dimensi jalur sepeda pada ruas Jalan Arief Rahman Hakim Kota Malang, dilakukan pengukuran geometrik ruas jalan, menghitung volume lalu lintas ketika volume sepeda tertinggi (jam puncak), serta menganalisis kinerja ruas jalan dengan dua kondisi jalur sepeda yaitu, kondisi eksisting dan kondisi perbaikan yang meliputi kapasitas, derajat kejenuhan, kecepatan rata-rata kendaraan, dan level of service (Ratnaningsih, 2017) . Maka diperoleh, hasil evaluasi tersebut meliputi pengurangan lebar lajur sepeda dari 1,5 m menjadi 1,2 m dapat meningkatkan kapasitas jalan 17,4% dan meningkatkan level of service bernilai B.

Gunawijaya (2020) menyatakan bahwa mengidentifikasi tingkat kepuasan komuter berdasarkan penggunaan moda transportasi di Bandung perlu dilakukan survei kuisioner dan analisis menggunakan metode Partial Least Square Structural Equation Modelling (PLS-SEM). Survei yang dilakukan melibatkan 301 responden yang berdomisisli di Kota Bandung, Kota Cimahi, Kabupaten Bandung, dan Kabupaten Bandung Barat. Sehingga diperoleh tingkat kepuasan komuter di

7 Bandung dengan nilai tertinggi adalah sepeda motor, yaitu 70,45% dan nilai terendah adalah berjalan kaki, yaitu 64,68%. Tingkat kepuasan tersebut dipengaruhi oleh lingkungan sosial, kebutuhan pergerakan, dan norma subjektif.

Nghiem dkk (2016) membuat suatu model yang bertujuan memprediksi pemilihan fasilitas pesepeda meliputi fasilitas pada badan jalan dan trotoar. Pengumpulan data dilakukan dengan cara survei dan observasi terkait infrastruktur, kondisi lalu lintas, dan karakteristik pesepeda yang direkam pada 15 titik jalan perkottaan di Kota Saitama, Jepang. Hasil rekaman tersebut dianalisis dengan persamaan logit kemudian diolah menjadi suatu model dengan metode Bayesian Model Averaging dengan aplikasi R versi 3.2.5.

2.2. Landasan Teori

2.2.1. Moda Sepeda dan Fasilitas Pesepeda

Kendaraan yang umumnya memiliki dua roda, sepasang pedal, stang kemudi, dan sadel yang digerakkan hanya dengan tenaga pengendara disebut sepeda (PM 59 Tahun 2020). Sebagai tranportasi yang ramah lingkungan, sepeda juga memiliki manfaat lainnya, yaitu sebagai sarana olahraga dan rekreasi.

Pesepeda memiliki hak atas sarana pendukung keselamatan, ketertiban, keamanan, dan kelancaran dalam suatu lalu lintas (UU No. 22 Tahun 2009) oleh karena itu, penyediaan fasilitas pendukung sepeda untuk mendukung hak tersebut. Fasilitas pendukung yang dimaksud berupa lajur sepeda atau jalur yang disediakan secara terpisah dari kendaraan bermotor untuk pengguna sepeda dan/atau dapat ditempatkan berdampingan dengan pejalan kaki.

Fasilitas pelengkap pesepeda meliputi marka, rambu, tempat parkir sepeda, dan kanopi atau atap. Fasilitas tersebut bertujuan untuk memberi keamanan dan kenyamanan bagi pesepeda. Dalam peracangan fasilitas pesepeda digunakan acuan Perancangan Fasilitas Pesepeda yang diterbitkan oleh Kementrian Pekerjaan Umum dan Perumahan Rakyat Direktorat Jendral Bina Marga.

Fasilitas pesepeda lain yang perlu diakomodasikan di Kota Bandar Lampung adalah atap atau pepohonan untuk melindungi dari cuaca yang panas. Atap yang digunakan dapat berupa kanopi dengan desain yang tidak menggangu kendaraan bermotor.

8 Dengan adanya atap pada lajur sepeda, dapat meningkatkan kenyamanan pesepeda seperti halnya di Kota Daejeon, Korea Selatan yang mengakomodasi atap dengan panel surya pada lajur sepeda sepanjang 32 km yang menghubungkan Kota Daejeon dan Sejong. Tenaga surya tersebut digunakan untuk menghidupi lampu jalan. Lajur sepeda di Kota Daejeon ditampilkan pada Gambar 2.1.

