emisi transportasi

ISBN(13) 978-602-1279-34-2ISBN(10) 602-1279-34-4

EMISI TRANSPORTASI

9 786021 279342

EMISITRANSPORTASIKuantitas Emisi Berdasarkan

Marni Model

Sektor transportasi merupakan penyebab utama penurunan kualitas lingkungan. Gas

buang yang diemisikan oleh kendaraan bermotor ke udara ambient berupa gas dari

berbagai jenis polutan dan partikel. Emisi dari kendaraan di sebagian besar negara,

terutama negara-negara berkembang termasuk Indonesia, belum dipahami dengan

baik. Kemampuan membuat perkiraan yang akurat tentang emisi sangat penting untuk

perencanaan manajemen kualitas udara.

Buku ini berupaya untuk memahami model perkiraan emisi kendaraan berjalan yang

sesuai karakteristik lalu lintas heterogen dan faktor emisi kendaraan ringan berbahan

bakar premium dengan mempertimbangkan pola siklus mengemudi yang sebenarnya

di jalan raya. Buku ini dapat memberikan manfaat berupa:

1) koefisien faktor emisi kendaraan berbahan bakar premium guna memprediksi

besaran emisi kendaraan di jalan raya; 2) pengetahuan mengenai karakteristik lalu

lintas, pola siklus mengemudi kendaraan pada lalu lintas heterogen;

3) memperkaya wawasan kajian emisi kendaraan bermotor; 4) sebagai bahan masukan

bagi stakeholder yang bergerak di bidang transportasi khususnya dalam mengevaluasi

kebijakan transportasi yang terkait dengan pembatasan kendaraan ringan/angkutan

umum dalam konteks mitigasi emisi kendaraan; 5) model-model yang terbentuk dapat

digunakan oleh negara-negara berkembang lainnya yang memiliki kesamaan spesifik

dalam aspek perilaku lalu lintas heterogen; dan

6) sebagai pembanding bagi pembaca dalam mengembangkan ilmu lingkungan

khususnya pada kasus-kasus emisi kendaraan bermotor.

Perum Bukit Permai Jalan kerinci Blok a2 No. 23—24 Cibubur, Jakarta timur 13720

telp. (021) 29617008, 29617009, 296 17010 | Fax. (021) 8721570Website: www.penebarswadaya.co.id| e-mail: [email protected]

toko buku online: www.penebar-swadaya.net

08131 8888 180Penebar Swadaya Grup

@penebar_swadayaPenebar Swadaya

Sumarni Hamid aly

Sum

ar

ni H

am

id a

ly


Marni Model

EMISI TR

AN

SPOR

TASI: K

uantitas Emisi Berdasarkan Marni Model

COVER EMISI TRANSPORTASI oke.indd 1 1/21/16 2:06 PM


Marni Model


Marni Model

COVER EMISI TRANSPORTASI oke.indd 2 1/21/16 2:06 PM


Marni Model

Hak cipta dilindungi oleh Undang-Undang Nomor 28 Tahun 2014. Dilarang mengutip atau memperbanyak sebagian atau seluruh isi buku ini tanpa izin tertulis dari penerbit.


Marni Model

Katalog dalam terbitan (KDT)

- Cet. 1- Jakarta: Penebar Plus, 2015. iv + ... hlm.; ilus.; 20 cm. ISBN (13) 978 - 602 - 1279 -34 - ... ISBN (10) 602 - 1279 - 34 - ...

EMISI TRANSPORTASI

Pemasaran:Niaga SwadayaJl. Gunung Sahari III/7, Jakarta 10610Telp. (021) 4204402, 4255354 Fax. (021) 4214821

Update Buku @updatebuku

Desain Layout:Veronica N

Desain Sampul:Fajar Tri A.

Cetakan:I. Jakarta 2015

Penulis:...

Editor:...

Penerbit:Penebar Plus+

Perum. Bukit Permai Jln. Kerinci Blok A2 No. 23—24, Cibubur, Jakarta Timur, 13720

Telp. (021) 29617008/09/10; Fax. (021) 8721570Website: www.penebarswadaya.co.id

Toko buku online: www.penebar-swadaya.netE-mail: [email protected]

Penebar Swadaya Grup @penebar_swadaya

7954DB7 081318888180

Daftar Isi

BAB I EMISI KENDARAAN BERGERAK, 5A. Peranan Transportasi, 6B. Model Prediksi Emisi Kendaran Bergerak, 9C. MARNI MODEL, 13

BAB II TEORI DASAR PENGEMBANGAN MODEL EMISI KENDARAAN, 16A. Pengertian Emisi TRANSPORTASI, 17B. Metode Pengembangan Model Perkiraan Emisi

Kendaraan Bergerak, 18C. Pengembangan Model Emisi Kendaraan Bergerak di

Jalan Raya, 27

BAB III PENGUKURAN ARUS LALU LINTAS DAN EMISI KENDARAAN BERMOTOR, 43A. Pengukuran Emisi Kendaraan Bergerak, 44B. Pengukuran Karakteristik Arus Lalu Lintas, 51

BAB IV PENGEMBANGAN MARNI MODEL, 57A. Kerangka Kerja Pembentukan MARNI Model, 58B. Tahapan PEMBENTUKAN MARNI Model, 61D. Identifikasi Faktor Operasional Kendaraan, 78E. Pemodelan Faktor Emisi Kendaraan, 85

1

F. Model Perkiraan Besaran Emisi Kendaraan Bergerak, 93G. Program Softwere MARNI Model, 94

BAB V IMPLEMENTASI MARNI MODEL, 95A. Deskripsi Lokasi Implementasi MARNI Model, 96B. Perkiraan Besaran Emisi Kendaraan Bergerak, 98C. Mitigasi Emisi Kendaraan Bergerak Di Jalan Raya, 106D. Implementasi MARNI MODEL dalam Pengukuran Emisi

Kendaraan , 108

DAFTAR PUSTAKA, 120LAMPIRAN, 126

2

Pengukuran prediksi emisi kendaraan yang bergerak di jalan raya mempertimbangkan tiga hal, yaitu karakteristik operasional

kendaraan, situasi arus lalu lintas nyata di jalan raya yaitu pola siklus mengemudi kendaraan dan faktor emisi kendaraan. Pengukuran emisi kendaraan bergerak di negara-negara berkembang, khususnya Indonesia belum sepenuhnya dipahami secara menyeluruh terkait dengan situasi arus lalu lintas yang heterogen. Tidak hanya itu, perangkat berupa model rumusan untuk menghitung dan memprediksi besaran emisi kendaraan bergerak belum banyak dibahas. Juga belum ditemukan nilai faktor emisi dari setiap jenis atau tipe kendaraan yang beroperasi di jalan raya, terkait dengan pola siklus mengemudi dan karakteristik operasional kendaraan.

Berangkat dari pemikiran penulis di atas serta belum banyaknya tulisan tentang emisi kendaraan bergerak dan pengukuran prediksi, penulis menyusun buku ini. Model emisi transportasi yang dibentuk dalam buku ini disebut MetropolitAn tRaffic EmissioNs Inventory atau disingkat MARNI Model.

