PENGARUH JENIS METODE ESTIMASI DALAM ESTIMASI MATRIKS ASAL TUJUAN (MAT) MENGGUNAKAN DATA ARUS LALULINTAS PADA KONDISI PEMILIHAN RUTE KESEIMBANGAN (EQUILIBRIUM ASSIGNMENT) Rusmadi Suyuti Mahasiswa Program S3 Pascasarjana Teknik Sipil ITB Gedung Lab Tek I Lantai 2 Jln. Ganesha 10 Bandung – 40132 Telp: (022) 2502350 Fax: (022) 251 2395 e-mail:
[email protected]
Ofyar Z. Tamin Staf Pengajar dan Peneliti Departemen Teknik Sipil Institut Teknologi Bandung Jalan Ganesha 10, Bandung 40132 Telp: (022) 250 2350 Fax: (022) 251 2395 e-mail:
[email protected]
Abstrak Pada hampir semua aplikasi perencanaan transportasi, input data yang paling sulit dan mahal untuk diperoleh adalah Matriks Asal Tujuan (MAT). Metodologi telah dikembangkan untuk mendapatkan MAT tersebut yang secara garis besar dikelompokkan menjadi 2 (dua), yaitu metode konvensional dan metode tidak konvensional. Penggunaan metode tidak konvensional dalam hal ini mempunyai keunggulan komparatif dibandingkan metode konvensional dalam hal kemudahan memperoleh data, murah, cepat, dan tidak mengganggu arus lalulintas. Meskipun demikian terdapat beberapa faktor yang mempengaruhi akurasi MAT yang dihasilkan dari data arus lalulintas, diantaranya adalah metode estimasi dan teknik pemilihan rute yang digunakan. Pada penelitian ini dikaji penggunaan teknik pemilihan rute tidak proporsional, yaitu pemilihan rute keseimbangan (equilibrium assignment), untuk melakukan estimasi MAT dengan berbagai jenis metode estimasi. Jenis metode estimasi yang akan ditinjau adalah Kuadrat Terkecil (KT), Kemiripan Maksimum (KM), Inferensi Bayes (IB), dan Entropi-Maksimum (EM). Penggunaan metode pemilihan rute ini memerlukan proses pengulangan, di mana proporsi pemilihan rute yang digunakan untuk menaksir MAT selanjutnya digunakan kembali untuk memperbaiki nilai proporsi tersebut. Dari penelitian ini dapat disimpulkan bahwa terdapat tingkat akurasi yang cukup tinggi dalam proses estimasi MAT. Hal tersebut ditunjukkan oleh nilai optimum fungsi tujuan serta hasil pengujian statistika. Kata-kata kunci: pemodelan transportasi, matriks asal-tujuan, metode estimasi, distribusi perjalanan, pemilihan rute
PENDAHULUAN Pada hampir seluruh aplikasi perencanaan transportasi, input data yang paling sulit dan mahal diperoleh adalah matriks asal-tujuan (MAT). Metode yang telah dikembangkan untuk mendapatkan MAT secara garis besar dikelompokkan menjadi 2 (dua), yaitu metode konvensional dan metode tidak konvensional. Metode konvensional untuk mendapatkan MAT dilakukan melalui survei wawancara rumah tangga atau survei wawancara di tepi jalan. Survei tersebut biasanya memerlukan biaya yang besar, tenaga surveyor yang banyak, ketelitian yang tinggi dalam pengolahan data, waktu yang lama, serta umumnya mengganggu pengguna jalan.
