1. ANALISIS KAPASITAS JALAN
DENGAN METODE MICROSIMULATION
PROGRAM PASCASARJANA
FAKULTAS TEKNIK
UNIVERSITAS GADJAH MADA
YOGYAKARTA
2014
Ocky Soelistyo Pribadi
3. FASE KE 3
IHCM PROJECT
1994
FINAL
DOCUMENT
1997
2014
17 tahun
DATA ARUS
LALU LINTAS
1990 - 1994
Kendaraan bermotor 132 juta
Komposisi sepeda motor 39,57%
Panjang jalan nasional 327 ribu km
Kendaraan bermotor > 430 juta
Komposisi sepeda motor > 70%
Panjang jalan nasional > 437 ribu km
BELUM DILAKUKAN
PENGKINIAN
5. WORKSHOP MKJI’97 Tahun 2009
1. Nilai ekivalen kendaraan ringan (ekr) perlu disesuaikan
2. Parameter kinerja jalan perlu dievaluasi
3. Perluasan cakupan MKJI
4. Peningkatan kemampuan perangkat lunak KAJI
5. Proporsi sepeda motor lebih besar dan perlu mengevaluasi perkembangan teknologi
kendaraan
6. Road Map penelitian pemutakhiran MKJI’97 Sudah dilakukan penelitian untuk
ekivalen kendaraan ringan dan nilai kapasitas dasar
6. No. Peneliti Judul Penelitian Tujuan Penelitian
Model yang
digunakan
Hasil Temuan
1 Iskandar (2011) Ekuivalen Kendaraan
Ringan dan Kapasitas
Dasar Jalan Perkotaan
Menyesuaikan ekivalen
kendaraan ringan (ekr)
dan nilai kapasitas dasar
(C0)
Teori aliran lalu
lintas makroskopik
a. Nilai ekr mengalami perubahan,
nilai ekr untuk sepeda motor
mengecil, dan kendaraan sedang
serta kendaraan berat untuk ruas
jalan perkotaan besar hampir tetap
b. C0 tipe jalan 2/2T meningkat 51%
dan tipe jalan 4/2T meningkat 25%
2 Malkhamah, S. (2005) Pemodelan Dampak
Perjalanan Bangkitan
Terhadap Kecepatan
Lalu Lintas di
Kawasan Pertokoan
Jalan Urip Sumoharjo
Yogyakarta
Mengetahui dampak
perjalanan bangkitan
terhadap kecepatan lalu
lintas di kawasan
pertokoan Jalan Urip
Sumoharjo Yogyakarta
Model regresi
linier
Pengurangan kecepatan lalu lintas
maksimum oleh arus pejalan kaki dan
parkir diprakirakan hanya sekitar 32%
saja oleh DPU (1997), padahal dengan
model hasil penelitian didapatkan
bahwa gangguan arus parkir dan
pejalan kaki mempunyai kontribusi
sampai dengan 64,2% dalam
mengurangi kecepatan lalu lintas
3 Munawar A. (2006) Queues And Delays
At Signalized
Intersections,
Indonesian Experience
Perubahan formula
MKJI untuk menghitung
panjang antrian di
persimpangan ber-
APILL
Survei lapangan
dan matematika
a. Panjang antrian yang diprediksi
oleh MKJI lebih tinggi dari keadaan
aktual, khususnya di kota sedang
karena lebar jalan masuk
persimpangan umumnya lebih kecil
dari standar normal, tetapi kapasitas
masih tetap tinggi
b. Sepeda motor membutuhkan ruang
yang lebih kecil dari ruang yang
diprediksi oleh MKJI karena
jumlahnya yang semakin banyak,
direkomendasikan menurunkan ekr
untuk sepeda motor dari 0,2
menjadi 0,15
7. No. Peneliti Judul Penelitian Tujuan Penelitian
Model yang
digunakan
Hasil Temuan
4 Munawar, A. (2011) Speed and Capacity for
Urban Roads,
Indonesian Experience
Menganalisis dampak
karakteristik jalan
perkotaan, khususnya
hambatan samping
dalam mengurangi
kapasitas dan kecepatan
Survei lapangan
dan matematika
1. Di saat hambatan samping tinggi,
terdapat perbedaan yang signifikan
antara nilai kecepatan yang
diprediksi oleh MKJI dan nilai
kecepatan aktualnya
2. Pada kondisi hambatan samping
tinggi, maka sensitivitas penurunan
kecepatan sangat tinggi. MKJI tidak
mengakomodir sensitivitas ini.
Formula regresi berganda
direkomendasikan untuk digunakan
3. Parkir dan kendaraan yang berhenti
adalah faktor paling penting dalam
menurunkan kecepatan, tidak ada
keterangan yang jelas di dalam
MKJI mengenai kendaraan yang
berhenti atau parkir, apakah
diperhitungkan sebagai hambatan
samping atau penyempitan lajur
4. Seluruh hasil terkait dengan
kecepatan dan kapasitas di MKJI
adalah nilai yang diharapkan (rata-
rata) yang timbul karena banyaknya
populasi data dari berbagai lokasi
5. Perlu dilakukan tinjauan terhadap
formula yang ada di dalam MKJI
8. 1. Prosedur perhitungan hanya dapat digunakan pada kondisi
alinyemen datar atau hampir datar, alinyemen horisontal lurus atau
hampir lurus
2. Komposisi lalu lintas mempengaruhi hubungan kecepatan-arus,
yaitu tergantung pada rasio sepeda motor atau kendaraan berat
dalam arus lalu lintas
3. MKJI: “Termasuk dalam kategori hambatan samping adalah pejalan
kaki, angkutan umum dan kendaraan lain berhenti, kendaraan
lambat (misal becak, kereta kuda)” Perlu ditinjau
9. 4. MKJI: “Kota yang lebih kecil menunjukkan perilaku pengemudi yang kurang gesit
dan kendaraan yang kurang modern” Ukuran kota Perlu ditinjau
5. MKJI menggunakan model Rejim Tunggal karena dianggap tepat dengan data
kecepatan-arus empiris, artinya pendekatan ini dilakukan dengan Model
Greenberg yang merupakan pendekatan makroskopik terhadap aliran lalu lintas.
