Volume 3, No. 3, Agustus 2014 - 128
MODEL BANGKITAN AKTIVITAS DARI PEKERJA DAN
NON PEKERJA (STUDI KASUS KOTA BANDA ACEH)
Nanda Susana1, Renni Anggraini 2, M. Isya3 1)
Magister Teknik Sipil Program Pascasarjana Universitas Syiah Kuala Banda Aceh
2,3) Fakultas Teknik Universitas Syiah Kuala
email: nanda.susana@yahoo.com
Abstrak: The development and the density of a city can not be separated from the many
activities of the population in a zone that is caused by a variety of movement activities, it is necessary to conduct a study of movement activities based on the city of Banda Aceh. The purpose of this study is to get a model which used to predict the movement of activities that will lead such a pattern-making activities of the workers and non-workers as well as to identify the dominant factors that affect the activity. The data obtaining activity uses survey method and sampling methods. For the analysis we use CHAID method and Decisions Tree Model is also used for modeling of the activity based on movement generation. The results of this study are models and discretinary maintenance activities of workers and non-workers, where the maintenance activities of workers according to the classification categories of the highest estimate is pick-up activity as many as 100% and other activities 0% with 3 influence factors consisting of gender, number of family members and mileage, discretionary activity for workers according to the classification categories of the highest estimate is the activity of others is refreshing as many as 77.9%, then, recreation at 12.50% and social activities at 9.5% with 3 impact factors consisting of distance, type of work and the number of motor vehicles. For maintenance activities for non-workers according to the classification categories of the highest estimate is that 54.7% of shopping activity and shuttle activity as many as 45.3% with 3 influence factors which consists of a number of family members, number of vehicles and the number of cars, discretionary activity for non-workers according to the classification category is the highest estimate of the activity of others (refreshing) as many as 50.2% and social activityat 49.8% influenced by the type of work.
Keyword: generation activity, workers and non-workers, maintenance activities, discretionary
activities
Abstrak: Perkembangan dan kepadatan suatu kota tidak terlepas dari banyaknya aktivitas penduduk pada suatu zona yang ditimbulkan oleh berbagai macam pergerakan, model kebutuhan pergerakan yang dilakukan oleh individu pada suatu area dapat diketahui besarnya tingkat kebutuhan sarana dan prasarana transportasi dengan mempelajari variasi hubungan antara ciri pergerakannya yang berdasarkan aktivitas penduduk maka perlu dilakukan kajian pergerakan berdasarkan aktivitas penduduk pada kota Banda Aceh. Tujuan dari penelitian ini adalah mendapatkan model kebutuhan pergerakan aktivitas dengan memprediksi keputusan yang mengarah ke pola aktivitas penduduk sebagai pekerja dan non pekerja serta mengindentifikasi faktor-faktor dominan yang mempengahari aktivitas.Survei primer dilakukan melalui pengisian kuesioner pada 1650 kepala keluarga (KK) yang bertempat tinggal di kota Banda Aceh. Hasil dari kuesioner ditabulasikan menjadi variabel bebas dan variabel terikat, kemudian dianalisis menggunakan program SPSS-19. Metode yang digunakan pada penelitian ini yaitu metode CHAID dan untuk memodelkan bangkitan pergerakan berdasarkan aktivitasnya dipakai Decisions Tree Model. Hasil dari penelitian ini adalah model aktivitas maintenance dan discretinary dari pekerja dan non pekerja, dimana untuk aktivitas maintenance bagi pekerja menurut kategori pengklasifikasian perkiraan yang paling tinggi adalah aktivitas antar jemput yaitu 100% dan aktivitas lain 0% dengan 3 faktor pengaruh yang terdiri dari jenis kelamin, jumlah anggota keluarga dan jarak tempuh, aktivitas discretionary bagi pekerja menurut kategori pengklasifikasian perkiraan yang paling tinggi adalah aktivitas lain-lain (refresing) yaitu 77,9%, aktivitas rekreasi yaitu
129 - Volume 3, No. 3, Agustus 2014
12,50% dan aktivitas sosial 9,5% dengan 3 faktor pengaruh yang terdiri dari jarak, jenis pekerjaan dan jumlah kendaraan bermotor. Untuk aktivitas maintenance bagi non pekerja menurut kategori pengklasifikasian perkiraan yang paling tinggi adalah aktivitas berbelanja yaitu 54,7% dan aktivitas antar jemput 45,3% dengan 3 faktor pengaruh yang terdiri dari jumlah anggota keluarga, Jumlah kendaraan bermotor dan jumlah mobil, aktivitas discretionary bagi non pekerja menurut kategori pengklasifikasian perkiraan yang paling tinggi adalah aktivitas lain-lain (refresing) yaitu 50,2% dan aktivitas sosial 49,8% dengan dipengaruhi oleh faktor jenis pekerjaan.