Prakata

3

Implementasi dari model ini dilaksanakan di Makassar. Penulis berharap dengan membaca buku ini, para pembaca dapat menemukenali konsep dasar pengembangan MARNI Model sebagai model dasar untuk memprediksi emisi kendaraan ringan (LV) pada lalu lintas heterogen, khususnya di wilayah perkotaan. Harapan ke depan semoga MARNI Model dapat dikembangkan untuk tipe kendaraan lainnya, yaitu kendaraan sepeda motor (MC) dan kendaraan berat (HV), bus, serta truk.

Makassar, Agustus 2015

Penulis

4

BAB IEMISI KENDARAAN BERGERAK

6

A. Peranan TransportasiSektor transportasi merupakan penyebab utama masalah lingkungan saat ini. Peningkatan karbon dioksida, kebisingan, polusi air, dan gangguan fisik pada lingkungan dan budaya, merupakan dampak negatif yang ditimbulkan oleh transportasi. Secara global, kendaraan bermotor mengemisikan 14% dari bahan bakar fosil berbasis karbon dioksida, 50%—60% dari karbon monoksida dan hidrokarbon serta sekitar 30% emisi nitrogen oksida (Hwang, et al. 2007). Pengurangan emisi merupakan salah satu topik utama pada pembahasan tentang pemecahan masalah pemanasan global dan isu perubahan iklim. Sebagian besar emisi berasal dari sektor transportasi terutama dari kendaraan. Oleh karena itu, pengurangan emisi harus dipertimbangkan oleh pemerintah saat mengontrol lalu lintas di jalan raya.

Kualitas udara di wilayah perkotaan Indonesia menunjukkan penurunan dalam dua dekade terakhir. Hal ini seiring dengan peningkatan urbanisasi, pertumbuhan ekonomi, serta pertumbuhan jumlah dan penggunaan kendaraan bermotor yang mencapai 12% per tahun (Abubakar, 2000). Menurut Asian Development Bank (2003), sektor transportasi merupakan sektor yang paling banyak menyumbangkan polusi udara, yaitu memproduksi hidrokarbon (HC), karbon monoksida (CO), oksida nitrogen (NOx), dan partikulat (PM) berkisar 87%.

Emisi kendaraan di sebagian besar negara, terutama negara-negara berkembang termasuk Indonesia, belum dipahami dengan baik. Kemampuan membuat perkiraan yang akurat tentang emisi sangat penting untuk perencanaan manajemen kualitas udara. Hanya beberapa negara, seperti Amerika Serikat, Eropa, dan Jepang

anshar unhas

yang telah mengembangkan model prediksi emisi yang akurat. Model prediksi emisi dirancang hanya untuk negara masing-masing. Model Amerika Serikat, Eropa, dan Jepang tidak dapat digunakan untuk memperhitungkan emisi dari jenis teknologi kendaraan dan kondisi lalu lintas yang berbeda pada negara lain.

Pada dekade terakhir, kemacetan lalu lintas yang terjadi di ruas jalan perkotaan disebabkan aktivitas manusia yang semakin meningkat. Aktivitas-aktivitas tersebut membutuhkan moda transportasi atau kendaraan agar semua aktivitas dapat diselesaikan sesegera mungkin. Akibatnya, jumlah kendaraan bertambah sangat pesat khususnya di daerah perkotaan. Hal ini berdampak pada kuantitas emisi kendaraan yang turut meningkat secara signifikan.

Pengukuran emisi kendaraan secara akurat saat ini sulit dilakukan. Hal ini disebabkan oleh model perencanaan transportasi yang didasarkan pada perhitungan volume rata-rata kendaraan per jam. Namun, model perencanaan yang ada saat ini tidak mampu memprediksi dampak lalu lintas yang bervariasi dalam sistem transportasi.

Gambar 1. Udara tercemar akibat arus lalu lintas(Sumber: online-diakses Januari 2014)

Gambar 2. Udara tercemar akibat emisi kendaraan bermotor(Sumber: online-diakses Januari 2014)

7

anshar unhas

Pengukuran emisi kendaraan secara akurat saat ini sulit dilakukan. Hal ini disebabkan oleh model perencanaan transportasi yang didasarkan pada perhitungan volume rata-rata kendaraan per jam. Namun, model perencanaan yang ada saat ini tidak mampu memprediksi dampak lalu lintas yang bervariasi dalam sistem transportasi.

Analisis emisi kendaraan bermotor sangat tergantung pada kecepatan dan percepatan kendaraan. Kecepatan dan percepatan kendaraan merupakan karakteristik pola mengemudi kendaraan (Nutramon, et al. 2009; Tong, et al. 2011). Pola mengemudi kendaraan yang dimaksud adalah karakteristik pola mengemudi di jalan raya perkotaan yang ditentukan berdasarkan rute jalan yang tepat dan kondisi lalu lintas terkini. Sampai saat ini, belum ditemukan metode memilih rute jalan yang tepat untuk menganalisis pola-pola mengemudi yang sebenarnya (Nutramon, et al. 2009).

Pengendalian pencemaran udara dari sumber kendaraan di jalan telah diimplementasikan di Indonesia berupa program inspeksi dan pemeliharaan (I/M) (Simamora, 2006). Program I/M ini dilaksanakan pada sebagian kota besar di Indonesia, seperti area metropolitan Jabodetabek, termasuk Jakarta, Bogor, Depok, Tangerang, Bekasi, Bandung, dan Surabaya (Sudarmanto, et al. 2007 dan 2010).

Beberapa peneliti telah menguraikan hasil pencapaian dari program I/M, khususnya dalam memahami tingkat emisi kendaraan bermotor di jalan dan menguji model kelayakan kendaraan pada uji emisi kendaraan terkait dengan faktor-faktor yang menyebabkan kelayakan uji emisi. Sudarmanto, et al. (2007) mengembangkan model probit bivariate untuk menggambarkan kelayakan

8

anshar unhas

pengukuran emisi kendaraan berpenumpang di Jakarta, Indonesia. Seperti halnya, pendekatan model yang digunakan untuk emisi sepeda motor di Jakarta-Bandung-Surbaya, Indonesia (Sudarmanto, et al. 2010). Pujadas, et al. (2004) juga membandingkan antara eksperimen dan perhitungan faktor emisi kendaraan yang tidak bermuatan untuk kasus armada di Madrid. Model pendekatan yang berbeda telah dikembangkan dengan menggunakan model logit dan analisis regresi (Beydon, et al. 2006.)

B. Model Prediksi Emisi Kendaran BergerakSalah satu model untuk memprediksi emisi kendaraan adalah International Vehicle Emission Model (IVE Model). Model tersebut dirancang khusus untuk memiliki fleksibilitas yang dibutuhkan oleh negara-negara berkembang dalam upaya mengatasi emisi yang bersumber dari kendaraan bermotor (IVE Model, 2004; Lents, et al. 2004).

