METODE PERKIRAAN KEBUTUHAN TRANSPORTASI

METODE PERKIRAAN KEBUTUHAN TRANSPORTASI

METODE PERKIRAAN KEBUTUHAN TRANSPORTASI:


SUATU KAJIAN LITERATUR



NAMA : REMPU S. RAYAT


(Mahasiswa Doktoral pada Prodi Transportasi, SAPPK, Institut Teknologi Bandung)


I.      Maksud dan lingkup penulisan


Maksud kajian literatur di dalam proposal penelitian ini ada tiga. Pertama, penegasan kerangka teoretis yang dapat dipakai sebagai dasar kegiatan penelitian dan apa yang akan diteliti (ontologi). Kedua, penjelasan kepada pembaca metode terkini (state of the art dan state of the act) metodologi berkaitan dengan penelitian (estimologi) perkiraan kebutuhan transportasi. Ketiga, pengaitan hasil penelitian dan kemanfaatannya (aksiologi) dalam perkembangan teori dan aplikasi perencanaan sistem transportasi, serta teori ilmu pengetahuan potensial yang mengarahkan pada kebaruan atau perbaikan teori yang sudah ada (novelty).


Untuk maksud itu pada naskah ini disampaikan elaborasi hasil-hasil penelitian perkiraan kebutuhan transportasi terdahulu, khususnya yang berkaitan dengan masalah pemodelan produksi perjalanan orang menggunakan transportasi darat.


II.    Metode pendekatan perkiraan kebutuhan transportasi


Angka kebutuhan transportasi diketahui dengan melakukan perhitungan terhadap variabel apa saja yang menentukan seseorang melakukan perjalanan. Variabel dimaksud disebut explanatory variable, diketahui dari uji statistik atas informasi yang disampaikan pejalan (pelaku perjalanan). Karena tidak mungkin untuk mendapatkan seluruh data (lengkap dan dari semua pejalan), maka dilakukan sampel dari populasi pejalan. Kemudian dari data sampel dilakukan pemodelan. Model dari populasi itulah yang menjadi dasar perkiraan angka kebutuhan transportasi. 

Sampai saat ini terdapat 3 metode pemodelan populasi untuk memperkirakan kebutuhan transportasi, yaitu: 1. Model 4 langkah atau four steps model (FSM), yang berbasis trip dan bersifat agregat, 2. Model disagregat permintaan perjalanan atau Disaggregate Travel Demand Model (DTDM), dan 3. Model perjalanan berbasis aktivitas atau activity-based model (ABM), juga disebut dengan tour-based model, yang bersifat disagregat  Berikut ini elaborasi dan perkembangan pemodelan dimaksud. Model 4 langkah merupakan yang pertama dikembangkan, sehingga pakar transportasi menyebutnya sebagai pendekatan tradisional.


a. Four steps model (FSM)

FSM sering juga disebut dengan Model 4 Tahap melakukan perhitungan atas data agregat pada unit rumah tangga atau zona, bukan individu pejalan (Miro, 2016; Setijowarno dan Frazila, 2002).  Model ini berbasis perjalanan (trip) dengan data pejalan diagregatkan pada tingkat rumah tangga atau zona. Dalam perkembangan keilmuan pemodelan, FSM tidak tertinggal dari model perjalanan berbasis aktivitas.  Ben-akiva (2008) mencatat 6 (enam) butir keterbatasan metode trip-based, yaitu:

Memodelkan permintaan melakukan perjalanan tanpa berkaitan dengan kegiatan. Padahal seseorang melakukan perjalanan disebabkan ada kegiatan tertentu, yang disebut: perjalanan sebagai turunan dari kegiatan.

Perjalanan pribadi sebagai unit analisis

Terbuka peluang terjadi kesalahan agregasi data: pada agregasi ruang (spasial), pada agregasi demografis, dan pada agregasi waktu (temporal)

Perhitungan dilakukan berurutan/ proses empat langkah. Keterangan empat langkah diperlihatkan pada Gambar 1.