Jurnal Transportasi Vol. 5 No. 2 Desember 2005: 159-170
159
Untuk mengatasi kendala tersebut, telah dikembangkan metode lain, yaitu metode tidak konvensional. Metode ini menggunakan informasi data arus lalulintas di ruas jalan untuk memperkirakan MAT. Meskipun demikian, menurut Tamin (1988), terdapat beberapa faktor yang mempengaruhi akurasi MAT yang dihasilkan dari data arus lalulintas, yaitu: (1) Pemilihan model kebutuhan akan transportasi (2) Metode estimasi untuk mengkalibrasi parameter model transportasi (3) Teknik pemilihan rute (4) Tingkat kesalahan pada data arus lalulintas (5) Tingkat resolusi sistem zona dan sistem jaringan Dengan meninjau faktor-faktor pengaruh tersebut, maka akurasi MAT yang dihasilkan dari informasi data arus lalulintas akan dapat ditingkatkan. Penelitian ini bertujuan untuk meninjau tingkat akurasi MAT yang dihasilkan dari informasi data arus lalulintas yang dipengaruhi oleh faktor-faktor: (1) Metode Sebaran Pergerakan “Gravity” (2) Metode Estimasi Kuadrat Terkecil (KT), Kemiripan Maksimum (KM), Inferensi Bayes (IB), dan Entropi Maksimum (EM) (3) Teknik Pemilihan Rute Keseimbangan (Equilibrium Assignment) Proses penggunaan teknik pemilihan rute keseimbangan memerlukan proses pengulangan, di mana nilai peubah proporsi pergerakan dari zona asal i ke zona tujuan d yang menggunakan ruas l, yang nilainya antara 0 dan 1, akan selalu berubah-ubah jika dilakukan perubahan terhadap MAT awal. METODOLOGI STUDI Metodologi Penelitian Metodologi ini disusun agar setiap tahap kegiatan pada proses penelitian ini dapat berjalan dengan baik, sehingga dapat mencapai tujuan penelitian yang telah ditetapkan sebelumnya. Secara umum, metodologi ini dapat dilihat pada bagan alir yang terdapat pada Gambar 1.
Jurnal Transportasi Vol. 5 No. 2 Desember 2005: 159-170
160
INPUT DATA Data arus lalulintas Sistem Jaringan Sistem Zona Oi, Dd Cid
B
Hitung
∂Tid ∂ 2Tid Tid ; ; ∂β ∂β 2
Estim asi Nilai Aw al Param eter (β )
Hitung
pidl
A
A
Hitung
Fungsi Ham batan
∂Fid ∂ Fid ; ∂β ∂β 2 2
Fid ;
f;
∂f ∂β
Sesuai Metode Penaksiran (KT,KM,IB,EM)
(eksponensial negatif, pangkat dan Tanner)
h=−f /
Faktor Penyeim bang
Ai ; Bd
Konv ergensiFaktor Penyeimbang ?
tidak
∂f ∂β
Periksa: h ≈ 0
β m +1 = β m + h tidak
ya ya
STOP
∂Ai ∂Bd ; ∂β ∂β
Konv ergensi?
tidak
ya
∂ Ai ∂ 2 Bd ; ∂β 2 ∂β 2 2
Konv ergensi?
tidak
ya B
Gambar 1 Bagan Alir Metodologi Penelitian
Pengaruh jenis metode estimasi dalam estimasi matriks (Rusmadi S. dan Ofyar Z. Tamin)
161
Model Gravity Pada model gravity penyebaran pergerakan didasarkan pada aksesibilitas, bangkitan, dan tarikan dari zona asal ke zona tujuan. Gambaran tingkat kemudahan dalam mencapai zona tujuan dalam model ini dinyatakan dalam fungsi biaya perjalanan atau fungsi hambatan (impedance function). Model ini diilhami oleh konsep hukum gravity Newton (Tamin, 2000). Persamaan model gravity adalah sebagai berikut:
Tid = O i .D d .A i .B d .f (C id )
(1)
dengan:
Ai =
1 ∑ (Bd D d f (C id ))
(2)
1 ∑ (A i O i f (C id ))
(3)
i
Bd =
d
Tid Ai ; Bd Oi Dd f(Cid)
= = = =