IVE Model merupakan model komputer yang dirancang untuk memperkirakan emisi dari kendaraan yang bergerak. Model ini membuat perkiraan polusi udara lokal (kriteria polutan), emisi gas rumah kaca, dan polutan beracun. Model ini juga bertujuan untuk membantu kota-kota dan daerah dalam mengembangkan perkiraan emisi yang berfokus pada strategi pengendalian dan perencanaan transportasi yang paling efektif. Selain itu, model ini juga dapat mengukur kemajuan dalam mengurangi emisi dari waktu ke waktu. IVE Model dibangun berdasarkan kondisi kendaraan yang homogen dan stabil sehingga untuk mengadopsi dan mengadaptasikan IVE Model membutuhkan beberapa penyesuaian kondisi wilayah.

9

anshar unhas

Gambar 3. Perilaku lalu lintas di negara berkembang yang tidak teratur dan disiplin(Sumber: online-diakses Januari 2014)

Gambar 4. Perilaku lalu lintas di negara maju yang teratur dan disiplin(Sumber: online-diakses Januari 2014)

10

anshar unhas

Untuk memahami dan menganalisis kuantitas emisi kendaraan bergerak dijalan raya pada wilayah perkotaan dengan kondisi arus lalu lintas heterogen, serta menganalisis faktor yang mempengaruhi meningkatnya konsentrasi setiap jenis polutan yang diemisikan oleh kendaraan di jalan raya seyogianya mempertimbangkan pola mengemudi kendaraan atau pola pergerakan kendaraan di jalan raya.

Pola mengemudi kendaraan dan perilaku lalu lintas di negara berkembang berbeda dengan di negara maju (Gambar 3 dan Gambar 4). Pola mengemudi kendaraan merupakan karakteristik kondisi kendaraan yang mengalami situasi idle, percepatan, perlambatan, dan kendaraan melaju dengan kecepatan yang berfluktuasi di jalan raya. Menurut Nesamani, et al. (2011) dan Smith, et al.(2011), variabel pola siklus mengemudi adalah situasi idle, percepatan, perlambatan, kendaraan melaju dan kecepatan rata-rata kendaraan.

Situasi lalu lintas bersifat heterogen merupakan situasi lalu lintas yang terdiri dari berbagai jenis kendaraan di jalan raya yang dapat dikelompokkan ke dalam berbagai kategori (Arasan, et al., 2011).

Kelompok kendaraan dikategorikan menjadi kendaraan ringan atau kendaraan berpenumpang, kendaraan berat (bus dan truk), sepeda motor, serta kendaraan tidak bermotor. Asaithambi Gowri, et al. (2009), lalu lintas heterogen adalah situasi lalu lintas yang terdiri atas beberapa komposisi kendaraan di jalan raya dengan dimensi fisik yang sangat bervariasi (kendaraan ringan atau kendaraan berpenumpang, sepeda motor, truk, dan kendaraan tidak bermotor). Menurut Arasan, et al. (2010), lalu lintas heterogen adalah kendaraan yang tidak konsisten pada lajur masing-masing sehingga kecepatan kendaraan menjadi tidak konstan (Gambar 5).

11

anshar unhas

Gambar 5. Arus lalu lintas heterogen yang terdiri dari beragam jenis dan tipe kendaraan(Sumber: Dokumen Pribadi 2012)

Untuk mengetahui faktor-faktor yang menyebabkan peningkatan kuantitas polutan di udara, dilakukan kelayakan uji emisi. Kelayakan uji emisi kendaraan berpenumpang atau kendaraan ringan pada buku ini dianalisis dengan pendekatan model regresi logistik biner atau pendekatan model binomial.

Pada pembentukan model probabilitas kelayakan uji emisi dengan model binomial, diasumsikan karakteristik operasional kendaraan merupakan variabel yang berpengaruh terhadap peningkatan emisi kendaraan. Karakteristik operasional kendaraan yang dipertimbangkan adalah kapasitas mesin dan umur kendaraan. Dari model probabilitas kelayakan uji emisi kendaraan ditemukan bahwa umur kendaraan berpengaruh signifikan dibandingkan dengan kapasitas mesin pada peningkatan kuantitas emisi kendaraan.

12

anshar unhas

Lyons, et al. (2003) dan Kalandiyur (2007) telah mengembangkan model prediksi emisi kendaraan bermotor dengan pengembangan model emisi sebagai multiplikasi antara vehicle kilometre travel (VKT) dan emission factor (EF). VKT adalah multiplikasi antara jarak perjalanan kendaraan (D) dan volume lalu lintas (N), EF adalah faktor emisi dasar setiap kategori kendaraan.

Merujuk pada model prediksi emisi kendaraan yang dikembangkan oleh Lyons dan Kalandiyur, nilai faktor emisi (FE) atau EF dalam buku ini dikembangkan dengan pendekatan model polinomial orde-3 sementara untuk analisis faktor koreksi emisi kendaraan terhadap lingkungan sekitar jalan raya mengadopsi IVE Model (2004). Oleh karena IVE Model tidak merepresentasikan lalu lintas heterogen dengan kecepatan kendaraan yang tidak stabil, dalam buku ini diasumsikan bahwa variabel yang berpengaruh signifikan terhadap emisi kendaraan di wilayah perkotaan dengan situasi lalu lintas heterogen bukan lagi jarak perjalanan kendaraan (D). Variabel yang berpengarh, yaitu waktu tempuh perjalanan atau travel time (TT) dan pola siklus mengemudi kendaraan (DC) yang sebenarnya di jalan raya (Aly, et.al. 2012).

Pola siklus mengemudi kendaraan (DC) dalam buku ini direperesentasikan dengan kecepatan rata-rata kendaraan pada situasi lalu lintas yang nyata di jalan raya. Model DC dikembangkan dengan pendekatan model polynomial orde-6.

C. MARNI MODELMetropolitAn tRaffic EmissioNs Inventory atau disingkat MARNI Model merupakan basic model untuk memperkirakan emisi kendaraan bergerak pada kondisi lalu lintas heterogen. Model ini

13

anshar unhas

terbatas untuk tipe kendaraan ringan berbahan bakar premium. Model prediksi emisi kendaraan dalam buku ini dianalis dengan mengembangkan model faktor emisi kendaraan, model pola siklus mengemudi kendaraan, dan waktu tempuh perjalanan (TT) yang diturunkan dari model V-S-D.

MARNI Model adalah serangkaian model matematis yang dibangun terkait dengan emisi kendaraan yang bergerak nyata di jalan raya. Model-model yang dimaksud adalah model faktor emisi (Model FE) dari 31 kategori kendaraan ringan, model pola siklus mengemudi kendaraan (model DC), model hubungan antara volume, kecepatan, dan kepadatan kendaraan (V-S-D), serta model prediksi emisi kendaraan bergerak. Untuk memperoleh besaran waktu tempuh perjalanan (TT) diturunkan dari model V-S-D karena pada buku ini model waktu tempuh perjalanan (TT) belum dimodelkan.