● Perilaku yang dimodelkan dalam langkah sebelumnya tidak berpengaruh pada pilihan yang dimodelkan dalam langkah selanjutnya (mis. Tidak ada perjalanan yang diinduksi)

Keterbatasan kebijakan yang dapat dianalisis.


Dengan dasar keterbatasan itu Ben-Akiva mengembangkan model baru untuk menghitung angka kebutuhan transportasi, yaitu pemodelan dengan pendekatan perilaku (behavior) pejalan.

Gambar 1  Proses Perkiraan Kebutuhan Transportasi 4 Langkah

Sumber:  The Use of Transport Models in Transport Planning and Project Appraisal, 2014, 15   (diterjemahkan)


Tabel 1. Contoh model matematis perkiraan produksi perjalanan orang dengan FSM

 



Dalam submodel bangkitan perjalanan, karena model bangkitan perjalanan bersifat spesifik dalam arti mewakili atribut pejalan dari zona analisis lalulintas tertentu, maka perkiraan bangkitan perjalanan yang baik bukan hasil menggunakan model bangkitan perjalanan dari wilayah lain (Al-Masaeid, 2018). Kekhawatiran perencana sistem transportasi adalah pada ketidak mampuan model memprediksi bangkitan perjalanan dengan tepat, sehingga hasil pada tahap pemodelan berikutnya menjadi bias.


b. Disaggregate Travel Demand Model (DTDM)


Ortúzar dan Willumsen mengutip Spear, 1977, mencatat 4 (empat) butir yang berguna dari DTDM, sebagai berikut:


1.      DTDM berdasar pada teori-teori perilaku individu orang. Untuk itu pemodelan memasukkan perilaku individu pejalan, dan itu sekaligus merupakan kelebihan dari FSM yang berkarakter agregat, sehingga DTDM berpotensi lebih stabil (atau dapat ditansferkan) pada ruang dan waktu berbeda.


2.      DTDM diestimasi dengan menggunakan data individu pejalan, sehingga memberi implikasi, diantaranya: dapat dilakukan pengagregasian data, walaupun tidak mudah


3.      DTDM bersifat probabilistik, karena itu pemodelan dibuat dengan konsep probabilitas dasar (basic probability concept).


4.      Variabel penjelas di dalam DTDM dapat memiliki estimated coefficient  secara eksplisit, yang berimplikasi pada: i. memasukkan kebijakan terkait secara lebih fleksibel sebagai variabel; ii. variabel penjelas memiliki interpretasi direct marginal utility.


Tabel 2. Contoh model matematis perkiraan produksi perjalanan orang dengan DTDM

 



 

c.         Activity-based model (ABM)


Pemodelan perjalanan berbasis aktivitas dibangun pertama kali oleh Mitchell dan Rapkin tahun 1954. Pemodelan itu pernah sementara waktu tidak berkembang disebabkan antara lain kesulitan memodelkan bagaimana aktivitas seserorang dimodelkan dan kesulitan operasionalisasinya  pada perencanaan transportasi (Ortuzar dan Willumsen, 2011). Pendekatan berbasis aktivitas menangani keputusan yang kompleks mengenai berbagai dimensi dari berbagai perjalanan dan kegiatan. Pendekatan ini menggunakan asumsi bahwa permintaan perjalanan diciptakan oleh kebutuhan untuk memenuhi kegiatan. Model berbasis aktivitas menggunakan data survei rumah tangga  untuk memperkirakan kurva utilitas perjalanan, dan perilaku pejalan diprediksi dengan menggunakan model probit atau logit.  Kajian literatur Subbarao dkk. (2016) mencatat pemahaman atas keterbatasan dan kemampuan ABM dalam memperkirakan kebutuhan perjalanan berbasis aktivitas.


Tabel 3. Contoh model matematis perkiraan produksi perjalanan orang dengan ABM


 

III.       Diskusi


Mengenai sampel, teori statistik yang diterapkan pada perkiraan jumlah sampel pengambilan data untuk pemodelan kebutuhan perjalanan memberikan aturan umum (rule of thumb) disimpulkan pada Tabel 4.