Gambar 2.1. Lajur Sepeda di Kota Daejeon, Korea Selatan

Sumber: www.youtube.com/Gwen

2.2.2. Partial Least Square Structural Equation Modeling (PLS-SEM)

Dalam memahami data dan hubungan antar data, pada awalnya penelitian menggunakan analisis bivariat dan analisis univariat. Analisis univariat adalah suatu analisis yang melibatkan satu variabel, sedangkan analisis bivariat melibatkan dua variabel yang diduga berkorelasi dalam analisisnya. Seiring berkembangnya waktu, penelitian dilakukan dengan analisis multivariat yang melibatkan lebih dari dua variabel sebagai penerapan metode statistik (Hair, et al., 2017).

Pendekatan berbasis regresi sering digunakan dalam penelitian dengan analisis mulitivariat. Hal tersebut sering disebut sebagai teknik generasi pertama. Seiring berkembangnya waktu, digunakan teknik generasi kedua yang disebut dengan pemodelan persamaan struktural atau biasa dikenal dengan Structural Equation Modeling (SEM). Penelitian yang dilakukan dapat melibatkan variabel yang tidak dapat diamati dan diukur secara tidak langsung dengan SEM. Terdapat dua jenis analisis SEM yaitu, Partial Least Square SEM (PLS-SEM) dan Covariance-Based SEM (CB-SEM) (Hair, et al., 2017).

9 Pada penelitian ini digunakan PLS-SEM yang melibatkan variansi dalam proses iterasi sehingga, tidak perlu adanya korelasi antar indikator serta variabel laten atau konstruk dalam suatu model struktural (Hair, et al., 2017). Selain itu PLS-SEM dipilih sebagai analisis dalam penelitian ini karena penelitian ini menguji hubungan prediktif antar konstruk. Dalam analisisnya digunakan aplikasi bernama SmartPLS 3.0.

Pada analisis PLS-SEM hipotesis dan hubungan variabel ditampilkan secara visual dengan diagram jalur. Berikut merupakan contoh dari diagram jalur yang ditunjukkan pada Gambar 2.2.

Gambar 2.2. Diagram Jalur PLS-SEM

Sumber: (Hair, et al., 2017)

Dalam suatu diagram jalur PLS-SEM terdiri atas dua elemen, yaitu:

1. Model struktural atau inner model

Elemen ini ditampilkan dalam bentuk oval yang mewakili konstruk dan dihubungkan antar konstruk dengan panah . Model struktural ditampilkan dalam Gambar 2.2.

2. Model pengukuran atau outer model

Elemen ini ditampilkan dalam bentuk persegi panjang yang mewakili variabel indikator dan dihubungkan antar konstruk dengan panah. Contoh dari model pengukuran ditunjukkan pada Gambar 2.2. Model pengukuran terbagi menjadi dua berdasarkan sifat variabel latennya yaitu, model pengukuran dengan variabel eksogen dan model pengukuran dengan variabel endogen.

10 Selain kedua elemen yang disebut di atas, berikut istilah yang perlu dipahami dalam suatu diagram jalur PLS-SEM:

1. Konstruk atau Variabel laten

Variabel dengan pengukuran tidak langsung dan abstrak disebut konstruk.

Digambarkan dengan bentuk oval seperti Y_1-4 pada Gambar 2.2.

2. Indikator atau variabel manifes

Manifestasi yang telah disepakati dan dapat diukur secara langsung disebut sebagai indikator berisi data yang akan diolah. Pada Gambar 2.2. indikator ditunjukkan sebagai X_1-10.

3. Panah berkepala tunggal

Suatu hubungan terarah ditampilkan dalam bentuk panah berkepala tunggal.

Hubungan tersebut dianggap bersifat prediktif. Apabila hubungan tersebut didukung dengan dasar teoritis yang kuat maka, diartikan sebagai hubungan kausal.

