Fadhilah Rusmiati - 25413020
Firdausi Nurul Awwal - 25413021
Sara Sorayya Ermuna - 25413056
(Ofyar, hal. 83)
PENDAHULU
AN
Dalam pemilihan moda ini akan diidentifikasi besarnya pergerakan
antar zona yang menggunakan setiap moda transportasi tertentu.
Oleh karena itu, masalah pemilihan moda dapat dikatakan sebagai
tahap terpenting dalam berbagai perencanaan dan kebijakan
transportasi. Hal ini menyangkut efisiensi pergerakan di daerah
perkotaan, ruang yang harus disediakan kota untuk dijadikan
prasarana transportasi, dan banyaknya pilihan moda transportasi
yang dapat dipilih oleh penduduk.
T
UJUAN
PEMILIHAN
MODA
Model pemilihan moda bertujuan untuk
mengetahui proporsi orang yang akan
menggunakan setiap moda. Proses ini
dilakukan dengan maksud untuk
mengkalibrasi model pemilihan moda pada
tahun dasar dengan mengetahui peubah
bebas (atribut) yang mempengaruhi
pemilihan moda tersebut. Setelah dilakukan
proses kalibrasi, model dapat digunakan
untuk meramalkan pemilihan moda dengan
menggunakan nilai peubah bebas (atribut)
untuk masa mendatang.
FAKTOR-FAKTOR YANG DAPAT
MEMPENGARUHI PEMILIHAN
MODEL
AGREGAT
MODEL
DISAGREGAT
Agregat Disagregat
Estimasi berdasarkan tren dari data time series
Kelemahan: Tidak sensitiv terhadap adanya perubahan kebijakan
Estimasi berdasarkan biaya akomodasi
Kelemahan: Tidak sensitiv terhadap adanya perubahan kebijakan
Asumsi:
Dipengaruhi oleh:
1. karakter individu, seperti kepemilikan kendaraan, kepemilikan SIM
2. Kesempatan untuk melakukan perjalanan
Mengindikasikan karakter zona asal, seperti biaya rata-rata moda yang digunakan, maupun waktu tunggu
Aspek kebijakan tidak diakomodir
Model pemilihan moda dianggap:
Model agregat jika menggunakan informasi berbasis zona
Model tidak agregat jika memakai data berbasis rumah
MODEL PEMILIHAN
MODA
Keterangan : G = Bangkitan Pergerakan MS = Pemilihan Moda A = Pemilihan Rute D = Sebaran Pergerakan (Ofyar, hal : 393)I. Pemilihan moda dilakukan pada saat menghitung bangkitan pergerakan II. Proses pemilihan moda terjadi sebelum proses pemilihan rute dilakukan
III. Tahapan bangkitan pergerakan dan pemilihan rute ikut menentukan dalam pemilihan moda IV. Proses Pemilihan moda terjadi setelah sebaran pergerakan dilakukan
Pemilihan Moda dengan Model Diskrit
Model Pilihan Diskrit (discrete choice model), yaitu model probabilitas dimana nilai dari setiap pilihan responden berkaitan dengan pilihan-pilihan lainnya dalam satu alternatif yang ditawarkan.
Berdasarkan data
disagregat (Pilihan
indovidu terhadap
moda yang ada)
Keseluruhan pilihan
digambarkan sebagai
persepsi individu
untuk memaksimalkan
utilitas
Adanya variasi dari
perespsi dan tingkah
laku disebabkan:
Metode yang paling populer digunakan
1. Standar error yang digunakan oleh pengamat
2. Tingkat kepercayaan terhadap individu/responden
3. Variasi yang berbeda dari masing-masing persepsi individu
Juga untuk dua moda alternatif, tetapi model ini menekankan untuk memilih moda 1, bukan moda 2 dan berusaha menghubungkan antara jumlah perjalanan dengan variabel bebas yang mempengaruhi, misalnya biaya (cost) dan variabel ini harus berdistribusi normal. Bentuknya adalah (Fidel, 2005):
Model Probit
Bentuk model ini adalah sebagai berikut (Fidel, 2005):
Dimana
e
Probabilitas (%) peluang moda I untuk dipilih
Nilai parameter atau nilai kepuasan menggunakan moda I dan moda j Eksponensial
Model logit biner ini hanya untuk pilihan 2 moda transportasi alternatif (moda i dan j).