Kata kunci: bangkitan aktivitas, pekerja dan non pekerja, aktivitas maintenance, aktivitas discretionary
PENDAHULUAN
Pertumbuhan penduduk yang meningkat setiap tahunnya menjadi suatu pemicu perkembangan serta kepadatan pada suatu kota. Perkembangan dan kepadatan suatu kota tidak terlepas dari banyaknya aktivitas penduduk pada suatu zona yang ditimbulkan oleh pemenuhan kebutuhan yang beragam dimana meningkatkan pergerakan pada bagian transportasi. Banyak aktivitas yang dilakukan oleh penduduk baik yang tergolong menjadi rutinitas seperti bekerja maupun yang tidak. Dorongan berbagai aspek juga menjadi salah satu faktor dalam melakukan pergerakan seperti aspek sosial budaya, aspek ekonomi, aspek pemukiman, aspek kependudukan, aspek sarana dan prasarana serta transportasi. Kurangnya fasilitas transportasi yang memadai seiring dengan pertambahan penduduk akan menimbulkan berbagai macam masalah baru dibidang transportasi seperti kemacetan, polusi kendaraan, kebisingan dan lain sebagainya.
Seperti sekarang ini faktor–faktor yang dapat mempengaruhi berbagai macam kebutuhan yaitu diantaranya sosial-ekonomi masing-masing individu maupun keluarga, ciri tata guna lahan (kegiatan), ciri transportasi, pemilihan moda dan lain-lain. Oleh karena itu perlu dilakukan penelitian untuk mengetahui
kebutuhan pergerakan dari suatu zona ke zona lain berdasarkan aktivitas- aktivitasnya.
Lokasi yang dipilih pada penelitian ini yaitu pada kota Banda Aceh yang memiliki sembilan (9) kecamatan yaitu kecamatan Syiah Kuala, Meuraxa, Banda Raya, Ulee Kareng, Kuta Alam, Kuta Raja, Baiturrahman, Lueng Bata dan Jaya Baru. Populasi Kawasan yang ditinjau pada Kota Banda Aceh adalah sekitar 228.562 jiwa (Aceh Dalam Angka 2011) dengan keseluruhan total luas wilayah adalah 61,359 Ha.
KAJIAN KEPUSTAKAAN
Dalam kajian pustaka ini diuraikan beberapa teori yang mendukung penelitian yang dikutip dari beberapa referensi yang ada kaitan dengan penelitian.
Bangkitan Pergerakan
Pembangkit perjalanan atau bangkitan perjalanan ini berhubungan dengan penentuan jumlah perjalanan keseluruhan yang di bangkitkan oleh suatu kawasan, Miro (2005), Dalam prosesnya, bangkitan perjalanan ini dianalisis secara terpisah menjadi dua bagian yaitu Trip Production dan Trip Attraction, yaitu :
Volume 3, No. 3, Agustus 2014 - 130 1. Trip Production adalah jumlah perjalanan
yang dihasilkan suatu zona
2. Trip Attraction adalah jumlah perjalanan yang ditarik oleh suatu zona
Klasifikasi Aktivitas
Didalam penelitian transportasi, di jelaskan bahwa perjalanan berasal dari rumah tangga yang dilakukan dibawah spasial dan kepentingan sementara.