Tabel 4  Rekomendasi Ukuran Sampel


Jumlah penduduk di wilayah analisis (jiwa)

Ukuran sampel disarankan (%)

Ukuran sampel minimum

Dibawah 50.000

20.0

10.0

50.000-150.000

12.5

5.0

150.000-300.000

10.0

3.0

300.000-500.000

6.7

2.0

500.000-1.000.000

5.0

1.5

Diatas 1.000.000

4.0

1.0

                                Sumber : Kulpa dan Szarata (2016)

Teknik pengambilan sampel dilakukan dengan survei/ wawancara rumah tangga, survei/ wawancara pinggir jalan, dan pengitungan atas perjalanan orang dan kendaraan. Dari data yang diperoleh dilakukan perhitungan menggunakan pemodelan yang dipilih/ ditentukan. Apapun model yang dipilih/ ditetapkan dalam perhitungan dimaksud selalu tidak sempurna.

Mengenai model, menurut Stopher P.R. dan Greaves S.P. (2007) aksioma dalam pemodelan, bahwa model tidak pernah bisa lebih baik daripada sumber data yang diperkirakan. Model agregat adalah model yang diestimasikan dengan variabel dependen yang mewakili sekelompok pengamatan, sedangkan model disagregat adalah model yang diperkirakan dengan variabel dependen yang mewakili pengamatan kejadian tunggal, misalnya dalam model permintaan perjalanan (Harris, 1995, mengutip Richards dan Ben-Akiva, 1975). Bentuk pemodelan berdasarkan tingkatan mikro atau individu pembuat keputusan perjalanan, yang mengambil individu, rumah tangga, atau kendaraan dari zona sebagai unit analisis disebut model diasagregat atau simulasi model mikro (Goulias, 2003, Harris, David, 1995, mengutip Hanson & Schwab, 1986). Terdapat konsesus diantara peneliti ABM bahwa metode pemodelan disagregat memiliki keuntungan lebih dibandingkan pendekatan agregat, termasuk minimasi penyimpangan model, maksimasi efisiensi statistik model, peningkatan sensitivitas terhadap kebijakan, peningkatan transferabilitas model dan kegunaan untuk aplikasi perkiraan (Gaulias, 2003).  Dalam perkiraan bangkitan perjalanan, aspek pilihan waktu dan keputusan penjadwalan kegiatan individu pejalan telah menjadi bagian dari model permintaan perjalanan, baik pada FSM maupun ABM (Demand & Models, 2017).

Namun demikian pengetahuan pemodelan perkiraan kebutuhan perjalanan terus berkembang, yang dimotivasi oleh keinginan untuk mendapatkan hasil perkiraan  yang lebih akurat (Gadepalli dkk., 2013; Panackel dan Padmini, 2013; Patel dan Patel, 2015; Zenina dan Borisov, 2014) dan resolusi spasial-temporal lebih tinggi (Iqbal dkk. 2014; Jin dkk. 2014; Zegras, 2018).

Metode perkiraan kebutuhan sistem transportasi terus berkembang, dan menurut paper jurnal ilmiah dan buku referensi  sampai saat ini masih menggunakan model 4 langkah (Mwakalonge, J.L. dan Badoe, D. A., 2012). Dengan pemahaman awal bahwa lingkup perhatian dari kajian perencanaan transportasi sangat luas dan bervariasi (Meyer, M.D., 2016).