Ciri dari pendekatan makroskopik adalah adanya simulasi jaringan transportasi
secara bagian per bagian dan digunakannya hubungan antara aliran, kecepatan
dan kepadatan arus lalu lintas (Aghabayk et al., 2013)
6. Penelitian terdahulu menunjukkan bahwa perhitungan MKJI sudah tidak dapat
digunakan lagi untuk memprediksi kapasitas jalan dan kecepatan lalu lintas
11. 1. Apa saja faktor yang digunakan dalam model microsimulation
untuk memprediksi kecepatan lalu lintas dan kapasitas jalan
perkotaan, dibandingkan dengan penggunaan model MKJI Jalan
Perkotaan?
2. Bagaimanakah hasil prediksi kecepatan lalu lintas dan kapasitas
jalan dengan model microsimulation bila dibandingkan dengan
model MKJI Jalan Perkotaan?
3. Bagaimanakah formula baru untuk prediksi kecepatan lalu lintas
dan kapasitas jalan di Indonesia dengan model microsimulation
untuk pengkinian MKJI Jalan Perkotaan?
12. 1. Data yang dianalisis diambil dari data sekunder berupa video lalu
lintas yang dikumpulkan oleh PUSJATAN, yaitu pada 23 kota di
Indonesia
2. Menggunakan software Vissim 6
3. Objek penelitian adalah jalan perkotaan dengan tipe jalan empat-
lajur dua-arah terbagi dengan median (4/2 D)
4. Dalam penelitian ini tidak digunakan lagi konsep satuan mobil
penumpang (smp)
5. Penelitian ini akan mengevaluasi kecepatan lalu lintas dan
kapasitas jalan perkotaan
19. 1. Waktu pengamatan 06.45 – 07.45
2. Volume lajur 1 dan 2: 2.548 kendaraan
3. Volume lajur 3 dan 4: 1.790 kendaraan
4. Komposisi kendaraan:
20. Memasukkan gambar latar belakang dengan penskalaan
Memasukkan nilai volume lalu lintas dan komposisinya
Memasukkan nilai perilaku mengemudi (following, lane change, lateral)
Model siap di-running dengan bentuk simulasi 3D
21.
22.
23. 1. Nilai t hitung adalah -0,0127
2. Kriteria daerah pengujian pada level of significance (α) sebesar 0.05 dan derajat
bebas sebesar 22 maka diperoleh nilai t tabel sebesar 2,074
3. Dengan nilai t tersebut di atas, maka daerah penerimaan dan penolakan H0
menjadi:
Daerah penerimaan H0: -2,074 ≤ t ≤ 2,074
Daerah penolakan H0: t < -2,074 atau t > 2,074
4. Sehingga dengan melakukan perbandingan antara nilai t hitung sebesar -0,0127
dengan kriteria penerimaan dan penolakan H0 dapat disimpulkan bahwa t
hitung berada di daerah penerimaan H0, atau H0 diterima sehingga tidak ada
perbedaan yang nyata antara headway kedatangan kendaraan hasil survei dan
pemodelan Vissim pada lajur 1 dan 2.
24.
25. 1. Nilai t hitung adalah 0,931451
2. Kriteria daerah pengujian pada level of significance (α) sebesar 0.05 dan derajat
bebas sebesar 22 maka diperoleh nilai t tabel sebesar 2,074
3. Dengan nilai t tersebut di atas, maka daerah penerimaan dan penolakan H0
menjadi:
Daerah penerimaan H0: -2,074 ≤ t ≤ 2,074
Daerah penolakan H0: t < -2,074 atau t > 2,074
4. Sehingga dengan melakukan perbandingan antara nilai t hitung sebesar
0,931451 dengan kriteria penerimaan dan penolakan H0 dapat disimpulkan
bahwa t hitung berada di daerah penerimaan H0, atau H0 diterima sehingga
tidak ada perbedaan yang nyata antara kecepatan kendaraan hasil survei dan
pemodelan Vissim pada lajur 1 dan 2.
26.
27.
28. 1. Proses trial and error
2. Mengubah nilai volume lalu lintas pada menu vehicle input, dari kondisi eksisting ke suatu
nilai semisal 5000
3. Running Vissim dengan nilai volume tersebut, diakhir waktu running akan keluar
pemberitahuan kesalahan, lalu diperiksa dan tampak bahwa ada sejumlah kendaraan
yang tidak dapat disimulasikan, sedangkan waktu simulasi yang ditetapkan selama 1 jam
telah habis, hal ini menunjukkan bahwa kapasitas ruas jalan telah terlampaui.
4. Langkah berikutnya adalah mengurangi volume lalu lintas semula dengan sejumlah nilai
yang diidentifikasi oleh Vissim, proses ini diulangi terus sampai seluruh volume
kendaraan yang diisikan dapat tersimulasi
5. Di akhir proses trial and error ini dihasilkan nilai kapasitas jalan untuk lajur 1 dan 2
sebesar 4.193 kendaraan dan kapasitas jalan lajur 3 dan 4 sebesar 4.424 kendaraan