Model Multinomial Logit
Model ini merupakan model pemilihan diskret yang paling sering digunakan. Pilihan yang dihadapi pelaku perjalanan lebih dari 2 pilihan, yaitu 3 pilihan dan seterusnya. Bentuk model ini digambarkan melalui persamaan berikut (Fidel, 2005):
Dimana:
P(i) = peluang moda I untuk dipilih
Ui = nilai manfaat menggunakan moda i
∑ Ujn = sejumlah nilai manfaat moda-moda lain selain moda I (moda ji … jn)
CONTOH SOAL
Kota Surabaya direncanakan untuk mengembangkan moda monorail sebagai salah satu cara untuk mereduksi kemacetan yang terjadi, mengingat Kota Surabaya merupakan ibu kota Propinsi Jawa Timur dengan berbagai faktor penarik berupa fasilitas pendidikan, kesehatan, dan lapangan kerja yang menjanjikan sehigga dapat memicu adanya peningkatan jumlah penduduk sehingga dapat berdampak pada kondisi lalu lintas. Selain itu, perkembangan Kota Surabaya sudah mulai menimbulkan pertumbuhan bagi kota-kota disekitarnya yang dapat disebut dengan Urban Sprawl, seperti Kota Sidoarjo. Banyak permukiman yang tumbuh di Sidoarjo akibat kurangnya lahan untuk pembangunanan perumahan di Surabaya sehingga terjadi mobilitas yang cukup tinggi dari Sidoarjo menuju Surabaya. Mobilitas yang tinggi dapat menimbulkan permasalahan transportasi berupa kemacetan. Adanya penyediaan kereta komuter Surabaya – Sidoarjo tidak banyak membantu untuk mengatasi masalah transportasi bagi para komuter tersebut.
Oleh karena itu, arus transportasi di Surabaya yang tinggi perlu didukung dengan adanya penyediaan angkutan umum berupa angkutan kota, kereta api, dan bus kota serta perlu adanya integrasi antara moda transportasi yang satu dengan moda transportasi lainnya sehingga pergerakan dapat berjalan dengan lancar.
CONTOH SOAL – Metode yang digunakan
Metode yang digunakan adalah metode diskret multinomial logit dengan teknik Stated preference. Dalam hal ini teknik stated preference digunakan untuk mengetahui
jumlah penumpang yang akan berpindah dari kendaraan bermotor yaitu mobil dan motor ke monorail. Atribut yang digunakan yaitu atribut terhadap waktu dan harga karena kedua atribut tersebut merupakan variable yang paling berpengaruh dalam pemilihan moda.
Fungsi utilitas adalah mengukur daya tarik setiap pilihan (scenario hipotesa) yang diberikan pada responden. Fungsi ini merefleksikan pengaruh pilihan responden pada seluruh atribut yang termasuk dalam Stated Preference, dengan bentuk fungsi utilitas linier adalah sebagai berikut:
Ui = a0 + a1x1 + …… + anxn
Dengan:
Ui = utilitas pilihan i a0 …. an = parameter model
x1 …. xn = nilai atribut
Tujuan analisa adalah menentukan estimasi nilai a0 sampaian dan nilai-nilai tersebut sebagai bobot pilihan atau komponen utilitas. Berdasarkan nilai parameter model, dapat diketahui efek relative setiap atribut pada seluruh utilitas. Setelah komponen utilitas dapat diestimasi, maka selanjutnya dapat digunakan untuk berbagai tujuan, seperti menentukan kepentingan relative dari atribut yang termasuk dalam eksperimen dan menentukan fungsi utilitas untuk peramalan model.
CONTOH SOAL – Penentuan Sampel
No Kecamatan Jumlah Penduduk Jumlah KK Per Kec Jumlah KK Persentase (KK Kec /KK Kota) Jumlah Sampel (% X 1451KK) 1 Genteng 69691 13938 580501 2,4 35 2 Bubutan 115878 23176 580501 4 58 3 Gubeng 157254 31451 580501 5,4 78 4 Sukolilo 99362 19872 580501 3,4 49 5 Mulyorejo 79379 15876 580501 2,7 39 6 Wonokromo 186813 37363 580501 6,4 93 7 Dukuh Pakis 59930 11986 580501 2,1 30 8 Sukomanunggal 97363 19473 580501 3,3 47 Total Sampel 429
Kota Surabaya yang mempunyai penduduk sejumlah 2.902.507 jiwa atau 580501 KK (diasumsikan 1 KK terdiri dari 5 orang) dapat menggunakan standar tersebut sehingga didapatkan jumlah sampel untuk Kota Surabaya adalah 1451 KK. Untuk setiap kecamatan jumlah sampelnya didstribusikan berdasarkan jumlah penduduk yang terdapat di Kecamatan tersebut.