jumlah pergerakan dari zona asal i ke zona tujuan d faktor penyeimbang masing-masing untuk setiap asal i dan tujuan d total pergerakan dari zona asal i total pergerakan ke zona tujuan d
= fungsi umum biaya perjalanan / fungsi hambatan Persamaan fungsi hambatan, diantaranya, adalah:
Fungsi Pangkat
:
f (C id ) = C id− α
(4)
Fungsi eksponensial
:
f (C id ) = e −βCid
(5)
Fungsi Tanner
:
f (C id ) = C idα .e −βCid
(6)
Pada studi ini digunakan fungsi eksponensial sebagai fungsi hambatan. Hal tersebut mengingat fungsi ini lebih cocok digunakan untuk pergerakan jarak pendek (pergerakan dalam kota). Metode Estimasi Kuadrat Terkecil (KT) Ide utama di balik metode penaksiran ini adalah mencoba mengkalibrasi parameter model transportasi yang tidak diketahui, sehingga meminimumkan jumlah perbedaan kuadrat antara arus lalulintas hasil estimasi dan hasil pengamatan. Tetapi, seperti dinyatakan oleh Tamin (1998), fungsi tujuan model penaksiran ini lebih mengutamakan pengurangan perbedaan atau deviasi pada arus lalulintas bervolume tinggi, dan bukan pada arus lalulintas bervolume rendah. Untuk mempertimbangkan hal ini, dapat digunakan jenis fungsi tujuan yang berbeda, yang dikenal dengan metode penaksiran kuadrat terkecil berbobot (KTB). Pada KTB, setiap perbedaan diberi bobot dan jumlah kuadratnya diminimumkan untuk meningkatkan kepentingan arus lalulintas bervolume rendah. Menurut Tamin (1988), pembobotan dilakukan dengan memasukkan faktor pembagi yang sama dengan data arus lalulintas hasil pengamatan.
Jurnal Transportasi Vol. 5 No. 2 Desember 2005: 159-170
162
Secara matematis, masalah kalibrasi dari metode penaksiran kuadrat terkecil (KT dan
= 1 untuk KT atau V = V ˆ untuk KTB: KTB) dapat dinyatakan sebagai berikut dengan V l l l
(
V −V ˆ l Min S = ∑ l V l =1 l L
) 2
(7)
dengan: Vl = jumlah arus di ruas hasil estimasi
ˆ V l
= jumlah arus di ruas hasil pengamatan
Mendapatkan nilai parameter yang tidak diketahui (α dan β) dapat dilakukan dengan membuat turunan pertama S terhadap parameter tersebut sama dengan 0 (nol). Jika fungsi hambatan yang digunakan adalah fungsi eksponensial negatif, maka nilai parameternya bisa didapat dari:
1 ∂S = ∑ ∂α l Vl
l ˆ ∑∑ ∂ Tid . p l = 0 2 ∑∑ Tid . p id − V l id i d ∂ α i d
(8)
1 ∂S = ∑ ∂β l Vl
l ˆ ∑∑ ∂ Tid . p l = 0 2 ∑∑ Tid . p id − V l id i d ∂ β i d
(9)
Jumlah arus di ruas hasil estimasi dapat dinyatakan sebagai berikut:
Vl = ∑∑ Tid .p idl i
(10)
d
dengan Tid diperoleh dari model sebaran pergerakan dan proporsi pergerakan dari zona asal i ke zona tujuan d yang menggunakan ruas l diperoleh dari model pemilihan rute. N N ∂Vl ∂T = ∑∑ id .p idl ∂β i =1 d =1 ∂β
(11)
N N ∂ 2 Tid l ∂ 2 Vl = ∑∑ 2 .p id ∂β 2 i =1 d =1 ∂β
(12)
Persamaan tersebut adalah sistem persamaan simultan dengan 2 (dua) parameter α dan β yang tidak diketahui. Metode kalibrasi Newton-Raphson yang dikombinasikan dengan teknik eliminasi matriks Gauss-Jordan bisa digunakan untuk menyelesaikan persamaan tersebut. Metode Estimasi Kemungkinan Maksimum (KM) Tamin (1988, 1999) juga sudah membangun metode estimasi yang mencoba untuk memaksimumkan kemungkinan yang tercantum pada persamaan di bawah. Kerangka kerja metode estimasi KM adalah berupa pemilihan hipotesis H yang memaksimumkan persamaan di bawah dengan batasan tertentu, yang nantinya menghasilkan sebaran Vl yang paling sesuai dengan data