Pada penelitian ini ditinjau kegiatan yang dilakukan pekerja dan non pekerja yaitu Aktivitas fleksibel atau maintenance yaitu kegiatan seperti belanja harian, belanja yang tidak dilakukan perhari, membawa dan mengantar anak atau orang lain dan sebagainya yang dilakukan oleh pekerja serta non pekerja.
Seperti disebutkan dalam Vovsha, et all (2004), aktivitas maintenance rumah tangga dapat lebih lanjut di bagi dalam tiga kategori : belanja, antar jemput, dan aktivitas
maintenance lainnya.
Konsep Metode CHAID
Metode CHAID digunakan untuk menurunkan aturan-aturan keputusan. CHAID adalah algoritma berbasis chi-square untuk segmentasi data sebagai keturunan Thaid dan AID. Meskipun metode ini telah diusulkan dalam konteks analisis statistik, dapat dijalankan pada jenis data yang sama dan menghasilkan output bentuk yang mirip dibandingkan dengan metode induksi pohon keputusan yang telah dikembangkan di bawah judul dari suatu metode pembelajaran. CHAID
Metode pohon keputusan induksi memungkinkan seseorang untuk menentukan ambang batas untuk membelah dalam hal tingkat signifikansi untuk ukuran dan jumlah minimum kasus pada node daun. Alpha ditetapkan untuk 5% dan jumlah minimum kasus 100. CHAID hanya dapat menangani variabel kondisi kategoris, karena itu, atribut kontinyu seperti durasi dan frekuensi yang discretisized menggunakan metode yang sama-frekuensi
METODE PENELITIAN
Metode yang dilakukan untuk pengambilan data pada penelitian ini dengan 2 metode yaitu :
a. Metode Survei b. Metode Sampel
Jenis data yang digunakan dalam penelitian ini adalah data primer dan data sekunder. Data primer adalah data yang diperoleh langsung dari responden yaitu data kuesioner, yaitu data jumlah anggota keluarga (orang), jumlah penghasilan keluarga (rupiah), jumlah kepemilikan kendaraan (unit), jumlah keluarga yang bekerja (orang), jumlah keluarga yang sekolah (orang), jenis pekerjaan, umur, jumlah kegiatan dalam satu hari, jarak tempuh perjalanan.
Sedangkan data sekunder adalah data yang lebih dulu dikumpulkan dan dilaporkan oleh orang atau instansi. Di dalam penelitian ini data sekunder adalah data jumlah kepala keluarga pada kota Banda Aceh yang ditinjau diperoleh dari data penduduk pada tahun 2011.
131 - Volume 3, No. 3, Agustus 2014 Dari data diperoleh jumlah populasi di masing-masing kecamatan di kota Banda Aceh pada tahun 2011 dapat dilihat dari Tabel 1.
Tabel. 1 Data Jumlah Populasi Kota Banda Aceh 2011
No. Kecamatan Jumlah Populasi
(Jiwa) 1. Meuraxa 16.861 2. Jaya Baru 22.535 3. Banda Raya 21.369 4. Baiturrahman 31.073 5. Lueng Bata 24.132 6. Kuta Alam 43.184 7. Kuta Raja 10.672 8. Syiah Kuala 35.648 9. Ulee Kareng 23.088
Jumlah Total Populasi 228.562
Metode analisis data dalam pemodelan bangkitan pergerakan, menggunakan metode CHAID. CHAID digunakan untuk membentuk segmentasi yang membagi sebuah sampel menjadi dua atau lebih kelompok yang berbeda berdasarkan sebuah kriteria tertentu. Hal ini kemudian diteruskan dengan membagi kelompok-kelompok tersebut menjadi kelompok yang lebih kecil berdasarkan variabel-variabel independen yang lain. Hasilnya juga akan memberikan peringkat pada variabel yang merupakan variabel independen paling signifikan sampai yang tidak signifikan.