CONTOH SOAL – Variabel yang digunakan
Variabel bebas yang digunakan: Harga tiket (X1)
Waktu tempuh (X2)
Variabel terikat yang digunakan: Jumlah orang yang mau berpindah (Y) sampel 429 jiwa
Analisis stated preference dilakukan untuk mengetahui proporsi jumlah orang
yang mau berpindah moda dari kendaraan pribadi yaitu mobil dan motor ke monorail.
No Makna Pilihan
Skala Standart
Pr (Monorail) Skala Numerik R=Ln
1 Pasti memilih Monorail 0,9 R1= 2,1972
2 Mungkin memilih Monorail 0,7 R2= 0,8473
3 Pilihan Berimbang 0,5 R3= 0,0000
4 Mungkin Memilih Kendaraan Pribadi 0,3 R4= -0,8473
5 Pasti Memilih Kendaraan pribadi 0,1 R5= - 2,1972
Nilai R=ln digunakan untuk mengisi nilai Y pada masing-masing pilihan responden untuk setiap variabel
CONTOH SOAL – Karakteristik masing-masing variabel
Pilihan X1
Jumlah Respon Masing-masing point (cost) untuk Pengguna Mobil
1* % 2* % 3* % 4* % 5* %
1 6000 21 60 9 26 2 6 2 6 1 3
2 9000 10 29 13 37 3 9 6 17 3 9
3 12000 7 20 5 14 9 26 6 17 8 23
Atribut Harga (Cost = X1)
Harga tiket merupakan variabel yang menjadi alasan untuk seseorang menentukan pilihan moda yang akan digunkan dalam melakukan pergerakan. Pilihan harga tiket monorail yang diberikan kepada masyarakat Kota Surabaya yaitu berkisar antara 6000-12000. Berikut ini data responden terhadap atribut cost baik untuk mobil maupun motor.
Respon Pengguna Mobil/Motor terhadap Atribut Harga Tiket 1 = Pasti Pilih Monorail 2 = Mungkin Pilih Monorail 3 = Pilihan Berimbang 4 = Mungkin Pilih Monorail 5 = Pasti Pilih Monorail
P
il
iha
n
X1
Jumlah Respon Masing-masing point (cost) untuk Pengguna Motor
1* % 2* % 3* % 4* % 5* %
1 6000 168 57 72 24 20 7 10 3 26 9
2 9000 49 17 65 22 75 25 46 16 61 21
CONTOH SOAL – Karakteristik masing-masing variabel
Respon Pengguna Mobil/Motor terhadap Atribut Harga Tiket 1 = Pasti Pilih Monorail 2 = Mungkin Pilih Monorail 3 = Pilihan Berimbang 4 = Mungkin Pilih Monorail 5 = Pasti Pilih Monorail
Pilihan
X2
Jumlah Respon Masing-masing point (Time) untuk pengguna mobil
1* % 2* % 3* % 4* % 5* %
1 5 menit 29 83 4 11 0 0 1 3 1 3
2 10 menit 21 60 11 31 0 0 2 6 1 3
3 15 menit 19 54 7 20 2 6 5 14 2 6
Atribut Waktu (X2)
Waktu tempuh atau waktu perjalanan merupakan variabel yang menjadi alasan untuk seseorang menentukan pilihan moda yang akan digunkan dalam melakukan pergerakan. Pilihan waktu tempuh monorail yang diberikan kepada masyarakat Kota Surabaya yaitu berkisar antara 5-10 menit. Berikut ini data responden terhadap atribut waktu baik untuk mobil maupun motor.