4. Measurement and Structural Error

Dalam suatu pengukuran PLS-SEM dapat terjadi kesalahan pengukuran sehingga, model pengukuran memasukkan kesalahan pengukuran atau measurement error untuk mewakili variansi yang dijelaskan dalam suatu model jalur yang diperkirakan. Pada Gambar 2.2. kesalahan pengukuran ditunjukkan sebagai e₇, e₈, dan e₉. Selain kesalahan pengukuran, terdapat juga kesalahan struktural yang dikaitkan dengan variabel laten endogen yaitu, Z₃ dan Z₄ pada Gambar 2.2. Kesalahan strutural atau structural error dapat terjadi karena prediksi konstruk dependen secara tidak sempurna. Konstruk dependen lainnya hanya dijelaskan oleh konstruk independen dalam suatu model struktural yang tidak memiliki kesalahan. Suatu hubungan antara konstruk dan indikator yang tidak memiliki kesalahan karena dianggap konstruk dan indikator setara disebut dengan konstruk item tunggal seperti hubungan Y₄ dan X₁₀ pada Gambar 2.2.

11 Terdapat dua jenis teori yang dikembangkan dalam suatu diagram jalur yaitu, teori pengukuran dan teori struktural. Berikut uraian dari kedua teori tersebut:

1. Teori pengukuran

Teori pengukuran merupakan teori yang menjelaskan bagaimana konstruk diukur. Terdapat dua cara dalam pengukuran konstruk yaitu, formatif dan reflektif.

a. Pengukuran formatif

Suatu indikator yang membentuk, menciptakan, atau mempengaruhi suatu konstruk merupakan pengukuran formatif. Setiap indikator tidak mempengaruhi satu sama lain maka, apabila suatu indikator dieliminasi tidak akan mengubah peranan indikator lainnya. Perubahan konsepsi dari konstruk dapat mengalami perubahan akibat dari mengeliminasi satu indikator. Pengukuran formatif ditampilkan dengan anak panah yang menunjuk dari indikator ke konstruk seperti halnya pada Gambar 2.2.

b. Pengukuran reflektif

Indikator merupakan dampak dari suatu konstruk merupakan pengukuran reflektif. Indikator yang sama dan berkaitan dengan konstruk harus memiliki variansi bersama atau kovarians maka, perubahan satu indikator mempengaruhi peranan indikator lainnya. Ketika satu indikator dieliminasi maka, konsepsi dari konstruk tidak akan berubah. Pengukuran reflektif ditampilkan dengan arah panah menunjuk ke indikator dari konstruk seperti halnya pada Gambar 2.2.

2. Teori struktural

Teori yang menjelaskan hubungan setiap variabel laten yang saling terkait disebut dengan teori struktural. Penentuan urutan dari variabel latennya berdasarkan pengetahuan dan pengalaman peneliti. Apabila variabel laten hanya berfungsi selaku variabel independen maka, variabel itu disebut selaku variabel laten eksogen, dan sebaliknya apabila variabel laten hanya berfungsi selaku variabel dependen, maka variabel itu disebut selaku variabel laten endogen. Hal tersebut ditunjukkan pada Gambar 2.2.

12 2.2.3. Uji Outer Model

Outer model atau model pengukuran adalah suatu model yang mendeskripsikan setiap indikator memiliki hubungan dengan konstruknya. Indikator tersebut dibagi menjadi dua yaitu, indikator refleksif dan indikator formatif. Indikator refleksif dapat dijelaskan dalam persamaan berikut:

x = Λ_x ξ + ε_x (2.1)

y = Λ_yη + ε_y

Dimana:

ξ

= konstruk eksogen η = konstruk endogen

Λ_x dan Λ_y

= matrik loading yang mendeskripsikan koefisien regresi sederhana dan mengaitkan konstruk dengan indikatornya

ε_x dan ε_y = kesalahan pengukuran

Berikut persamaan yang dapat ditulis dari indikator formatif:

ξ = Π_𝜉x + δ_ξ (2.2)

η = Π_ηy + δ_η

Dimana:

ξ = konstruk eksogen η = konstruk endogen

Π_x dan Π_y = koefisien regresi berganda dari konstruk dan blok indikator δ_x dan δ_y = residual dari regresi

Pengujian outer model terbagi menjadi tiga yaitu, validitas konvergen, validitas diskriminan, dan reliabilitas komposit. Perhitungan korelasi antara item score/component score dengan construct score dengan PLS menjadi kriteria penilaian validitas konvergen dari suatu model pengukuran dengan indikator refleksif. Menurut Hair et al. (2017) nilai loading factor pada uji validitas konvergen yang diperoleh kurang dari 0,4 harus dilakukan penghapusan indikator tersebut dikarena dianggap tidak valid, sedangkan indikator yang bernilai lebih dari dan sama dengan 0,4 tetapi, kurang dari 0,7 perlu dilakukan analisis pengaruh

13 reliabilitasnya terhadap penghapusan indikator tersebut, dan jika indikator bernilai lebih dari dan sama dengan 0,7 dianggap memiliki validitas yang tinggi.