Manfaat dari buku ini adalah memberikan nilai faktor emisi kendaraan berbahan bakar premium dalam memprediksi besaran emisi kendaraan di jalan raya. Selain itu model-model yang telah dikembangkan dapat digunakan oleh berbagai pemangku kepentingan transportasi khususnya dalam hal mengevaluasi kebijakan transportasi yang terkait dengan pembatasan-pembatasan kendaraan ringan/kendaraan penumpang dalam konteks mitigasi emisi kendaraan pada sektor transportasi. Lebih jauh lagi, model-model tersebut dapat juga digunakan oleh negara-negara berkembang lainnya yang memiliki kesamaan spesifik dalam aspek perilaku bertransportasi pada kondisi lalu lintas heterogen untuk mengontrol kualitas udara.

14

anshar unhas

Manfaat lainnya adalah dapat menambah pemahaman tentang konsep karakteristik lalu lintas dengan pola siklus mengemudi kendaraan pada situasi lalu lintas heterogen. Selain itu, juga untuk memahami metode pengukuran emisi kendaraan di jalan raya serta memperkaya khazanah dunia referensi kajian emisi kendaraan bermotor, khususnya yang berkaitan dengan mitigasi emisi bergerakdi jalan raya menuju kota go green di masa datang. Buku ini juga dapat sebagai pembanding bagi pembaca dalam bidang lingkungan untuk pengembangan ilmu khususnya pada kasus-kasus yang terkait dengan emisi kendaraan bermotor.

15

anshar unhas

BAB IITEORI DASAR PENGEMBANGAN

MODEL EMISI KENDARAANanshar unhas

A. Pengertian Emisi TRANSPORTASI

Emisi transportasi adalah pancaran atau pelepasan gas buang yang berasal dari sektor transportasi. Gas buang yang dimaksud

merupakan gas buang yang berasal dari kendaraan bermotor yang dipancarkan atau yang diemisikan ke udara ambien berupa gas dari berbagai jenis polutan dan partikel. Penyebab utama pencemaran udara akibat gas buang kendaraan bermotor karena mutu bahan bakar minyak yang digunakan kurang baik, kemacetan lalu lintas, dan perilaku lalu lintas di jalan raya (Ilyas, 2004; Tamin, 2008; Nutramon, et al. 2009; Tong, et al. 2011).

Konsentrasi polutan yang diemisikan oleh kendaraan bermotor semakin meningkat menyebabkan udara tercemar dan peningkatan gangguan kesehatan masyarakat berupa penyakit saluran pernapasan (ISPA), serangan asma, dan peningkatan timbal (Pb) dalam darah balita (Selintung, dkk., 2014).

Sektor transportasi menjadi penyebab utama pencemaran udara karena hal-hal berikut ini.

1. Perkembangan jumlah kendaraan bermotor yang cepat.

2. Jenis bahan bakar yang digunakan kendaraan.

3. Jenis, umur, dan karakteristik kendaraan bermotor.

4. Pola lalu lintas perkotaan yang berorientasi dan terkonsentrasi pada pusat kota (model radial).

5. Kecepatan pergerakan lalu lintas dalam sistem jaringan jalan.

6. Kemacetan arus lalu lintas.

7. Faktor perawatan kendaraan (Ilyas, 2004; Silva, et al. 2006).

17

anshar unhas

18

Terjadinya peningkatan volume lalu lintas yang mengalami kemacetan juga dapat mempengaruhi kualitas udara. Hal ini disebabkan oleh akumulasi emisi gas buang kendaraan yang dilepaskan ke lingkungan sekitarnya pada waktu bersamaan. Beberapa faktor yang mempengaruhi besaran emisi akibat arus lalu lintas adalah tipe kendaraan, yaitu kendaraan ringan atau kendaraan berpenumpang (LV) dan kendaraan berat (HV), umur kendaraan, jenis bahan bakar yang digunakan, dan pola siklus mengemudi kendaraan di jalan raya.

Jenis polutan yang dilepaskan oleh kendaraan bermotor umumnya berbentuk senyawa kimia seperti karbon monosida (CO), nitrogen dioksida (NOx), hidrokarbon (HC), karbon dioksida (CO2), dan particulate matter (PM). Senyawa-senyawa tersebut terbentuk dari pembakaran pada ruang bakar mesin kendaraan bermotor. Senyawa-senyawa terebut sangat berbahaya bagi kesehatan manusia. Senyawa karbon dioksida (CO2) mempengaruhi efek rumah kaca atau global warming. Oleh karena itu, besaran emisi dari setiap polutan yang dilepaskan oleh kendaraan bermotor penting untuk dikontrol.

B. Metode Pengembangan Model Perkiraan Emisi Kendaraan Bergerak

Metode pengembangan model perkiraan emisi kendaran bergerak di jalan raya dalam buku ini dilakukan dengan terlebih dahulu menganalisis faktor-faktor operasional kendaraan yang berpengaruh terhadap kelayakan uji emisi kendaraan, menganalisis hubungan antara variabel karakteristik arus lalu lintas, dan menganalisis pola siklus mengemudi kendaraan di jalan raya.

anshar unhas

1. Model Probabilitas Kelayakan Uji Emisi Kendaraan

Model probabilitas kelayakan uji emisi kendaraan digunakan untuk mengidentifikasi faktor operasional kendaraan yang mempengaruhi emisi kendaraan dengan pendekatan model binomial logit.

a. Model binomial logit

Model regresi logistik, disebut juga model logit adalah prosedur pemodelan yang diterapkan untuk memodelkan variabel respon (Y) yang bersifat kategori berdasarkan satu atau lebih variabel prediktor (X), baik yang bersifat kategoi maupun kontinu. Apabila variabel responnya terdiri dari dua kategori, yaitu Y=1 (sukses) dan Y = 0 (gagal), metode regresi logistik yang dapat diterapkan adalah regresi logistik biner.

Untuk sebuah objek yang diteliti dengan dua kategori yang mengakibatkan y berdistribusi Bernoulli, maka fungsi distribusi peluang untuk y dengan parameter γ adalah

(1)

Dengan y = 0, 1 sehingga probabiliti untuk masing-masing kategori P (Y = 1) = dan P (Y = 0) = 1 - dengan E (y) = , untuk 0 ≤ ≤ 1.

Umumnya, probabilitas regresi logistik dengan variabel prediktor n dapat dirumuskan sebagai berikut

(2)

19

anshar unhas

Dengan xn adalah vektor variabel pengamatan yang merepresentasikan atribut yang relevan terhadap variabel dependen, Yn, β adalah parameter xn yang harus diperkirakan, dan β0 adalah konstanta spesifik.

b. Klasifikasi variabel model binomial logit

Klasifikasi variabel model dibagi menjadi dua kategori, yaitu hasil kelayakan uji emisi kendaraan sebagai variabel dependen, sedangkan karakteristik internal dan eksternal mobil sebagai variabel independen. Ada dua jenis hasil uji emisi terkait dengan standar penilaian dari emisi kendaraan, yaitu Y = 0 jika nilai emisi mobil melebihi nilai standar, disebut kegagalan uji, dan Y = 1 jika emisi di bawah standar, yang disebut uji keberhasilan atau lulus.