Pilihan
X2
Jumlah Respon Masing-masing point (Time) untuk Pengguna Motor
1* % 2* % 3* % 4* % 5* %
1 5 menit 245 83 29 10 2 0 3 1 14 5
2 10 menit 205 69 57 19 4 0 6 2 15 5
11
Korelasi Variable Harga Tiket terhadap Potensi Jumlah Penumpang
Variabel Koefisien Konstanta 2.098 X1 -.778 Regresi UMonorel-UMobil = 2,098 - 0,778.X1 PMonorel =
Harga Tiket (X1) Nilai Utilitas PMonorail PMobil
6000 -4665,90 0,80 0,20
9000 -6999,9 0,60 0,40
12000 -9333,9 0,32 0,68
-0,402
Pilihan Probabilitas Ln (Probabilitas) Pasti Pilih Monorail 0,9 2,1972 Mungkin Pilih
Monorail
0,7 0,8473 Pilihan Berimbang 0,5 0,0000 Mungkin Pilih Moda
Saat Ini
0,3 -0,8473 Pasti Pilih Moda Saat
Ini
Analisis Regresi X1 Y X1 1 Y -0.226 1 Variabel Koefisien Konstanta 2.189 X1 -.313
Korelasi Variable Harga Tiket terhadap Potensi Jumlah Penumpang
P.Monorail =
UMonorel-UMobil = 2,198 - 0,313.X2
Waktu (X2) Nilai Utilitas PMonorail PMobil
5 0,633 0,82 0,18
10 -0,932 0,28 0,72
15 -2,497 0,08 0,92
X1 = 0,778 X2 = 0,313
Variabel Koefisien Konstanta 2.161 X1 -.982 X1 Y X1 1 Y -0.493 1
Korelasi Variable Harga Tiket terhadap Potensi Jumlah Penumpang
Analisis Regresi UMonorel-UMotor = 2,161 - 0,982.X1
PMonorel =
Harga Tiket (X1) Nilai Utilitas PMonorail PMotor 6000 -5890 0,82 0,18 9000 -8836 0,56 0,44 12000 -11782 0,21 0,79
Variabel Koefisien Konstanta 2.028 X1 -.212 Analisis Regresi X1 Y X1 1 Y -0.149 1
Korelasi Variable Harga Tiket terhadap Potensi Jumlah Penumpang
UMonorel-UMotor = 2,028 - 0,212.X2
PMonorel =
`
Harga Tiket (X1) Nilai Utilitas PMonorail PMotor
5 0,968 0,73 0,17
10 -0,932 0,48 0,52
15 -2,497 0,24 0,76
X1 = 0,982 X2 = 0,212
FOUR STEP MODEL
Merupakan tahapan final pada permodelan transportasi
Pergerakan kendaraan dari satu zona ke zona yang lain ditentukan pada rute
pergerakan tertentu di antara tiap pasang zona (I,j)
Dapat menggunakan generalized cost
PEMILIHAN RUTE
ZONA BANGKIT AN ZONA TARIK AN ASAL TUJUANRUTE MANA YANG HARUS DITEMPUH
BERDASARKAN BIAYA, WAKTU TEMPUH, DAN JARINGAN JALAN YANG TERSEDIA
SETIAP PELAKU PERJALANAN MENCOBA MENCARI RUTE TERBAIK YANG MEMINIMUMKAN BIAYA DAN
EFEK STOKASTIK
Setiap orang memiliki persepsi yang berbeda mengenai biaya perjalanan
Kriteria Efek Stokastik Dipertimbangkan ? Tidak Ya Efek Batasan Kapasitas Dipertimbangkan ? Tidak All-or-Nothing Stokastik Murni Ya Equilibrium Wardrop Keseimbangan -Pengguna-Stokastik
TUJUAN TAHAPAN PEMODELAN
Mengalokasi setiap
pergerakan antar zona
pada berbagai rute yang
paling sering digunakan
orang bergerak dari zona
asal ke zona tujuan
Output berupa informasi
arus lalu lintas pada
setiap ruas jalan
termasuk biaya
perjalanan
FAKTOR YANG MEMPENGARUHI PEMILIHAN RUTE
Waktu tempuh, jarak, biaya,
kemacetan dan antrian, jenis
manuever yg dibutuhkan, jenis
jalan raya, kelengkapan rambu,
serta kebiasaan
Biaya pergerakan dan nilai waktu-biaya pergerakan proporsional
Faktor Penentu Utama dalam Pemilihan Rute
Waktu Tempuh
• Waktu total perjalanan yg diperlukan termasuk berhenti dan tundaan
Nilai waktu
• Sejumlah uang yg disediakan seseorang untuk dikeluarkan untuk menghemat satu unit waktu perjalanan
• Nilai waktu sebanding dengan pendapatan perkapita, asumsi waktu perjalanan konstan sepanjang waktu, relatif terhadap pengeluaran konsumen
Biaya perjalanan
• Dalam bentuk uang, waktu tempuh, jarak atau kombinasi ketiganya • Biaya = a1. waktu + a2 jarak+ a3
• a1 = nilai waktu (Rp/jam)
• a1 = biaya operasi kendaraan (Rp/km) • a1 = biaya tambahan lain (harga karcis tol)
Biaya operasi kendaraan