Nilai cross loading konstruk menjadi kriteria penilaian validitas diskriminan dari suatu model pengukuran dengan indikator refleksif. Jika dalam satuan pengukuran korelasi konstruk bernilai lebih besar dari ukuran konstruk lainnya maka, konstruk laten dinilai lebih baik dalam menghitung ukuran pada blok tersebut daripada ukuran blok lainnya. Terdapat penilaian lain dengan perbandingan antara nilai square root of average variance extracted (AVE) dari setiap konstruk terhadap korelasi antar konstruk lainnya dalam suatu model. Berdasarkan Fornell dan Lecker (1981, dalam Ghozali, 2014) apabila akar kuadrat AVE dari masing-masing konstruk bernilai lebih besar daripada nilai korelasi konstruk dengan konstruk lainnya dalam suatu model maka, validitas diskriminan dari model pengukuran dinilai baik. Persamaan AVE dapat ditulis sebagai berikut:

AVE = ^∑λi2

∑λ_i²+ ∑_ivar(ε_i)

^(2.3)

Dimana:

λ_i = component loading ke indikator var(ε_i) = 1 - λ_i²

Menurut Fornell dan Lecker (1981, dalam Ghozali, 2014) persamaan di atas berfungsi untuk mengukur reliabilitas component score dari variabel laten. Hasil pengukurannya lebih konservatif daripada reliabilitas komposit dan disarankan nilai AVE harus lebih besar dari 0,50.

Terdapat dua macam reliabilitas komposit dari blok indikator yang mengukur suatu konstruk yaitu, ineternal consistency oleh Werts, Linn, dan Joreskog (1974) dan Cronbach’s Alpha. Berdasarkan perhitungan yang dihasilkan PLS maka, reliabilitas komposit diukur dengan persamaan sebagai berikut:

ρc = ^∑(λi)

2ρc

(∑λ_i)²+ ∑_ivar(ε_i)

(2.4)

14 Dimana:

ρc = reliabilitas komposit

λ_i = component loading ke indikator var(ε_i) = 1 - λ_i²

Pengukuran di atas jika dibandingkan dengan Cronbarch’s Alpha, tidak mengasumsikan ekuivalensi antara pengukuran dengan asumsi semua indikator diberi bobot yang sama. Oleh karena itu, pengukuran dengan Cronbarch’s Alpha dianggap perkiraannya mendekati batas bawah sedangkan reliabilitas komposit merupakan merupakan perkiraan yang lebih tepat dengan asumsi estimasi parameter adalah akurat (Ghozali, 2014). Menurut Hair et al. (2017) Variabel laten yang terlibat dianggap memiliki ketepatan dan ketelitian yang baik dalam pengukuran atau reliabel, jika nilai Cronbach’s Alpha yang diperoleh bernilai di antara 0,6 dan 0,7 maka, indikator tersebut dapat dianggap reliabel dalam suatu penelitian eksplorasi atau pengembangan suatu hal melainkan untuk penelitian tingkat lanjut nilai di antara 0,7 dan 0,9 dapat menggambarkan suatu kepuasan.

Sedangkan pada aplikasi SmartPLS, algoritma yang digunakan untuk nilai Cronbach’s Alpha adalah 0,7.

2.2.4. Uji Inner Model

Suatu model yang mendeskripsikan korelasi antar variabel laten berlandasan teori yang nyata dan disusun terstruktur disebut dengan inner model atau model struktural (Ghozali, 2014). Model tersebut ditulis dalam persamaan sebagai berikut:

η = β₀ + β_η + Γξ + ζ (2.5) Dimana:

η = vektor endogen (dependen) β = variabel laten

ξ = vektor variabel laten eksogen

ζ = vektor variabel residual (unexpected variance)

Dikarenakan Partial Least Square (PLS) dirancang khusus model rekursif, sehingga korelasi antar variabel laten menciptakan suatu hubungan kausal (Ghozali, 2014). Hal tersebut dapat dijelaskan dalam persamaan sebagai berikut:

15 η_j = ∑ 𝛽_{i ji}η + ∑ γ_{i jb}ξ_b+ ζ_j (2.6) Dimana:

𝛽_ji dan 𝛾_ji = koefisien jalur yang menghubungkan prediktor endogen dan variabel laten eksogen

ξ = variabel laten eksogen η = jangkauan indeks ζ_j = inner residual variable

Dalam pengujian konstruk dependen pada inner model atau model struktural digunakan R-square. Dalam pengujian hubungan prediktif digunakan Stone- Geisser Q-square test dan koefisien parameter jalur struktural. Penafsiran nilai dalam suatu model PLS serupa dengan penafsiran berbasis regresi. Suatu pengaruh konstruk independen tertentu terhadap konstruk laten dependen dinilai oleh perubahan nilai R-square (Ghozali, 2014). Hal ini dapat dihitung dengan persamaan:

f²

=

^{R2included- R2excluded}

1-R²_included

^(2.7)

Dimana:

R²_included dan R²_excluded = R-square dari konstruk dependen ketika prediktor konstruk digunakan atau dikeluarkan dari persamaan struktural

f² = 0,02 maka, prediktor konstruk berpengaruh kecil;

0,15 maka, prediktor konstruk berpengaruh sedang;

0,35 maka, prediktor konstruk berpengaruh besar.

Nilai Q-square menentukan nilai perhitungan yang diperoleh dari model dan estimasi parameternya (Ghozali, 2014). Hal ini dijelasakan sebagai berikut:

Q-square> 0 maka, (2.8) model bernilai relevansi prediktif serta sebaliknya

16 Rangkuman dari tinjauan pustaka yang dikutip dari penelitian terdahulu pada Tugas Akhir ini ditampilkan dalam Tabel 2.1.

Tabel 2.1. Rangkuman Tinjauan Pustaka

No. Judul Penulis Tujuan Metode Hasil

1. Perencanaan Implementasi Lajur Sepeda di Kota Tegal

Pipit Rusmandani, M. Zainul Arifin, dan Ahmad Wicaksono (2015)

Mengevaluasi

karakteristik pengguna sepeda berdasarkan situasi sosial ekonomi, perilaku pergerakan, dan kepemilikan sepeda.

Mengkaji pengaruh persepsi pengguna sepeda terhadap

penyediaan lajur sepeda.

Analisis Partial Least Square Structural Equation Modeling (PLS-SEM) untuk mengkaji persepsi pengguna sepeda terhadap penyediaan fasilitas pesepeda khususnya lajur sepeda berdasarkan situasi sosial ekonomi dengan kuisioner dari 100 responden yang terdiri dari masyarakat Kota Tegal.

Analytic Hierarchy Process (AHP) untuk menentukan jalan yang dapat dijadikan prioritas dalam penyediaan lajur sepeda.

Pengumpulan data dengan wawancara kepada 10 responden yang terdiri dari pemegang kuasa di

pemerintahan Kota Tegal.

Di antara karakteristik yang diperoleh, karakteristik yang paling mempengaruhi persepsi penyediaan lajur sepeda yaitu, tingkat

pendidikan pengguna sepeda.

Artinya tingkat pendidikan yang tinggi maka, pengguna sepeda sangat mendukung penyediaan lajur sepeda.

Kriteria tertinggi dalam menentukan jaringan lajur sepeda yaitu, kebijakan spasial. Potensi Penyediaan lajur sepeda senilai 66,13%.

2. Perencanaan Jalur Sepeda pada Kawasan

I Gusti Ayu Putu Sutaresmi

Merencanakan

pemodelan jalur sepeda di Kota Malang yang

Survei yang meliputi observasi, survei primer, dan survei sekunder. Observasi yang

Diperoleh hanya 37 jalan eksisting yang memenuhi

17 Perguruan Tinggi

di Kota Malang

Sandianinggar (2015)

dihubungkan oleh perguruan tinggi

dilakukan dengan wawancara kepada lima mahasiswa terkait jarak tempuh sepeda. Survei primer untuk mengetahui kinerja transportasi dan hambatan pesepeda. Survei sekunder untuk mengetahui LHR, kapasitas jalan, jenis hirarki jalan, dan level of service.