Beberapa karakteristik mobil berpenumpang yang berkaitan dengan kemampuan operasional, disebut karakteristik internal dan eksternal. Karakteristik internal adalah umur kendaraan, kapasitas ukuran mesin, dan jarak perjalanan. Karakteristik internal tersebut diindikasikan sebagai faktor penentu yang memberikan kontribusi peningkatan konsentrasi emisi kendaraan yang diperkenalkan ke dalam model sebagai variabel dependen. Untuk mempertimbangkan karakteristik eksternal dari kendaraan, dua jenis karakteristik yaitu, jenis, dan merek kendaraan dimasukkan sebagai variabel dari kendaraan.

Merujuk pada Sudarmanto, et al. (2007), klasifikasi atribut dan sifat variabel model pada buku ini dapat dilihat dalam Tabel 1.

Tabel 1. Kategori dari Sifat Variabel

Sifat Variabel Notasi Klasifikasi

I. Variabel dependen

20

anshar unhas

1. Penilaian uji emisi Y Y = 0 jika gagal; Y = 1 jika sukses

II. Sifat Internal

Kendaraan

1. Umur kendaraan

(tahun)XVa

a. £ 4 b. 5 – 8

c. 9 – 12 d. ³ 13

2. Ukuran mesin (CC) XEsa. £ 1.000 b. 1.000 – 1.500

c. 1.500 – 2.000 d. ³ 2.500

3. Jarak perjalanan

(km)XTd

-

II. Sifat Eksternal

Kendaraan

1. Merek mobil XBc

BBM-Premium: Toyota; Suzuki; Daihatsu; Honda;

Lainnya

BBM-Solar: Mitsubishi; Daihatsu; Toyota; lainnya

2. Tipe mobil XTc a. Sedan b. Non-sedan

c. Standar penilaian uji emisi kendaraan

Untuk menilai hasil pengukuran uji emisi kendaraan memenuhi atau tidak, dilakukan pengujian menggunakan standar emisi kendaraan yang sesuai dengan Peraturan Lalu Lintas Indonesia Nomor 22/2009. Nilai standar emisi kategori kendaraan berbahan bakar premium (Tabel 2) dan standar emisi kategori kendaraan berbahan bakar solar (Tabel 3).

Tabel 2. Standar Emisi Kendaraan Premium di Indonesia

Klasifikasi Kendaraan Model Mobil (tahun) CO (%) HC (ppm)

Mobil Karburator

Pre—1985 4,0 1.000

1986—1995 3,5 800

1996 dan baru 3,0 700

Mobil Injeksi1986—1995 3,0 600

1996 dan baru 2,5 500

Sumber: Peraturan Lalu Lintas Indonesia No 22/2009

21

anshar unhas

Tabel 3. Standar Emisi Kendaraan Solar di Indonesia

Klasifikasi Kendaraan Kriteria Maximum Opacity (%)

Model Kendaraan

Pre-1985 50

1986 - 1996 45

1997 dan baru 40

Berat Kendaraan< 3,5 50

> 3,5 60

Sumber: Peraturan Lalu Lintas Indonesia No 22/2009

d. Pengembangan model binomial logit

Pendekatan model logit, menyatakan bahwa jika terdapat dua kategori hasil yang terjadi seperti disebutkan sebelumnya, model Binomial Logit (BNL) dapat diaplikasikan. Untuk membedakan kontribusi karakteristik internal dan eksternal kendaraan, model ini dibagi menjadi dua variasi model. Model pertama (model-1), hanya mempertimbangkan karakteristik internal dari kendaraan. Model kedua (model-2) mempertimbangkan karakteristik kendaraan internal dan eksternal.

Berdasarkan persamaan (2) dan klasifikasi variabel (Tabel 1), probabiliti kelayakan uji emisi kendaraan untuk kedua model, P1 (y|x) dan P2 (y|x), dinyatakan dalam persamaan 3 dan 4 sebagai model binomial logit. β0 adalah konstanta model, β1 ... βn adalah parameter masing-masing variabel yang disebutkan dalam Tabel 1 di atas.

(3)

22

anshar unhas

(4)

e. Estimasi parameter model binomial logit

Estimasi parameter model mengadopsi teori maksimum likelihood untuk memperkirakan nilai parameter dari model logit binomial. Prosedur untuk memperkirakan nilai maksimum likelihood akan mengembangkan fungsi probabiliti kepadatan gabungan dari sampel yang diamati (fungsi likelihood) melalui estimasi nilai parameter yang memaksimalkan fungsi likelihood.

Fungsi likelihood dalam pengamatan kasus T terhadap alternatif hasil j didefinisikan sebagai persamaan 5 (Koppelman dan Bhat, 2006). Jika jt indikator terpilih (= 1 jika j terjadi pada observasi t dan 0, sebaliknya) dan Pjt adalah probabiliti saat observasi t akibat

(5)

Solusi untuk memaksimalkan fungsi log-likelihood adalah fungsi turunan kedua berkenaan dengan .

2. Model Hubungan Antara Variabel Karakteristik Arus Lalu lintas

Analisis hubungan antara variabel karakteritik arus lalu lintas dilakukan dengan mengadopsi dan mengadaptasikan tiga model pendekatan, yaitu model Greenshield, model Greenberg dan model Underwood. Ketiga model ini akan dipilih sebagai model V-S-D yang mempunyai kesesuaian terbaik dengan kondisi nyata di jalan raya untuk digunakan sebagai dasar analisis waktu tempuh perjalanan kendaraan.

23

anshar unhas

a. Model Greenshield

Greenshield menyimpulkan bahwa hubungan antara kecepatan rata-rata ruang (space mean speed) dengan kepadatan kendaraan dalam suatu arus lalu lintas adalah linear. Hubungan ini dapat dinyatakan dengan persamaan 6 (Liputo, dkk., 2007; dan Ali, dkk., 2006), jika diketahui Us = kecepatan rata-rata ruang (km/jam); Uf = kecepatan pada kondisi arus bebas (km/jam); K = kepadatan (smp/jam); Kj = kepadatan macet (smp/jam).

(6)

Hubungan antara q dan Us diperoleh dengan menstubtitusikan nilai K= q/Us pada persamaan (6) di atas, diperoleh persamaan 7 (Liputo, dkk., 2007; dan Ali, dkk., 2006) dengan q adalah volume lalu lintas (smp/jam).

(7)

Persamaan selanjutnya adalah hubungan antara q dan K yang diperoleh dari subsitusi persamaan (7) dengan persamaan (5). Hasil penyelesaian ini diperoleh sebuah persamaan parabola sebagai berikut (Liputo, dkk., 2007; dan Ali, dkk., 2006):

(8)

b. Model Greenberg

Greenberg merumuskan bahwa hubungan antara kecepatan rata–rata ruang dan kerapatan kendaraan merupakan fungsi logaritmik. Dasar rumusan Greenberg adalah sebagaimana persaman 9 (Liputo,

24

anshar unhas

dkk., 2007; dan Ali, dkk., 2006) apabila c dan b merupakan nilai konstanta.