• Biaya bahan bakar, pelumas, baiya penggantian, biaya perawatan kendaraan, upah, gaji sopir
METODE ALL OR NOTHING
Asumsi
Model pemilihan rute paling sederhana
Proporsi pengendara dalam memilih rute asumsi
pribadi dan ciri fisik tiap ruas jalan yang dilalui
Biaya perjalanan dianggap tetap dan tidak dipengaruhi oleh kemacetan
Hanya berfungsi untuk menemukan rute dengan jarak terpendek
Waktu penggunaan
Daerah pinggiran kota yang jaringan jalannya tidak begitu rapat dan arus lalu lintas serta kemacetan tidak tinggi / pada jaringan jalan sederhana
Bagi daerah atau zona yang hanya memiliki beberapa rute alternatif saja
Kegunaan Berfungsi untuk menentukan arah pembangunan jaringan jalan baru Digunakan untuk memperlihatkan desire line (garis
keinginan), misal rute yang dipilih
pengendara jika tidak terjadi kemacetan Semua permintaan perjalanan
dibebankan ke rute minimum dan tidak ada satupun yang dibebankan ke rute pilihan lainnya
METODE ALL OR NOTHING
Diketahui daerah studi 4 zona
Zona 1 2 3 4 1 - 500 750 350 2 275 - 1050 475 3 650 1870 - 950 4 1250 350 2050 - Zona 1 2 3 4 1 - 11 7 2 10 - 7 3 5 - 6 4 8 10 - 1 2 3 4 6 10 10 11 5 7 7 8
MATRIKS ASAL TUJUAN (trip)
MATRIKS WAKTU TEMPUH (t), menit MATRIKS WAKTU TEMPUH (t), menit
4
METODE ALL OR NOTHING
Tahap 1 : Cari minimum Path Tree
1 2 3 4 6 10 10 11 5 7 7 8 1 2 3 4 1 2 3 1 2 3 4 1 2 3 4 11 7 7 + 10 = 17 10 7 6 + 7 = 13 6 5 6 + 8 = 14 10 10 + 5= 15 8
LAKUKAN PEMBEBANAN TRIP SESUAI MINIMUM PATH TREE
1 2 3 4 6 10 10 11 5 7 7 8MATRIKS WAKTU TEMPUH (t), menit
4 1 2 3 4 1 2 3 1 2 3 4 1 2 3 4 500 350+750 750 275 1050+475 475 950+650 1870 650 2050+350 350 1250 Zona 1 2 3 4 1 - 500 750 350 2 275 - 1050 475 3 650 1870 - 950 4 1250 350 2050 -
JUMLAHKAN BEBAN TIAP LINTASAN
1 2 3 4 2076 3160 275 600 2220 1626 1100 1900 4 1 2 3 4 1 2 3 1 2 3 4 1 2 3 4 500 1100 750 275 1525 475 1600 1870 650 2400 350 1250METODE STOKASTIK
Asumsi
Mengabaikan efek kemacetan Merupakan model
menyebarkan arus yang ada ke banyak rute yang tersedia dengan memperhatikan
kecenderungan setiap
pengendara dalam memilih rute
Pengendara diasumsikan mengambil rute tercepat
meskipun mereka tidak yakin rute mana yang tercepat
Waktu tempuh menunjukkan rute tercepat
Didasarkan pada seleksi sebaran acak yang
mempunyai rata-rata waktu tempuh sebenarnya dari rute tersebut
Ditemukan satu rute tercepat yang akan digunakan antara setiap pasangan zona i dan d.
Metode Stokastik , terdiri dari beberapa model:
Model Burrell
Model Sakarovitch
Model Dial
PERBEDAAN METODE STOKASTIK DAN METODE ALL OR NOTHING
ALL OR NOTHING STOKASTIK
Persamaan Mengabaikan efek kemacetan Perbedaan 1. Rute terpendek
merupakan satu-satunya rute yang akan dipilih untuk pembebanan arus lalu lintas dari zona asal i ke zona tujuan j 2. Biaya perjalanan dianggap tetap 1. Memperhitungkan persepsi perseorangan terhadap waktu tempuh
2. Pengguna jalan disebarkan kepada beberapa pilihan rute (pembebanan arus
disebar pada beberapa rute) 3. Biaya perjalanan dapat
berubah Pemilihan rute didasarkan pada biaya yang paling minimal
1. Metode Burrell
Asumsi
Membedakan biaya objektif (pengamat) dan subjektif
(pengendara)
Biaya perjalanan untuk setiap ruas jalan dan jaringan disebar sekitar nilai rerata
biaya perjalanan
Sebaran biaya persepsi
diasumsikan tidak berkorelasi
Dihasilkan n set rute utk setiap set biaya rerata
Kegunaan Menemukan dan membebankan rute tercepat dengan meminimumkan biaya
Kelemahan
Tidak memperhitungkan1. Metode Burrell
O1 O2 1000 1000 1500 1500 D a c bFungsi biaya Empty link cost Typical link cost A 1 + arus/1000 1 2 B 8 + arus/1000 8 9 C 4 + arus/1000 4 8