ˆ ). Fungsi obyektif kerangka kerja ini adalah: hasil survey ( V l Pengaruh jenis metode estimasi dalam estimasi matriks (Rusmadi S. dan Ofyar Z. Tamin)
163
L = c.∏ p lVl
(13)
∑V
(14)
ˆ
Memaksimumkan :
l
dengan batasan :
l
ˆ =0 −V T
l
dengan:
ˆ = arus total lalulintas hasil pengamatan V T c
= konstanta, dimana p l =
Vl ˆ V
T
Dengan mensubstitusikan persamaan di atas, akhirnya fungsi obyektif metode estimasi KM dapat dinyatakan dalam persamaan:
ˆ −V ˆ . log V ˆ + log c (15) .p idl − θ.∑∑ Tid .p idl + θ.V T T e T e i d l i d ˆ =0 tujuan parameter tambahan θ adalah untuk menjamin agar persamaan pembatas ∑ Vl − V T maks: L1 =
∑ Vˆ . log ∑∑ T l
e
id
l
selalu terpenuhi. Untuk mendapatkan nilai parameter β dan parameter tambahan θ, diperlukan dua persamaan berikut:
∂Tid l .p id ∑∑ ∂T ∂L1 ∂β i d ˆ − θ.∑∑ id .p idl = 0 = ∑ Vl . l ∂β Tid .p id i d ∂β l ∑∑ i d
(16)
∂L1 ˆ =0 = −θ.∑∑ Tid .p idl − V T ∂θ i d
(17)
Persamaan di atas adalah sistem dengan 2 persamaan simultan yang mempunyai 2 parameter yang tidak diketahui β dan θ yang harus di estimasi. Lagi, metode Newton-Raphson dikombinasikan dengan teknik eliminasi Gauss-Jordan dapat digunakan untuk menyelesaikan persamaan di atas. Metode Estimasi Inferensi Bayes (IB) Tamin (1999) menyebutkan bahwa metode ini menggunakan suatu probabilitas subyektif untuk mengukur tingkat kepercayaan tentang suatu keadaan. Pada metode ini, pertimbangan subyektif berdasarkan intuisi, pengalaman, atau informasi yang tidak langsung, secara sistematis digabungkan dengan data pengamatan untuk mendapatkan suatu taksiran yang seimbang. Ide utama metode estimasi Inferensi Bayes adalah dengan mengkombinasikan hipotesis yang ada dengan observasi yang akan menghasilkan suatu hipotesis baru. Jika seseorang percaya 100% pada hipotesis seseorang dan tidak ada observasi acak, bagaimanapun luar biasanya, akan mengubah pendapat seseorang dan hasil yang keluar akan identik dengan hipotesis awal. Pada sisi
Jurnal Transportasi Vol. 5 No. 2 Desember 2005: 159-170
164
lain, seseorang tidak begitu percaya akan hipotesis yang ada, tahap observasi akan memainkan peranan yang besar untuk menghasilkan suatu kesimpulan akhir. Fungsi obyektif metode estimasi Inferensi Bayes (IB) adalah: Memaksimumkan: IB(τ l Vl ) =
∑ (Vˆ log V ) L
l =1
l
e
(18)
l
Dengan mensubstitusi persamaan tersebut dengan persamaan Vl =
∑∑ T
id
i
.p idl , fungsi obyektif
d
dapat ditulis menjadi: Memaksimumkan: IB(τ l Vl ) =
ˆ N N l V log ∑ l e ∑∑ Tid . p id l =1 i d L
(19)
Untuk menjadi nilai parameter α dan β, dengan jalan memaksimumkan persamaan, diperlukan persamaan berikut:
N N ˆ ∂ Tid l V ∂ IB = ∑ ∑∑ . p id . N N l ∂α l l =1 i =1 d =1 ∂ α ∑∑ Tid . p id i =1 d =1 L
(