(9)

Selanjutnya hubungan antara q dan Us didapat dari persamaan dasar , dengan mensubtitusikan nilai k = q/u, diperoleh persamaaan 10 (Liputo, dkk., 2007; dan Ali, dkk., 2006):

(10)

Persamaan selanjutnya adalah hubungan antara q dan k didapat dari persamaan dengan substitusi Us = q/k, diperoleh persamaan 11 (Liputo, dkk., 2007; dan Ali, dkk., 2006):

(11)

c. Model Underwood

Model ketiga diusulkan oleh Underwood yang mengembangkan bahwa hubungan antara Us dan k adalah merupakan fungsi logaritma (Liputo, dkk., 2007; dan Ali, dkk., 2006). Persamaan dasar yang dipergunakan adalah sebagai berikut.

(12)

Hubungan antara q dan k didapat dari persamaan dasar dengan subsitusi Us = q/k sehingga didapat

persamaan sebagai berikut (Liputo, dkk., 2007; dan Ali, dkk., 2006).

25

anshar unhas

(13)

Hubungan antara q dan Us diperoleh dari persamaan dasar dengan subsitusi k = q/Us, yaitu (Liputo, dkk., 2007;

dan Ali, dkk., 2006):

(14)

3. Pola Siklus Mengemudi (Driving Cycle) Kendaraan

Perilaku lalu lintas sebagai indikasi dari pola siklus mengemudi kendaraan adalah kondisi operasional kendaraan di jalan yang dikembangkan sebagai referensentasi pola dan ciri mengemudi di wilayah perkotaan. Pola ini memahami karakteristik dan siklus mengemudi kendaraan adalah merujuk pada identifikasi dari tinjauan beberapa literatur. Menurut Wang (2008) karakteristik siklus mengemudi kendaraan berbeda antara satu kota dengan kota lainnya sehingga diperlukan analisis pola siklus mengemudi kendaraan yang nyata pada situasi lalu lintas eksisting. Parameter pola siklus mengemudi kendaraan yang dapat diidentifikasi adalah kecepatan rata-rata, persentase kendaraan idle, persentase kendaraan melaju, persentase percepatan, dan persentase perlambatan kendaraan.

Untuk memahami dan menganalisis pola siklus mengemudi kendaraan, dikembangkan model pola siklus mengemudi kendaraan menurut distribusi frekuensi kecepatan rata-rata kendaraan uji dengan asumsi pendekatan model polinomial (Tamsanya, et al. 2009; Tian, et al. 2011).

26

anshar unhas

Model polinomial merupakan salah satu model regresi non linear dengan model persamaan matematika berderajat-n. Regresi non linear merupakan hubungan antara dua peubah yang terdiri dari variabel dependen (Y) dan variabel independen (X). Dengan demikian dapat diartikan bahwa model polinomial adalah suatu bentuk persamaan dengan nilai orden atau berderajat banyak.

Untuk mengetahui tingkat derajat dari suatu persamaan dapat dilihat pada pangkat terbesar dari persamaan polinomial tersebut. Bentuk model polinomial dapat dinyatakan seperti pada persamaan 15, dengan β adalah parameter variabel X, β0 adalah konstanta model, dan 1, 2,…..,n adalah orde atau derajat persamaan.

Y(x) = β0 + βn-1Xn-1 + βn-2Xn-2 +……+ βnXn (15)

C. Pengembangan Model Emisi Kendaraan Bergerak di Jalan Raya

Untuk memahami dan menganalisis besaran emisi kendaraan yang bergerak di jalan raya perlu diketahui prinsip dasar pembangunan model emisi kendaraan khususnya pada kondisi dan level emisi kendaraan yang bergerak di jalan raya.

1. Prinsip Dasar Perkiraan Emisi Kendaraan Bergerak

Emisi kendaraan dapat dibedakan atas 3 tipe kondisi emisi sebagai berikut:

27

anshar unhas

28

a) Emisi dari kendaraan dalam kondisi mesin sudah panas dan stabil (hot running emission).

b) Emisi dari kendaraan dalam kondisi mesin masih dingin pada saat mulai dipanaskan (cold start exhaust emissions).

c) Emisi yang menguap dari sistem bahan bakar yang digunakan (evaporative emissions).

Analisis untuk mengestimasi dari ketiga tipe emisi tersebut di atas, dapat dibedakan menjadi 3 level analisis sebagai berikut:

a) Analisis besaran emisi pada level analisis kendaraan.

b) Analisis besaran emisi pada level arus lalu lintas di ruas jalan.

c) Analisis besaran emisi pada level jaringan jalan.

Dalam perspektif ketiga level analisis di atas, total besaran (E dalam satuan massa) diprediksi dengan cara multiplikasi antara suatu faktor emisi dengan data kondisi aktivitas lalu lintas/transportasi yang tepat. Faktor emisi mempertimbangkan jumlah dari polutan yang dilepaskan oleh kendaraan. Jumlah polutan tersebut dinyatakan sebagai massa per satuan jarak pada level ruas jalan dan level jaringan jalan (ex) dan sebagai massa per unit waktu pada level analisis kendaraan (et). Aktivitas lalu lintas/sarana transportasi dinyatakan dalam VKT (Vehicle Kilometre Travel) bila berkorespondesi dengan ex dan dinyatakan dalam total waktu perjalanan dalam hal berkorespondesi dengan et.

Dalam model besaran emisi kendaraan, faktor emisi dipengaruhi oleh banyak faktor pada setiap level analisis. Faktor-faktor utama yang dipertimbangkan tergantung sejauh mana tingkat akurasi dan tingkat aktualitas dari model emisi yang dapat dibangun.

anshar unhas

Menurut Smith (2006) dan IVE Model (2004), faktor-faktor yang berpengaruh pada level analisis kendaraan adalah karakteristik desain kendaraan, proses penuaan komponen kendaraan, penggunaan alat perlengkapan kendaraan, temperatur, altitude, humadity, dan karakteristik bahan bakar yang digunakan (Gambar 6).

Gambar 6. Faktor-faktor berpengaruh pada analisis emisi kendaraan(Sumber: IVE Model)

Pada level ruas jalan, faktor-faktor yg berpengaruh adalah komposisi lalu lintas, karakteristik ruas jalan, karakteristik dan perilaku lalu lintas yang ada di ruas jalan tersebut. Adapun pada level jaringan jalan, dominan dipengaruhi oleh faktor aktivitas

29

anshar unhas

kendaraan/lalu lintas, khususnya panjang perjalanan dan atau lama waktu perjalanan. Faktor-faktor tersebut sangat tergantung pada pola aktivitas pengguna kendaraan itu sendiri.