Tentukan sebaran utk biaya persepsi tiap ruas jalan
Pisahkan populasi yg akan bergerak utk tiap pasangan asal-tujuan menjadi N segmen, tiap segmen diasumsikan punya biaya persepsi yg sama
1.Buat n=0 2.Buat n=n+1
3.Utk tiap pasangan asal-tujuan (i-d): Hitung biaya persepsi utk tiap ruas jalan dgn mengambil sampel dari sebaran biaya persepsi
Buat rute dgn biaya persepsi minimum dari i ke d dan bebankan Tid/N
besar arus pd tiap ruas jalan
4. Jika n=N, stop; jika tidak kerjakan tahap 2
1. Metode Burrell
Fungsi biaya Empty link cost Typical link cost Biaya O1 D
A 1 + arus/1000 1 2 1,98
B 8 + arus/1000 8 9 10,17
C 4 + arus/1000 4 8 7,04
Fungsi biaya Empty link cost Typical link cost Biaya O1 D
A 1 + arus/1000 1 2 2,08
B 8 + arus/1000 8 9 8,73
C 4 + arus/1000 4 8 8,48
Rute yang paling murah melalui rute b
Rute yang paling murah melalui rute a + c
Fungsi biaya Empty link cost Typical link cost Biaya O2 D
A 1 + arus/1000 1 2 1,92
B 8 + arus/1000 8 9 9,54
C 4 + arus/1000 4 8 9,12
Rute yang paling murah melalui rute c
Fungsi biaya Empty link cost Typical link cost Biaya O2 D
A 1 + arus/1000 1 2 1,6
B 8 + arus/1000 8 9 8,82
C 4 + arus/1000 4 8 7,52
Rute yang paling murah melalui rute c
Total Arus yang masuk ke masing rute
O1 O2 1000 1000 1500 1500 D a c bTotal arus yang masuk ke a 1000 Total arus yang masuk ke b 1000 Total arus yang masuk ke c 4000
1000
1000 1000
2. Model Sakarovitch
Menggunakan algoritma
Menentukan rute terbaik yang lebih dari satu rute dalam setiap pasangan zona
di wilayah kajian
Membagi MAT menjadi N bagian dengan proporsi terbesar dibebankan ke rute
tercepat
Proporsi terkecil dibebankan pada rute
terpanjang
Dilakukan pengulangan sebnanyak N kali hingga seluruh MAT dibebankan
3. Model Dial
• Rute terpendek akan lebih dipilih daripada yang lebih panjang
Prob (r) = peluang memilih rute r tr = jumlah waktu pada rute r R = jumlah rute alternatif a = parameter yang dikalibrasi
• Merupakan model rute berdasarkan
peluang dengan mengalokasikan pergerakan pada beberapa alternatif rute yang tergantung pada panjang (biaya) rute.
• Membagi pergerakan yang tiba di suatu simpul ke simpul lainnya yang memungkinkan.
• Model harus memiliki peluang yang lebih besar dari nol bagi semua ruas jalan yang pantas dan peluang sama dengan nol bagi ruas jalan yang tidak sesuai
O1 O2 1000 1000 1500 1500 D a c b
1. Biaya dari zona asal O1 untuk menuju zona tujuan D melalui rute b harus mengeluarkan Biaya 9 dolar.
2. Sementara itu, jika melalui a dan c akan mengeluarkan biaya 10 dolar.
3. Berapa Peluang yang akan
melalui rute b, dan berapa yang akan melalui rute a + c?
Pb : exp (-0,5 x 9) = 0,011 = 0,61 exp (-0,5 x 9) + exp (-0,5 x 10) 0,011 + 0,007
Sehingga diketahui bahwa 1222 (61%) dari bangkitan yang ada akan memilih rute b Dan 778 (39%) akan melalui rute a+c
Hambatan batasan kapasitas
tidak
dipertimbangkan
Ongkos
secara implisit diketahui
. (Ongkos =
Generalised
Cost
, misal: waktu, jarak, ongkos
parkir, kenyamanan, kemudahan, dll)
Masing-masing pengemudi mencoba untuk
meminimumkan ongkos perjalanannya dengan
memilih rute
Model Equilibrium oleh Wardrop (1952)
Terdapat dua perilaku intuitif yang menjelaskan
bagaimana
lalu-lintas
dapat
didistribusikan
kedalam rute yang dikenal dengan
1. Prinsip pertama
(
User’s Equilibrium
):
Dalam kondisi keseimbangan
tidak ada lagi
pengguna jalan yang bisa
mengubah rutenya
,
karena tidak ada lagi rute lain yang lebih murah
yang bisa dipilih.