IV.      Tantangan kedepan


1.      Teknik mendaptakan data merupakan salah satu tantangan besar. Dengan metode survei selama ini, misalnya dengan pengisian kuesioner dan interview Rumah Tangga, interview pinggir jalan, atau interview melalui telpon kabel, menggunakan formulir isian dan mencatat dengan pensil dan ballpoin. Diketahui ada kekurangan pada cara-cara tersebut, sebagai berikut: 1) merupakan beban bagi responden karena mereka diminta untuk mengingat dan mencatat kegiatan mereka sehari-hari, 2) berlangsung hanya dalam periode singkat, dan 3) sangat mahal dan tidak praktis mendisain, menjalankan, dan memeliharanya. Survey hanya dapat dilakukan dalam waktu singkat untuk mengurangi beban survei. Dengan keterbatasan itu maka mengurangi kemampuan untuk mendapatkan data aktivitas perjaanan harian yang panjang, yang dibutuhkan untuk menangkap pola perjalanan yang tidak bisa diperoleh dalam survey waktu singkat, termasuk misalnya perjalanan rekreasi, sosial dan berbelanja (Abdulazim, T. dan Abdelgawad, H. (2015). 

Pada saat ini para peneliti sedang mengembangkan cara mendapatkan data pejalan menggunakan Big Data (Data Besar) disebabkan adanya sifat datanya yang bermanfaat untuk kajian transportasi, seperti diperlihatkan pada Tabel 5. Kemanfaatan Data Besar dalam bidang transportasi merupakan salah satu ciri dari Industri 4.0, yang penting dicermati untuk kemajuan ilmu pengetahuan, baik teori maupun praktik perencanaan transportasi di Indonesia. Upaya mendapatkan data berbiaya murah terus dicoba (Demissie dkk. 2013; Montero dkk. 2018), cepat, Batty, 2013; Gu dkk. 2016). Sekarang menurut Moses dan Festus (2017) guna mengetahui variabel-variabel penjelas pada model bangkitan perjalanan, maka peneliti mulai meninggalkan cara tradisional (survei Rumah Tangga, dan survey lapangan pada pejalan) dan mencoba menggunakan cara baru, yaitu memanfaatkan data dari CDR (Call Detail Redords), data smartphone, sosmed atau LBSN (Location-based Social Network), dan laman web (Googlemap, Openstreetmaps). Dari membandingkan pengumpulan data dengan cara lama dan cara baru diketahui perbedaan karakter masing-masing, disampaikan pada Tabel 6.


Untuk melakukan perkiraan kebutuhan sistem transportasi dibutuhkan data yang diperoleh melalui survei. 

Wu, dkk. membandingkan beberapa sumber data yang umum digunakan dalam kajian transportasi selama ini, yaitu: a. data survey rumah tangga (Sheffi, 1985, Toole, dkk. 2015), b. data sampel telepon genggam (Hao, dkk., 2017; Yin, dkk., 2018; Gonzales, dkk., 2008; Wu, dkk., 2015; Toole, dkk., 2015, Bauer, dkk., 2012), c. data dari floating car dan data identifikasi lokasi kendaraan (Guo, dkk., 2004; Zao, dkk., 2010), d. data dari alat sensor statis pada lokasi tertentu (Yang, dkk., 2006; Qiu, dkk., 2010; Han, dkk., 2010).

Tabel 5   Sifat Data Dari Big Data Yang Potensial Digunakan Dalam Kajian Transportasi

No

Sifat Data

Keterangan

1

Terus-menerus

Data tidak mengenal awal dan akhir seperti halnya pada survey transportasi

2

Tersimpan menjadi data base

Data terus bertambah

3

Kemungkinan terkumpul secara pasif

Pada metode survey tradisional, keberadaan data berdasarkan pada keaktifan pengumpulan

4

termonitor terus menerus

Peneliti dapat melihat perkembangan data dari waktu ke waktu tanpa putus

5

Tidak berbatas waktu

Peneliti dapat memiliki data untuk masa lalu tanpa batas

6

hal kepemilikan berpotensi masalah

Data yang menyangkut individu masih bisa digugat

7

Non-purpose-oriented

Tidak seperti cara tradisional mengambil data, yang sudah ditentukan peruntukan, cakupan, dan jenisnya.