Metode skoring dalam penentuan aspek fisik (jarak tempuh sepeda) dan aspek hambatan sepeda.

kriteria perancangan lajur sepeda.

Terdapat 12 jalur sepeda Tipe A, 3 ruas jalur sepeda Tipe B, dan 10 ruas jalur sepeda Tipe C.

Ditemukan 2 klaster dengan kondisi topografi lebih dari 4% maka, tidak sesuai dengan ketentuan perancangan lajur sepeda.

3. Bicycle Sharing Systems Demand

Inês Frade dan Anabela Ribeiro (2014)

Membuat pemodelan sepeda berdasarkan kebutuhan dengan menentukan hubungan target pengguna sepeda dengan karakteristik perjalanan dan

karakteristik fisik jalan perkotaan.

Metode survei dengan kuisioner kepada pengguna layanan bike sharing yang dipengaruhi dengan tujuan perjalanan.

Analisis jarak tempuh sepeda dengan menghitung kebutuhan potensial dipengaruhi oleh elastisitas yang disebabkan penuruan persentase

Diperoleh peta sebagai referensi terhadap perkiraan kebutuhan layanan bike sharing yang berdasarkan karakteristik kota dan pergerakannya.

18 pergerakan sepeda ketika

waktu tempuh meningkat.

Analisis kelandaian yang mempengaruhi kemampuan pengguna sepeda dalam pemilihhan rute.

Pembuatan sistem informasi geografis Kota Coimbra yang meliputi zona lalu lintas yang dibagi berdasarkan panjang proporsi rute yang sesuai untuk pengguna sepeda, total

pergerakan lalu lintas dengan berbagai moda transportasi, dan estimasi lalu lintas

pengguna layanan bike sharing

Penggunaan metode dalam penelitian ini dapat dijadikan landasan perencana untuk menentukan keputusan terkait kebutuhan layanan bike sharing yang meliputi, lokasi stasiun bike sharing dan dimensinya.

4. Demand Prediction of Bicycle Sharing Systems

Yu-Chun Yin, Chi- Shuen Lee, dan Yu- Pu Wong (2012)

Memprediksi kebutuhan sepeda berdasarkan catatan penggunaan dan seputar informasi terkait target pengguna sepeda dalam suatu waktu yang ditentukan.

Metode digitisasi yang dilakukan berdasarkan 4 musim dalam setahun. Hal ini diaplikasikan dalam hari kerja, musim, dan cuaca.

Membuat fungsi periodik untuk mengubah fitur jam ke cos(2π/24*jam) dan

sin(2π/24*jam), sehingga jam

Dari seluruh model yang dibuat maka, penilaian akhir diukur dengan 10-fold cross validation. Diperoleh penilaian terhadap model dengan metode random forest menghasilkan nilai yang paling baik di antar model dengan metode yang lain.

19 secara intuitif menrupakan

fungsi periodik.

Conditional Expectation Value Maping (CEVM) untuk

membagi variabel seperti musim menjadi sesuai dengan kondisi yang diekspektasikan.

Pembuatan model dengan parameter dan strategi optimisasi yang telah disepakati. Perhitungan dilakukan menggunakan MatLab.

Penilaian dari model yang telah dibuat meliputi dua penilaian yaitu, nilai pengukuran dengan 10-fold cross validation dan waktu komputasi dalam percobaan.

5. Bike Lane Design for Bicyclist and Bike Sharing in Bandung City

Widyarini Weningtyas, Qiranawangsih Aulia, Lestari H.

Adriani, and Arbie Nurlayla (2015)

Mengadakan penelitian komprehensif terkait jalur sepeda, meninjau lokasi potensi (jalan) jalur sepeda di Kota Bandung, dan memeriksa kondisi infrastruktur untuk menentukan tipe jalur sepeda di Kota Bandung berdasarkan klasifikasi jalan, geometrikal jalan, dan kondisi topografi.

Menentukan spesifikasi jalur sepeda di Kota Bandung.

Karakteristik jalan mempengaruhi tipe jalus sepeda. Salah satu karakteristik tersebut adalah lebar jalan.

Terdapat nilai minimum lebar jalan yang digunakan untuk menentukan tipe jalur sepeda.

Menentukan lokasi potensial jalur sepeda dan merencanakan jaringan sepeda serta stasiun bike sharing di Kota Bandung.