Dalam analisis CHAID variabel yang digunakan dibedakan atas variabel terikat (variabel dependen) dan variabel bebas (variabel independen). Klasifikasi dalam CHAID dilakukan berdasarkan pada hubungan yang ada antara kedua variabel tersebut, oleh karena itu CHAID termasuk dalam metode dependensi dalam menentukan segmentasi.
Hasil dari analisis CHAID akan ditampilkan dalam diagram pohon.
HASIL PEMBAHASAN
Berdasarkan hasil kuesioner yang diperoleh dari masing-masing penduduk kota Banda Aceh menunjukkan bahwa setiap anggota keluarga memiliki aktivitas berbeda-beda dan lebih dari satu aktivitas sehingga dalam menganalisa data kebutuhan pergerakan berdasarkan aktivitas yang dipilih. Aktivitas dari pekerja dan non pekerja sehingga akhirnya diperoleh 2 kelompok model bangkitan aktivitas bagi aktivitas pergerakan penduduk sebagai pekerja yaitu aktivitas maintenance dan aktivitas discretionary dan 2 model bangkitan aktivitas bagi aktivitas pergerakan penduduk sebagai non pekerja yaitu aktivitas maintenance dan aktivitas discretionary pada kota Banda aceh yang mana total keseluruhan menjadi 4 model bangkitan pergerakan.
Aktivitas Maintenance Bagi Pekerja
Aktivitas maintenance adalah aktivitas harian atau mingguan yang dilakukan secara tidak rutin dan tidak mesti dilakukan pada setiap harinya. Permodelan menggunakan clasify decision tree dengan metode CHAID, variabel terikat yang digunakan untuk model aktivitas maintenance berdasarkan aktivitas adalah aktivitas kepasar/supermarket, aktivitas antar jemput, aktivitas urusan rumah tangga dan aktivitas olahraga sedangkan yang menjadi variabel bebas yaitu jumlah keluarga, pendapatan, jumlah kepemilikan mobil, jumlah
Volume 3, No. 3, Agustus 2014 - 132 kepemilikan sepeda motor, jenis kelamin dan
jarak. hasil analisa data dapat dilihat pada diagram tree 1.
Dari hasil analisa data menggunakan
Decisions Tree diperoleh bangkitan aktivitas maintenance pada Node 0 dapat dilihat bahwa
aktivitas yang paling tinggi dilakukan yaitu aktivitas antar jemput dengan tingkat persentasi sebesar 68,2 % diikuti oleh aktivitas berbelanja yaitu sebesar 27% serta aktivitas urusan rumah tangga dan olahraga sebesar 3,4% dan 1,4 %. Node 0 dipengaruhi oleh jenis kelamin terbagi atas 2 simpul dengan nilai Chi-Square = 41,858 dan df = 4 dan nilai Chi-Square tabel = 3,3567, simpul yang paling besar dipengaruhi adalah Node 1 dimana pria lebih besar melakukan aktivitas maintenance dengan aktivitas antar jemput paling besar yaitu 73,8%, aktivitas berbelanja 20,8% serta aktivitas urusan rumah tangga dan olahraga sebesar 3,7% dan 1,7 %. Node 2 wanita melakukan aktivitas maintenance dengan aktivitas antar jemput paling besar yaitu 55,4%, aktivitas berbelanja 41,2% serta aktivitas urusan rumah tangga dan olahraga sebesar 2,7% dan 0,8%.
Pada Node 1 dipengaruhi oleh jumlah anggota keluarga terbagi atas 2 simpul dengan nilai Chi-Square = 41,858 dan df = 4 dan nilai Chi-Square tabel = 3,3567, simpul yang paling besar dipengaruhi adalah pada Node 3 dimana jumlah anggota keluarga sebanyak 3,4,5 dan 6 orang melakukan aktivitas maintenance dengan aktivitas antar jemput paling besar yaitu 78,2%, aktivitas berbelanja 17,1% serta aktivitas urusan rumah tangga dan olahraga sebesar 3,3% dan
1,5 % sedangkan pada Node 4 jumlah anggota keluarga sebanyak 1,2,7,8,9 dan 10 orang melakukan aktivitas maintenance dengan aktivitas berbelanja lebih besar yaitu 47,3%, aktivitas antar jemput sebesar 43,2% serta aktivitas urusan rumah tangga dan olahraga sebesar 6,8% dan 2,7 %.