N N ˆ ∂ Tid l V ∂ IB . p id . N N l = ∑ ∑∑ ∂β l l =1 i =1 d =1 ∂ β ∑∑ Tid . p id i =1 d =1
)
L
(
)
= 0
(20)
= 0
(21)
Persamaan di atas adalah sistem dengan 2 persamaan simultan yang mempunyai 2 parameter yang tidak diketahui α dan β yang harus di estimasi. Untuk kasus ini, sekali lagi metode Newton-Raphson yang dikombinasikan dengan teknik eliminasi Gauss-Jordan dapat digunakan untuk menyelesaikan persamaan di atas. Metode Estimasi Entropi Maksimum (EM) Konsep dasar metode ini adalah sebagai berikut: (1) Metode estimasi ini dikembangkan dari analogi fisika, yang dalam bidang mekanika statika dikenal dengan konsep tentang metode penyusunan mikro tentang sistem tertentu seperti molekul gas (2) Bila dipandang dari model sebaran perjalanan dapat dikatakan bahwa pergerakan yang terjadi dianggap sebagai molekul gas yang dapat bergerak bebas, sehingga menghasilkan sebaran maksimum atau distribusinya di atas Memperhatikan konsep dasar metode ini, selanjutnya dimulai dengan menyatakan suatu wilayah studi sebagai suatu sistem yang terdiri atas sejumlah elemen-elemen yang berbeda. Dalam hal ini ada tiga keadaan suatu sistem, yaitu: (1) micro states; mengidentifikasi perjalanan setiap orang
Pengaruh jenis metode estimasi dalam estimasi matriks (Rusmadi S. dan Ofyar Z. Tamin)
165
(2) meso states; kumpulan dari micro states dengan tempat asal dan tujuan yang sama (Tid) (3) macro states; kumpulan bangkitan dan tarikan (Oi dan Dd) Tamin (1998) sudah merancang pendekatan entropi maksimum untuk mengkalibrasi parameter model gravity. Sekarang, pendekatan ini digunakan untuk menciptakan prosedur kalibrasi parameter yang tidak diketahui dari model sebaran pergerakan berdasarkan informasi data arus lalulintas. Wilson (1970), seperti tertulis dalam Tamin (2000), telah menjelaskan bahwa jumlah status mikro W{Vl}yang terkait dengan status meso Vl diperoleh dari:
W[Vl ] =
VT !
(22)
L
∏V ! l
l =1
Kunci untuk model metode umum ini adalah mengidentifikasi deskripsi daerah mikro, sedang, dan makro yang cocok, bersama dengan batasan level makro harus dapat menghasilkan solusi dari optimasi permasalahan. Dalam beberapa kasus, akan ada beberapa informasi tambahan dalam bentuk anggapan atau nilai lama dari daerah sedang, sebagai contoh data arus lalulintas hasil pengamatan (Vl). Secara matematis, fungsi obyektif dari metode estimasi EM dapat ditulis sebagai berikut: Memaksimumkan:
L V E l = log e W ′′ = −∑ Vl log e l ˆ l =1 Vl
ˆ − Vl + V l
(23)
Untuk menjadi nilai parameter α dan β, dengan jalan memaksimumkan persamaan, diperlukan persamaan berikut:
L N N ∂ Tid l ∂ E1 . p id . log e = −∑ ∑∑ ∂α l =1 i =1 d =1 ∂ α
∑∑ T
L N N ∂ Tid l ∂ E1 . p id . log e = −∑ ∑∑ ∂β l =1 i =1 d =1 ∂ β
∑∑ T
N
i =1
N
i =1
. p idl d =1 = 0 ˆ Vl N
id
. p idl d =1 = 0 ˆ V l
(24)
N
id
(25)
Persamaan di atas adalah sistem dengan 2 persamaan simultan yang mempunyai 2 parameter yang tidak diketahui α dan β yang harus di estimasi. Metode Newton-Raphson dikombinasikan dengan teknik eliminasi Gauss-Jordan dapat digunakan untuk menyelesaikan persamaan tersebut.