Semua
rute
yang lain yang
tidak digunakan
memiliki
biaya yang sama
atau
bahkan
lebih besar
daripada rute-rute yang ada
sekarang
2. Prinsip kedua
(
System Optimum
):
Dalam
kondisi keseimbangan, lalu lintas akan mengatur
dirinya sendiri dalam (sebagai kumpulan)
jaringan yang macet sehingga semua rute yang
digunakan dari titik A ke B memiliki biaya yang
sama
dan
minimum
. Sementara rute yang
tidak digunakan berbiaya sama atau bahkan
lebih mahal.
TAPI
pada umumnya, dalam praktek arus yang
dihasilkan dari dua prinsip tadi tidak sama
mengikuti prinsip Wardrop pertama
User’s
Model
Trip Assignments
Model Agregat Trip Assignments Model Equilibrium Heuristic (tidak dijamin konvergen)
Incremental Iterative Quantal
Algoritma Frank-Wolfe (konvergen) All-or-Nothing Stokastik Murni
Tingkat Konvergensi (
δ
)
Tiga tipe dasar
kriteria konvergensi
:
1. Dengan melihat perbedaan antara arus atau biaya
ruas pada setiap pengulangan yang berurutan. Dengan
perbedaaan ini dapat dilihat apakah proses
pengulangan selanjutnya akan menghasilkan
perubahan yang berarti
bagi arus atau biaya tersebut.
Jika tidak
ditemui perubahan yang berarti maka
konvergensi dianggap
sudah tercapai
2. Dengan mengukur perbedaan antara asumsi hubungan
biaya- arus pada saat awal pembebanan dengan
hubungan biaya-arus pada saat akhir pembebanan
3. Melihat potensi perbaikan yang dihasilkan apabila
C
ijr–
C
ij
*=
selisih biaya pada rute tertentu dan biaya
perjalanan minimum pada pasangan (i,j)
. Biaya ini dihitung
setelah
pengulangan selesai
dan
total pergerakan
didapatkan untuk setiap ruas jalan. Sehingga nilai
δ
adalah
nilai yang dihasilkan oleh selisih antara biaya rute optimal
dan rute tidak optimal.
Semakin
kecil nilai
δ, kondisinya semakin mendekati kondisi
keseimbangan Wardrop
Heuristic Model Equilibrium
Penggunaan metode ini telah
banyak digunakan
Dapat digunakan pada
jaringan yang kompleks
yang
besarnya biaya tergantung sekali dengan
interaksi arus
Tetapi hasil pembebanan
tidak dijamin konvergen
Beberapa Model diantaranya:
1.
Model Pembebanan Bertahap atau
Incremental Model
2.
Model Pembebanan Berulang atau
Iterative Model
Metode Pembebanan Bertahap
(Incremental Assignment)
Prinsip utama: membagi MAT total menjadi beberapa bagian
MAT (misal
10%)
dgn menggunakan
1
set faktor proporsional
Pn =
0,1
dengan
Σ
Pn = 1
Dalam setiap pembebanan, biaya dihitung kembali berdasarkan
hub biaya-arus
Nilai tipikal utk Pn adalah
0,1
Metode pembebanan bertahap punya keuntungan:
1.
Sangat mudah diprogram
2.
Hasilnya bisa digunakan utk melihat evolusi terjadinya
kemacetan pd jam sibuk
Bentuk Algoritma :
1. Pilih
1
set biaya ruas, misal waktu tempuh dlm kond arus
bebas, semua arus Va=
0,
pilih
1
set fraksi Pn dari MAT
sehingga
Σ
Pn=
1
, buat n =
0
2. Bentuk 1 set pohon biaya minimum (1 utk tiap simpul asal) dgn
menggunakan biaya yg ada, buat n=n+
1
3. Bebankan Tn=pn.T dgn menggunakan pembebanan
all or
nothing
pd tiap pohon tsb utk mendapatkan nilai arus F
l,
akumulasikan arus2 tsb utk tiap ruas jalan:
V
l
n
= V
l
n-1
+ F
l
4.
Hitung
1
set biaya ruas yg baru berdasarkan arus sebesar Vl
n,
jika bagian MAT belum selesai dibebankan, kerjakan tahap
2,
jika sudah stop.
Batasan metode Incremental Assignment
jika arus sudah
dibebankan pd suatu ruas, maka arus
tsb tidak bisa
dipindahkan atau dibebankan ke tempat lain.
akibatnya jika
arus pada permulaan pembenanan terlalu besar, maka hasil
algoritma menjadi tidak konvergen.