Berdasarkan data lebar jalan dan kondisi trotoar, mayoritas ruas jalan di Bandung tidak memenuhi kriteria untuk jalur sepeda tetapi, beberapa jalan utama seperti Jl. Ir. H.

Juanda, Jl. Supratman, dan Jl.

Jend. A. Yani dapat dibuatkan jalur sepeda.

Perlu adanya penelitian lebih lanjut terkait penyesuaian jalan di Bandung untuk

20 Perencanaan ini dikembangkan

dalam suatu peta rencana.

menyesuaikan kriteria perancangan jalur sepeda.

6. Evaluasi Jalur Sepeda di Jalan Arief Rahman Hakim Kota Malang

Dwi Ratnaningsih (2017)

Mengevaluasi dimensi jalur sepeda pada ruas Jalan Arief Rahman Hakim Kota Malang

Mengukur geometrik ruas jalan yang dilengkapi dengan lajur sepeda eksisting.

Menghitung volume lalu lintas ketika volume sepeda tertinggi (jam puncak).

Menganalisis kinerja ruas jalan dengan dua kondisi lajur sepeda yaitu, kondisi eksisting dan kondisi perbaikan yang meliputi kapasitas, derajat kejenuhan, kecepatan rata-rata kendaraan, dan level of service.

Diperoleh volume pesepeda pada jam puncak sebanyak 0,4% dari jumlah pengguna jalan.

Berdasarkan evaluasi dari analisis kinerja ruas jalan diperoleh pengurangan lebar lajur sepeda dari 1,5 m menjadi 1,2 m dapat

meningkatkan kapasitas jalan 17,4% dan meningkatkan level of service bernilai B.

7. Satisfication and Future Mode Choice of Commuter in Bandung

Clint Gunawijaya (2020)

Mengidentifikasi tingkat kepuasan komuter berdasarkan penggunaan moda transportasi di Bandung.

Mengidentifikasi factor yang mempengaruhi pemilihan moda dalam komuter.

Melakukan survei dengan kuisioner kepada 301

responden yang berdomisili di Kota Bandung, Kota Cimahi, Kabupaten Bandung, dan Kabupaten Bandung Barat.

Melakukan uji validitas, realibilitas, relevansi prediktif, fit model, dan signifikansi

Berdasarkan analisis yang telah dilakukan, diperoleh tingkat kepuasan komuter di Bandung dengan nilai tertinggi adalah sepeda motor, yaitu 70,45% dan nilai terendah adalah berjalan kaki, yaitu 64,68%

21 Mengidentifikasi

hubungan antara

kepuasan dan pemilihan moda.

menggunakan metode Partial Least Square Structural Equation Modelling (PLS- SEM) dengan aplikasi SmartPLS

Tingkat kepuasan komuter memiliki hubungan yang signifikan terhadap pemilihan moda. Lingkungan sosial, kebutuhan pergerakan, dan norma subjektif merupakan faktor-faktor yang

mempengaruhi pemilihan moda.

8. Modelling Cyclist’ Facility Choice and Its Application in Bike Lane Usage Forecasting

Nguyen Duc- Nghiem, Nguyen Hoang-Tung, Aya Kojima, dan Hisashi Kubota (2016)

Membuat suatu model untuk memprediksi pemilihan fasilitas pesepeda meliputi

fasilitas pada badan jalan dan pada trotoar.

Melakukan survei terkait infrastruktur, kondisi lalu lintas, dan karakteristik pesepeda. Survei dilakukan dengan observasi dan

pengukuran yang dikumpulkan dengan rekaman video yang diproses dengan komputer di 15 titik pada jalan perkotaan di Kota Saitama, Jepang.

Data rekaman video tersebut dianalisis dengan persamaan logit dan diolah menjadi suatu model dengan metode

Bayesian Model Averaging dengan aplikasi R versi 3.2.5.

Model yang dibuat

melibatkan 18 variabel yang meliputi infrastruktur, kondisi lalu lintas, dan karakteristik pesepeda. Analisis

kepentingan relatif dari prediktor menunjukkan pemberhentian bus eksisting serta efektifitas lebar dan tipe trotoar merupakan variabel yang sangat berpotensi.

Aplikasi dari model tersebut divalidasi berdasarkan kondisi setelah dan sebelum implementasi jalur sepeda.

Diperoleh nilai prediksi yang baik.