Jurnal Transportasi Vol. 5 No. 2 Desember 2005: 159-170
166
ANALISIS DATA Untuk mencari validasi setiap metode estimasi digunakan data arus lalulintas Kota Bandung. Model jaringan jalan dibentuk sebagai wakil suplai jaringan jalan, yang terdiri atas 1238 ruas (total 2279 ruas jalan per arah) yang meliputi semua jalan arteri, kolektor, dan beberapa ruas jalan lokal penting. Model sistem zona yang mewakili sisi permintaan perjalanan terdiri atas 125 zona, dengan perincian 100 zona internal di wilayah Kota Bandung dan 25 zona eksternal di wilayah Kabupaten Bandung, Kota Cimahi, dan Kabupaten Sumedang. Uji statistika yang dilakukan adalah uji Root Mean Square Error (RMSE maupun %RMSE), Mean Absolute Error (MAE maupun NMAE), dan koefisien determinasi (R2 dan SR2). Perilaku Setiap Model Estimasi Dengan menggunakan data Kota Bandung, ada beberapa perilaku khusus setiap metode estimasi, seperti ditunjukkan pada Tabel 1, di mana diperlihatkan tingkat kinerja setiap metode estimasi yang bergantung pada kriteria tertentu. Tabel 1 dapat digunakan sebagai acuan untuk menentukan metode estimasi terbaik dan perilakunya terhadap beberapa faktor, yaitu akurasi, waktu proses, kepekaan terhadap kesalahan data arus lalulintas, kepekaan terhadap kedalaman resolusi sistem zona dan jaringan, dan kepekaan terhadap jumlah data arus lalulintas. Tamin et al (1999) menggunakan skala pemeringkatan antara 1 hingga 8, yang digunakan untuk memperlihatkan kinerja metode estimasi, sesuai dengan setiap kriteria. Hal ini dilakukan untuk dapat menggabungkan dan sekaligus menyeragamkan beberapa skala kuantitatif yang berbeda-beda kriteria menjadi skala 1 hingga 8. Skala 1 menunjukkan kinerja paling buruk, sedangkan skala 8 menunjukkan kinerja terbaik. Tabel 1 Peringkat Kinerja Metode Estimasi Sesuai dengan Kriteria Metode Estimasi G R
Akurasi
KTTL 6 KM 2 IB 1 ME 3 G KTTL 8 O KM 5 IB 4 ME 7 Sumber: Tamin et al (1999)
Waktu Proses Komputer 8 6 6 5 4 2 3 2
Kriteria Kepekaan Terhadap Kepekaan Terhadap Kesalahan Data Arus Resolusi Sistem Zona Lalulintas dan Jaringan 8 7 7 8 6 5 5 6 NA NA NA NA NA NA NA NA
Kepekaan Terhadap Jumlah Data Arus Lalulintas 4 3 1 2 8 7 5 6
Terlihat dari kriteria akurasi dan kepekaan terhadap jumlah data arus lalulintas, model GO dengan metode estimasi KTTL menunjukkan kinerja yang terbaik, sedangkan jika dilihat dari kriteria waktu proses, kepekaan terhadap kesalahan data arus lalulintas, model GR dengan metode estimasi KTTL menunjukkan kinerja yang terbaik. Secara umum dapat disimpulkan bahwa metode estimasi KTTL menunjukkan kinerja yang terbaik di antara metode yang ada dilihat dari berbagai kriteria. Pengaruh jenis metode estimasi dalam estimasi matriks (Rusmadi S. dan Ofyar Z. Tamin)
167
Hasil Analisis Statistika Tabel 2 menunjukkan nilai-nilai yang diperoleh dari analisis statistika terhadap volume lalulintas hasil pengamatan dibandingkan dengan volume lalulintas hasil estimasi. Beberapa kesimpulan yang dapat diambil dari Tabel 2 tersebut adalah: (1) Pada tingkat level arus, didapatkan bahwa model GO memberikan estimasi yang lebih baik. Tetapi dengan menimbang kriteria-kriteria yang lain, dapat diambil kesimpulan bahwa metode estimasi yang terbaik secara keseluruhan adalah kombinasi model GR dengan metode estimasi KT (2) Pendekatan metode estimasi sebaran pergerakan ini sangat menguntungkan, karena dari tingkat akurasi arus lalulintas yang dihasilkan oleh metode estimasi hanya berbeda sedikit saja dengan arus lalulintas yang dihasilkan oleh survey secara langsung.