8

Berpeluang digunakan secara berulangkali

Data yang terdapat pada database tidak habis atau hilang

9

Bisa jadi tidak terstruktur

Keberadaan data di dalam database tidak dalam kelompok menurut jenis, tetapi bercampur

10

Perlu teknik perkiraan/ prediksi

Untuk mendapatkan informasi seperti yang dimaksud Peneliti, diperlukan teknik prediksi memanfaatkan data yang ada

11

Bisa tidak memenuhi atau proporsional dengan populasi dan kegiatan

Seluruh pemangku kepentingan sistem transportasi, dan unsur sistem transportasi lainnya sebagai populasi, belum tentu seluruh datanya terekam dan masuk di cloud big data 

12

Condong ke kelompok tertentu: kaum muda (millenial)

Berdasarkan penelitian, pengguna gadget / peralatan bergerak adalah kaum muda

13

Data sosmed berbasis lokasi  beda orang beda tingkat pengggunaan teknologi, juga beda untuk waktu yg berbeda, dan condong pada aktivitas tertentu

Aplikasi sosmed saat ini banyak dan diantaranya mengkhususkan pada aktivitas tertentu. Tiap orang mempergunakan aplikasi tertentu pada waktu tertentu untuk kegiatan tertentu dengan peralatan tertentu.

14

Perolehan data tidak terlihat dan tidak mengganggu responden

Menggunakan peralatan otomatis mengambil data dari aktivitas responden

15

Lebih akurat (low levels of sampling bias)

Tidak perlu mengandalkan memori responden

16

Memberi peluang mengkaji lebih lama

Peralatan untuk mengakses data berada di lapangan

Sumber: Milne dan Watling (2017)



Tabel 6  Perbandingan pengumpulan data teknik tradisional vs teknik baru


Karakteristik

Metode Survei tradisional

GPS

Bluetooth

Menggunakan Smartphone

Menggunakan sinyal HP

Sosmed

LBSN check-in

Resolusi spasial

rendah

rendah

rendah

tinggi

tinggi

tinggi

tinggi

Resolusi temporal

rendah

tinggi

tinggi

tinggi

tinggi

tinggi

tinggi

Penyebaran skala besar

ya

tidak

tidak

tidak

ya

ya

ya

Biaya survey/data

tinggi

sedang

sedang

sedang

rendah

rendah

rendah

Keperluan utk survey

ya

ya

tidak

ya

tidak

tidak

tidak

Data sosial demografis

ya

tidak

tidak

inferred

tidak

ya

inferred

Data O-D

ya

ya

ya

ya

ya

ya

inferred

Trip chain

ya

ya

ya

ya

ya

inferred

inferred

Konfirmasi maksud perjalanan

ya

terbatas

ya

ya

terbatas

inferred

ya

Mode share

ya

inferrred

inferred

ya

inferred

inferred

inferred

Resolusi waktu kedatangan

rendah

tinggi

rendah

rendah

tinggi

tinggi

tinggi

Resolusi lokasi kedatangan

rendah

tinggi

rendah

rendah

tinggi

sedang

tinggi

Bias sampel

rendah

sedang

sedang

sedang

sedang

ya

ya

Aspek privacy

tidak

sedang

tidak

tidak

tidak

sedang

sedang


Sumber: Hu dan Jin, 2017, mengutip Laporan NCHRP No. 735 Tabe D.2 (Schiffer, 2012), dan penelitian Hu dan Jin, 2015; dan Yang, dkk., 2014).

2.        Kegiatan pemodelan dengan pendekatan mikro dan dinamis (spatio-temporal). Pada saat ini para peneliti sedang mempelajari pendekatan spatio-temporal dengan resolusi tinggi dalam memperkirakan kebutuhan transportasi. Untuk melakukan pemodelan dinamis (spatio-temporal) dibutuhkan penguasaan statistik spasial dan pemanfaatan perangkat lunak pengolah data spasial.

3.        Teknik pemodelan dengan Machine Learning sebagai bagian dari Big Data.


Penjelasan mengenai butir 2 dan butir 3 akan disampaikan pada artikel selanjutnya, sebab memerlukan pembahasan yang panjang.

 

Share :