Kondisi lokal yang dipertimbangkan adalah driving pattern, kondisi lalu lintas, lingkungan di sekitar jalan raya, personal driving style, dan kondisi lokal terkait dengan temperatur serta humadity. Driving pattern dalam buku ini dianalisis dengan pola siklus mengemudi kendaraan di jalan raya. Karakteristik lalu lintas dianalisis dengan mengembangkan model V-S-D. Kondisi lingkungan di sekitar jalan raya yang dipertimbangkan adalah ketinggian jalan, kondisi temperatur dan humadity (IVE Model, 2004). Personal driving style tidak dibahas dalam buku ini dengan asumsi pengemudi menginjak pedal rem dan pedal gas kendaraan adalah serupa ketika berada pada ruas jalan di wilayah perkotaan.

2. Model Faktor Emisi Kendaraan BergerakFaktor emisi kendaraan dipengaruhi oleh banyak faktor, seperti kondisi lalu lintas dan pola siklus mengemudi dari perilaku pengemudi. Namun, nilai emisi dasar dari kendaraan bermotor berbeda dengan yang lainnya antara satu jalan, daerah, kota atau wilayah. Faktor emisi (Qt) menurut IVE Model yang telah diadopsi oleh Guo (2007) untuk suatu ruas jalan pada jaringan jalan dapat dihitung dengan persamaan 16.

Q[t]= B[t]* KBase [t]* K(Tmp)[t]* K(Hmd)[t]*K(IM)[t]* K(Fuel)[t]]*K(Alt)[t]]*K(Cntry)[t]* K(d)[t] (16)

Dengan: Q[t] = Faktor emisi untuk masing-masing teknologi. B[t] = Emisi dasar untuk masing-masing teknologi. K(Base)[t] = Penyesuaian emisi dasar.

30

anshar unhas

K(Tmp)[t] = Faktor koreksi suhu. K(Hmd)[t] = Faktor koreksi kelembaban. K(IM)[t] = Faktor koreksi ispeksi/maintenance. K(Fuel)[t] = Faktor koreksi kualitas bahan bakar. K(Alt)[t] = Faktor koreksi ketinggian. K(Cntry)[t] = Faktor koreksi negara. K[dt] = Faktor koreksi gaya mengemudi.

3. Model Perkiraan Emisi Kendaraan Bergerak di Jalan Raya

Perkiraan besaran emisi kendaraan (E) dari jenis polutan p, pada periode waktu tertentu t dan pada suatu segmen ruas jalan L dapat diestimasi dengan multiplikasi antara VKT dan tingkat emisi/faktor emisi (EF) dari setiap tipe kendaraan. VKT adalah multiplikasi dari panjang ruas jalan dan volume lalu lintas.

Formula perkiraan besaran emisi kendaraan tersebut dinyatakan dengan formula 17 (Lyons, et al. 2003; Kalandiyur, 2007):

Et,l,p= VKTt,l,p * EFt,l,p (17)

Tung (2011) telah melakukan uji emisi terhadap 4 kendaraan ringan atau kendaraan berpenumpang di Vietnam.Formula yang digunakan untuk analisis perkiraan besaran emisi kendaraan adalah formula 18. E adalah emisi kendaraan untuk jenis polutan i yang diemisikan oleh kendaraan tipe j pada ruas jalan L, N adalah jumlah kendaraan, dan EF adalah faktor emisi kendaraan.

Ei,j= Σ (Nj,L * EFi,j* VKTj,L) (18)

31

anshar unhas

4. Model Perkiraan Emisi Kendaraan untuk Negara Berkembang

Salah satu model perkiraan kuantitas emisi kendaraan yang saat ini dikembangkan untuk kondisi negara berkembang adalah International Vehicle Emission Model (IVE). IVE Model telah dikembangkan secara bersama oleh International Sustainable Systems Research Center dan the University of California at Riverside (Carb, 2004; IVE Model, 2004). Model ini dapat menghitung besaran emisi kendaraan pada level makro dan mikro. Input data utama pada model ini adalah karakteristik lalu lintas, pola perilaku lalu lintas, dan faktor emisi berdasarkan kondisi setempat.

Pengadopsian model ini mudah digunakan dan diadaptasi sesuai dengan karakteristik dan perilakulalu lintas/transportasi yang ada di negara-negara berkembang. Model ini juga mengizinkan pemakaian metode survei yang lebih cocok untuk kondisi setempat, khususnya untuk survei kondisi karakteristik lalu lintas dan pola siklus mengemudi kendaraan.

Kerangka konseptual dari sistem kerja untuk menghitung besaran emisi menurut IVE Model (Gambar 7) juga digunakan oleh Gou, et al. (2004).

32

anshar unhas

Gambar 7. Kerangka konseptual sistem kerja IVE Model

5. Mitigasi emisi kendaraan di jalan rayaMitigasi emisi merupakan titik tolak utama dari manajemen emisi kendaraan. Mitigasi emisi merupakan sekumpulan kegiatan yang memperkecil tingkat kerentanan dan jumlah atau konsentrasi emisi kendaraan di jalan raya. Untuk mitigasi secara umum dapat dikelompokkan dalam mitigasi struktural (berhubungan dengan usaha-usaha rekayasa) dan mitigasi non-struktural (berhubungan dengan non fisik).

Salah satu program mitigasi emisi kendaraan dalam hal pengendalian polusi kendaraan bermotor untuk mencapai kualitas udara yang baik adalah program Transportation Demand Management (TDM). Kebutuhan programn TDM khusus di wilayah perkotaan di negara berkembang karena persediaan infrastruktur yang terbatas, keaneragaman moda transportasi, dan masalah

33

anshar unhas

lingkungan. Menurut Ade (2000) pada lingkup makroskopis, tingkat, dan skala gangguan terhadap lingkungan akibat transportasi dipengaruhi oleh berbagai faktor yang saling berkaitan, seperti kondisi perekonomian global dan nasional, kebijakan transportasi (sistem pengadaan, standar lingkungan, dsb.), struktur sektor transportasi (moda-moda yang dioperasikan, dsb), serta aspek-aspek operasional dari kegiatan transportasi (sistem manajemen, tingkat penggunaan, penerapan teknologi, dan sebagainya). Lebih lanjut Ade mengemukakan, bagi transportasi perkotaan, polusi udara akibat transportasi jalan merupakan dampak yang paling problematis, terutama di negara-negara berkembang karena perkembangan infrastruktur sangat tertinggal dibanding perkembangan kebutuhan yang mengakibatkan kemacetan yang sangat ekstensif.

Di negara berkembang, kepemilikan kendaraan cenderung pada kendaraan dengan polusi tinggi. Besarnya jumlah kendaraan yang tua ditambah praktek pemeliharaan kendaraan yang terbatas, menunjukkan bahwa dampak pertumbuhan kendaraan di negara-negara berkembang beberapa kali lebih buruk dibandingkan tingkat pertumbuhan kendaraan yang serupa di negara maju.

Transportation Demand Management atau manajemen permintaan transportasi merupakan suatu strategi untuk memaksimalkan efisiensi sistem transportasi perkotaan melalui pembatasan penggunaan kendaraan pribadi dan mempromosikan moda transportasi yang lebih efektif, sehat, dan ramah lingkungan, seperti angkutan umum dan transportasi tidak bermotor.Manajemen permintaan transportasi sangat sesuai dengan negara berkembang (Andrea et al., 2010) karena kepemilikan sumber daya sangat terbatas dan mayoritas masyarakat menggunakan angkutan umum dan penggunaan kendaraan pribadi secara bersama.