Pada Node 2 juga dipengaruhi oleh jumlah anggota keluarga terbagi atas 2 simpul dengan nilai Chi-Square = 20,560 dan df = 4 dan nilai Chi-Square tabel = 3,3567
Pada Node 3 dipengaruhi oleh jarak yang terbagi atas 2 simpul dengan nilai Chi-Square = 32,989 dan df = 4 dan nilai Chi-Square tabel = 3,3567. Nilai Chi-Square hitung pada ke 3 faktor yaitu jenis kelamin, jumlah keluarga dan jarak tempuh dengan nilai α=0,05 lebih besar dari nilai chi-square tabel sehingga menunjukkan bahwa terdapat hubungan yang signifikan antara ke 3 (tiga) faktor dengan 4 (empat) aktivitas.
Aktivitas Discretionary Bagi Pekerja
Aktivitas discretionary adalah aktivitas yang dilakukan secara tidak rutin dan tidak mesti dilakukan pada setiap harinya. Dalam penelitian ini aktivitas discretionary dibagi ke dalam tiga kategori aktivitas yaitu refresing (makan di café, duduk di warkop, dan sebagainya), kunjungan sosial dan rekreasi, hasil analisa data dapat dilihat pada diagram tree 2.
Dari hasil analisa data menggunakan
Decisions Tree diperoleh bangkitan aktivitas discretionary pada Node 0 dapat dilihat bahwa
133 - Volume 3, No. 3, Agustus 2014 aktivitas yang paling tinggi dilakukan yaitu aktivitas lain-lain (refresing) dengan tingkat persentasi sebesar 59,9 % diikuti oleh aktivitas sosial yaitu sebesar 24,1% dan aktivitas rekreasi sebesar 16%. Pada Node 0 dipengaruhi oleh jarak tempuh yang terbagi atas 2 simpul dengan nilai Chi-Square = 95,238 dan df = 2 dan nilai Chi-Square tabel = 1,3863, simpul yang paling besar dipengaruhi adalah Node 1 dimana jarak tempuh 0 – 5 km lebih besar melakukan aktivitas discretionary dengan aktivitas lain-lain (refresing) paling besar yaitu 73%, aktivitas sosial 19,8% dan aktivitas rekreasi sebesar 7,2% . Node 2 jarak tempuh > 5 Km melakukan aktivitas discretionary dengan aktivitas rekreasi paling besar yaitu 34,7%, aktivitas sosial 33,5% dan aktivitas lain-lain (refresing) sebesar 31,7%.
Pada Node 2 dipengaruhi oleh jenis pekerjaan yang terbagi atas 2 simpul dengan nilai Chi-Square = 22,705 dan df = 2 dan nilai Chi-Square tabel = 1,3863. Pada Node 3 dipengaruhi oleh jumlah kepemilikan kendaraan bermotor yang terbagi atas 2 simpul dengan nilai Chi-Square = 17,265 dan df = 2 dan nilai Chi-Square tabel = 1,3863.
Nilai Chi-Square hitung dengan nilai α=0,05 maka lebih besar dari nilai chi-square tabel sehingga menunjukkan bahwa terdapat hubungan yang signifikan antara jenis pekerjaan dengan 3 (tiga) aktivitas.