Tabel 2 Indikator Uji Statistika
No 1 2 3 4 5 6
Indikator Uji Statistika RMSE %RMSE (%) MAE NMAE (%) R2 SR2
KuadratTerkecil 1391,2075 1,17517 10374,2656 157,7391 0,9877 0,9884
KuadratTerkecilBerbobot 1416,6268 1,1966 10579,4355 160,8587 0,9872 0,9884
Fungsi Tanner KemiripanMaksimum
InferensiBayes
EntropiMaksimum
1486,4076 1,2556 10831,1064 164,6853 0,9859 0,9873
1490,9651 1,2594 10950,8105 166,5054 0,9858 0,9872
1468,4908 1,2404 10760,0986 163,6056 0,9863 0,9876
KESIMPULAN DAN REKOMENDASI Penelitian ini mengkaji pengaruh model gravity terhadap akurasi perkiraan MAT berdasarkan data arus lalulintas dalam kondisi pemilihan rute keseimbangan (equilibrium assignment). Pada kondisi tersebut nilai proporsi pemilihan ruas jalan l untuk pergerakan dari zona i ke zona d adalah antara 0 dan 1, serta bergantung pada nilai sel-sel dalam MAT. Penelitian ini bertujuan untuk meninjau tingkat akurasi MAT yang dihasilkan dari informasi data arus lalulintas yang dipengaruhi oleh faktor-faktor: (1) Metode Sebaran Pergerakan “Gravity” (2) Metode Estimasi Kuadrat Terkecil (KT), Kemiripan Maksimum (KM), Inferensi Bayes (IB), dan Entropi Maksimum (EM) (3) Teknik Pemilihan Rute Keseimbangan (Equilibrium Assignment) Hasil estimasi menunjukkan bahwa metode estimasi yang mempunyai tingkat kinerja terbaik adalah metode estimasi Kuadrat Terkecil Tidak Berbobot (KT). Hal tersebut didasarkan pada nilai hasil uji statistika.
Jurnal Transportasi Vol. 5 No. 2 Desember 2005: 159-170
168
DAFTAR PUSTAKA Tamin, O.Z. 1988. The Estimation of Transport Demand Models from Traffic Counts. PhD Dissertation of the University of London, University College London. Tamin, O.Z. and Willumsen, L.G. 1988. Transport Demand Model Estimation from Traffic Counts. Journal of Transportation, UK. Tamin, O.Z., Sjafruddin, A. dan Hidayat, H. 1999. Dynamic Origin-Destination (O-D) Matrices Estimation from Real Traffic Count Information. 3rd EASTS Conference Proceeding, Taipei. Tamin, O.Z. 2000. Perencanaan dan Pemodelan Transportasi. Edisi 2, Penerbit ITB, Bandung. Tamin, O.Z. et al. 2000. Dynamic Origin-Destination (OD) Matrices Estimation from Real Time Traffic Count Information. Laporan Tahap I, Graduate Team Research Grant, Batch IV, University Research for Graduate Education (URGE) Project. Bandung. Tamin, O.Z. et al. 2001. Dynamic Origin-Destination (OD) Matrices Estimation from Real Time Traffic Count Information. Laporan Akhir, Graduate Team Research Grant, Batch IV, University Research for Graduate Education (URGE) Project. Bandung. Willumsen, L.G. 1981. An Entropy Maximising Model for Estimating Trip Matrices from Traffic Counts. PhD Thesis, Department of Civil Engineering, University of Leeds.
Pengaruh jenis metode estimasi dalam estimasi matriks (Rusmadi S. dan Ofyar Z. Tamin)
169
Jurnal Transportasi Vol. 5 No. 2 Desember 2005: 159-170
170