Keseimbangan Wardrop
tercapai jika
nilai
δ ≈
0
Dikatakan
konvergen jika jumlah biaya antar rute sama
besar
Contoh Soal :
Sepasang zona asal-tujuan dgn 3 alternatif yg punya hubungan
biaya-arus yg berbeda. Pergerakan sebesar 2000 kendaraan dari
zona asal A ke zona tujuan B
Terdapat
5
kasus yg akan diteliti:
1. Fraksi pembebanan seragam sebesar
25%
,10%
dan5%
2. Fraksi pembebanan tidak seragam sebesar
40%, 30%, 20%
dan
10%
3. Fraksi pembebanan tidak seragam sebesar10%, 20%, 30%
dan
40%
Kasus
1
Pembebanan seragam
25% (500
kendaraan
)
δ
=
500 20;20 :1000 20;20 :500(20;20)
2000 (20)
δ
=
0
Pembebanan bertahap seragam sebesar
25%
memiliki hasil
yang
konvergen
dan mencapai kesimbangan wardrop
Pembebanan seragam
10% (200
kendaraan
)
Arus Biaya Arus Biaya Arus Biaya
0 0 0 10.0 0 15.0 0 12.50 10.0 0 1 200 200 14.0 0 15.0 0 12.50 12.5 200 2 200 200 14.0 0 15.0 200 15.50 14.0 400 3 200 400 18.0 0 15.0 200 15.50 15.0 600 4 200 400 18.0 0 15.0 400 18.50 15.0 800 5 200 400 18.0 200 16.0 400 18.50 16.0 1,000 6 200 400 18.0 400 17.0 400 18.50 17.0 1,200 7 200 400 18.0 600 18.0 400 18.50 18.0 1,400 8 200 500 20.0 700 18.5 400 18.50 18.5 1,600 9 200 500 20.0 800 19.0 500 20.00 19.0 1,800 10 200 500 20.0 1,000 20.0 500 20.00 20.0 2,000 Total 2,000 = 0.0000 Jumlah Pembebanan ke- F Min
Rute 1 Rute 2 Rute 3
δ
=
500 20;20 :1000 20;20 :500(20;20)2000 (20)=
0
Pembebanan bertahap seragam sebesar
10%
memiliki hasil
yang
konvergen
dan mencapai kesimbangan wardrop
δ
=
550 21;19.75 :950 (19.75 ;19.75):500(20;19.75)
2000 (19.75)
=
0.0206
Pembebanan bertahap seragam sebesar
5%
memiliki hasil
yang
konvergen
dan mencapai kesimbangan wardrop
Kasus
2
Pembebanan tidak seragam
40 %, 30 %, 20%,10%
δ
=
800 26;18 :600 18;18 :600(21.5;18)
2000 (18)
=
0.2361
Terlihat bahwa hasil pembebanan
tidak mencapai konvergen
dengan solusi keseimbangan wardrop. Hal ini karena arus
(800)
terlalu besar di bebankan pada rute
1
Pembebanan tidak seragam
10 %, 20 %, 30%,40%
Kasus
3
δ
=
800 26;18.5 :800 19;18.5 :400(18.5;18.5)2000 (18)=
0.1729
Terlihat bahwa hasil pembebanan
tidak mencapai konvergen
dengan solusi keseimbangan wardrop. Hal ini karena arus
(800)
terlalu besar di bebankan pada rute
1
Metode Pembebanan Berulang
(Iterative Assignment)
Bertujuan untuk mengatasi masalah pembebanan
arus lalu
lintas
yang terlalu
tinggi
pada
jalan berkapasitas rendah
Arus pada suatu ruas dihitung sebagai
kombinasi linear
antara arus yg dihasilkan oleh
pengulangan terakhir
dan arus
yang dihasilkan dari hasil pembebanan all or nothing pada
Bentuk Algoritma :
1.
Pilih
1
set data biaya, misal: waktu tempuh pd kondisi arus
bebas; Inisiasikan semua arus V
l(n)= 0, set n=0
2.
Bentuk 1 set pohon biaya minimum, set n=n+1
3.
Bebankan semua MAT T dgn menggunakan
all or nothing
untuk menghasilkan arus F
l;
4.
Hitung arus pd saat sekarang:
V
l
(n)
= (1-
φ
).V
l
(n-1)
+
φ
.F
l
Ket:
Φ
:
parameter dengan nilai 0-1V
l(n): arus lalu lintas yang dihasilkan oleh pengulangan ke n
F
l: arus lalu lintas yang dihasilkan oleh model all or nothing
dengan biaya perjalanan yang dihasilkan oleh pengulangan ke (n-1)