Aktivitas Maintenance Bagi Non Pekerja Permodelan menggunakan clasify decision tree dengan metode CHAID, Hasil
data dapat dilihat pada pada diagram tree 3. Dari hasil analisa data menggunakan
Decisions Tree diperoleh bangkitan aktivitas maintenance bagi non pekerja pada Node 0
dapat dilihat bahwa aktivitas yang paling tinggi dilakukan yaitu aktivitas berbelanja dengan tingkat persentasi sebesar 59,9 % diikuti oleh aktivitas antar jemput yaitu sebesar 37,9% serta aktivitas urusan rumah tangga dan olahraga sebesar 1,7% dan 0,4 %. Node 0 dipengaruhi oleh jumlah anggota keluarga untuk melakukan aktivitas maintenance yang terbagi 3 simpul dengan nilai Chi-Square = 85,838 dan df = 8 dan nilai Chi-Square tabel = 7,3441.
Pada untuk Node 1 dipengaruhi oleh jumlah kepemilikan kendaraan bermotor melakukan aktivitas maintenance yang terbagi 2 simpul dengan nilai Chi-Square = 19,679 dan df = 3 dan nilai Chi-Square tabel = 2,3660.
Pada Node 2 juga dipengaruhi oleh jumlah kepemilikan kendaraan bermotor melakukan aktivitas maintenance yang terbagi atas 2 simpul dengan nilai Chi-Square = 19,700 dan df = 4 dan nilai Chi-Square tabel = 3,3567.
Pada Node 6 dipengaruhi oleh jumlah kepemilikan mobil melakukan aktivitas
maintenance yang terbagi atas 2 simpul dengan
nilai Chi-Square = 14,759 dan df = 3 dan nilai Chi-Square tabel = 2,3660.
Nilai Chi-Square hitung pada ke 3 (tiga) faktor yaitu jumlah keluarga, jumlah kepemilikan kendaraan bermotor dan jumlah kepemilkikan mobil dengan nilai α=0,05 maka lebih besar dari nilai chi-square tabel sehingga menunjukkan bahwa terdapat hubungan yang
Volume 3, No. 3, Agustus 2014 - 134 signifikan antara ke 3 (tiga) faktor dengan 4
(empat) aktivitas.
Aktivitas Discretionary Bagi Non Pekerja Permodelan menggunakan clasify decision tree dengan metode CHAID, Hasil data dapat dilihat pada pada diagram tree 4.
Dari hasil analisa data menggunakan
Decisions Tree diperoleh bangkitan aktivitas discretionary pada Node 0 dapat dilihat bahwa
aktivitas yang paling tinggi dilakukan yaitu aktivitas sosial dengan tingkat persentasi sebesar 46,5 % diikuti oleh aktivitas lain-lain (resfresing) yaitu sebesar 40,7% dan aktivitas rekreasi sebesar 12,8%. Pada Node 0
dipengaruhi oleh jenis pekerjaan yang terbagi atas 2 simpul dengan nilai Chi-Square = 33,546 dan df = 2 dan nilai Chi-Square tabel = 1,3863, pada Node 1 dimana jenis pekerjaan sebagai pensiunan, pengangguran dan lain-lain melakukan aktivitas discretionary dengan aktivitas lain-lain (refresing) paling besar yaitu 56,4%, aktivitas sosial 34,5% dan aktivitas rekreasi sebesar 9,1% . Node 2 dimana jenis pekerjaan sebagai ibu rumah tangga melakukan aktivitas discretionary dengan aktivitas sosial paling besar yaitu 58,5%, aktivitas lain-lain (refresing) yaitu 25% dan aktivita rekreasi sebesar 16,5%.
135 - Volume 3, No. 3, Agustus 2014
Diagram Tree. 2 Aktivitas Discretionary Bagi Pekerja
Volume 3, No. 3, Agustus 2014 - 136
Diagram Tree. 4 Aktivitas Discretionary Bagi Non Pekerja
KESIMPULAN DAN SARAN Kesimpulan
Berdasarkan hasil analisis dan pembahasan dapat diambil beberapa kesimpulan sebagai berikut:
1. Model kebutuhan pergerakan aktivitas bagi pekerja dan faktor-faktor yang mempengaruhi adalah :
a. Model aktivitas maintenance bagi pekerja
Aktivitas yang paling tinggi dilakukan menurut pengklasifikasian perkiraan yaitu aktivitas antar jemput sebesar 100 % sedangkan faktor yang mempengaruhi terdiri dari 3 yaitu; faktor jenis kelamin, faktor jumlah anggota keluarga dan faktor jarak tempuh.
b. Model aktivitas discretionary bagi pekerja
Aktivitas yang paling tinggi dilakukan
menurut pengklasifikasian perkiraan yaitu aktivitas lain-lain (refresing) sebesar 77,90%, aktivitas rekreasi 12,50% dan aktivitas sosial sebesar 9,50% sedangkan faktor mempengaruhi terdiri dari 3 yaitu; faktor jarak tempuh, faktor jenis pekerjaan dan faktor jumlah kendaraan bermotor
2. Model kebutuhan pergerakan aktivitas bagi non pekerja dan faktor-faktor yang mempengaruhi adalah :
a. Model aktivitas maintenance bagi non pekerja
Aktivitas yang paling tinggi dilakukan menurut pengklasifikasian perkiraan yaitu aktivitas berbelanja sebesar 54,7 % dan aktivitas antar jemput sebesar 45,3% sedangkan faktor yang mempengaruhi terdiri dari 3 faktor yaitu; faktor jumlah
137 - Volume 3, No. 3, Agustus 2014 keluarga, faktor jumlah kendaraan bermotor dan faktor jumlah mobil. b. Model aktivitas discretionary bagi non
pekerja
Aktivitas yang paling tinggi dilakukan menurut pengklasifikasian perkiraan yaitu aktivitas lain-lain (refresing) sebesar 50,20% dan aktivitas sosial 49,80% sedangkan faktor yang dominan mempengaruhi kebutuhan pergerakan dari aktivitas discretionary bagi non pekerja jenis pekerjaan.
Saran
1. Perlu adanya peninjauan ulang dengan menambahkan faktor-faktor lain yang berpengaruh sehingga menghasilkan model yang lebih baik lagi dan memiliki alokasi keputusan yang tinggi terhadap kebutuhan pergerakan sebagai variabel yang ditinjau dari kota Banda Aceh.
2. Hasil dari penelitian ini dapat dijadikan bahan pembelajaran bagi kalangan akademisi dalam hal kebutuhan pergerakan (Trip Generation) untuk melihat tingkat alokasi keputusan serta faktor yang mempengaruhi pada kebutuhan pergerakan pada suatu kawasan
DAFTAR KEPUSTAKAAN
Anggraini, R., Arentze, T.A., & Timmermans, H.J.P. (2006). „A model of within-household travel activity decisions capturing interactions between household heads‟. In J.P. van Leeuwen and H.J.P. Timmermans (eds.)
Progress in Design and Decision Support Systems in Architecture and Urban Planning,
Eindhoven University of Technology, The Netherlands
Anggraini R, et al, 2007. Modeling Household
Activity Generation and Allocation Decisions
Using Decision Tree Induction, Paper
Presented in WCTR Conference 2007, Berkeley USA.
Bagozzi, R.P. 1994, Research Oxford Advanced
Methods Of Marketing, London.
Gallagher, C.A., (2000), An Iterative Approach
to Classification Analysis,
http://www.casact.org/pubs/dpp/dpp90/90 dpp237.pdf diakses pada tanggal 10 April 2013
Kitamura, R. (1995). “Applications of models of activity behavior for activity based demand forecasting,” presented at the Activity-Based Travel Forecasting Conference, New Orleans, Louisiana
Miro. F. 2005. Perencanaan Transportasi, Penerbit Erlangga, Jakarta.
Tamin. O.Z. 2008. Perencanaan dan Pemodelan
Transportasi, Penerbit ITB, Bandung.
Myers. J . G 1996, Principle Of Corporations
Finance, New York
Vovsha. P, Petersen. E, Donnely. R. 2004. A Model
for Allocation of Maintenance Activities to the Household Members, Papers Presented at
the 83th Annual Meeting of the TRB, Washington D.C.