34

anshar unhas

Strategi komprehensif manajemen permintaan trasnportasi sebaiknya didesain untuk mengurangi total volume lalu lintas dan mempromosikan peralihan moda ke arah moda transportasi umum. Kedua hal ini bertujuan untuk mengurangi kemacetan lalu lintas dan mengurangi efek negatif pada lingkungan atau kesehatan masyarakat. Salah satu dampak akibat kemacetan di wilayah perkotaan adalah lebih banyaknya polusi akibat kendaraan bermotor dibandingkan pada saat lalu lintas bergerak lancar.

Dalam buku ini, manajemen permintaan transportasi terkait dengan pengurangan volume lalu lintas dan mempromosikan moda transportasi umum sebagai upaya yang dilakukan untuk memaksimalkan infrastruktur yang terbatas di wilayah perkotaan negara berkembang adalah melakukan upaya pengurangan volume lalu lintas khususnya yang terkait dengan faktor lingkungan atau polusi udara akibat kendaraan bermotor dengan beberapa skenario. Skenario pertama adalah pembatasan umur kendaraan yang beroperasi di jalan raya. Pembatasan umur kendaraan yang dimaksudkan dalam buku ini adalah membatasi pengoperasian kendaraan-kendaraan yang sudah tua dengan terlebih dahulu melakukan pengujian terhadap emisi gas buang kendaraan sebagai salah satu kebijakan kota metropolitan untuk mengatasi kepadatan arus lalu lintas.

Skenario kedua, pengadaan angkutan umum yang lebih efisien dan efektif dengan kondisi infrastruktur yang terbatas, diharapkan jika angkutan bus dapat diimplementasikan, jumlah kendaraan akan berkurang. Pengurangan jumlah kendaraan terjadi karena pengalihan penggunan moda dari angkutan umum ke penggunaan angkutan massal/bus. Skenario ketiga adalah dengan beroperasinya angkutan bus diasumsikan volume sepeda motor yang jumlahnya sangat signifikan dapat berkurang hingga 50%.

35

anshar unhas

Dengan menerapkan skenario pertama, skenario kedua, dan skenario ketiga secara simultan diharapkan dapat mengurangi kemacetan lalu lintas di ruas jalan dan mereduksi jumlah polutan yang dilepaskan oleh kendaraan bermotor di jalan raya.

6. Penelitian terdahulu terkait model emisi kendaraan

Pada bagian ini akan diuraikan beberapa penelitian terdahulu terkait model prediksi emisi kendaraan bergerak.

a. Hubungan antara variabel Karakteristik Arus Lalu lintas

Hubungan antara variabel karakteristik makro arus lalu lintas telah banyak dilakukan khususnya di negara-negara maju dengan pendekatan model hubungan antara variabel karakteristik arus lalu lintas, seperti pendekatan model Greenshield, pendekatan model Greenberg, dan pendekatan model Underwood (Tamin, 2007). Pengembangan model tersebut sesuai dengan kondisi arus lalu lintasyang lancar dan stabil (perilaku pengguna jalan tertib dan konsisten pada lajurnya) dengan kondisi arus lalu lintas yang homogen. Untuk mengadopsi model-model tersebut tanpa melakukan suatu adaptasi dapat memberikan hasil prediksi yang tidak tepat.

Pengadaptasian model untuk kondisi lalu lintas di negara-negara berkembang telah dilakukan oleh beberapa peneliti. Diantaranya, Suteja (1999) telah membangun model-model untuk kondisi arus lalu lintas yang didominasi oleh sepeda motor di Bali. Penelitian lainnya terkait dengan pengaruh tipe-tipe jalan juga

36

anshar unhas

telah dilakukan oleh Ali, dkk, (2006) dan (Liputo, dkk., 2007) untuk kasus di Kota Makassar.

Dalam konteks ini, untuk kondisi lalu lintas yang umumnya bersifat heterogen (tidak ada konsistensi penggunaan lajur jalan) dan tidak lancar (karena banyaknya tundaan di persimpangan dan ketidaktertiban dalam berlalu lintas), yang merupakan fenomena lalu lintas yang banyak terjadi dewasa ini di Indonesia, belum dilakukan. Untuk itu, dalam buku ini penulis mencoba mengadaptasi ketiga model pendekatan di atas, yaitu model Greenshield, model Greenberg, dan model Underwood untuk dipilih sebagai model yang mewakili kondisi arus lalu lintas nyata di jalan raya..

b. Pola siklus mengemudi kendaraan (driving cycle)

Pola siklus mengemudikendaraan telah dilakukan oleh banyak negara, baik di negara Eropa maupun di negara Asia, seperti Thailand dan Vietnam. Namun, pola siklus mengemudi sebagai dasar untuk memahami pola siklus mengemudi, baik secara lokal, regional, maupun internasional belum ada.

Penentuan pola siklus mengemudi di jalan raya belum pernah dilakukan di Indonesia. Tamsanya,et al. (2009) dan Tong, et al.(2011) juga melakukan studi terkait dengan pengukuran driving cyclemasing-masing di Bangkok, Thailand, dan di Hanoi, Vietman.

Pengukuran driving cycle di Hanoi dilakukan untuk kendaraan berpenumpang dan sepeda motor dengan mengukur parameter driving cycle. Parameter yang dimaksud adalahparamater dari kecepatan rata-rata, percepatan, perlambatan, proporsi sewaktu kendaraan melaju dan idle, proporsi sewaktu kendaraan mengalami

37

anshar unhas

percepatan atau perlambatan dan jumlah kendaraan rata-rata yang mengalami percepatan dan perlambatan serta jarak rata-rata kendaraan yang melaju.

Di Bangkok, pengukuran driving cycle dilakukan pada kendaraan berpenumpang dengan membandingkan hasil pengukuran nyata di jalan raya dan standard chassis dynamometer di laboratorium. Pengukuran pola siklus mengemudi kendaraan yang dilakukan terhadap kendaraan berpenumpang yang dijelaskan dalam buku ini adalah pengukuran pola siklus mengemudi yang dilakukan di jalan raya dengan situasi lalu lintas heterogen.

c. Probabiliti kelayakan uji emisi kendaraan

Elaborasi untuk pencapaian program pengurangan emisi kendaraan, baik di negara maju maupun di negara berkembang telah banyak dilakukan. Dalam hal ini, secara khusus berkaitan dengan upaya untuk memahami tingkat emisi kendaraan yang sedang bergerak di jalan dan analisis probabilitas uji emisi pada level kendaraan terhadap faktor-faktor penyebab kegagalan uji emisi bagi kendaraan uji. Sudarmanto, et al. (2007) telah mengembangkan probit bivariate model untuk menggambarkan dan menganalisis probabilitas kelayakan kendaraan dalam suatu pengukuran uji emisi kendaraan secara stationer di jalan raya dengan kasus kendaraan mobil berpenumpang di Jakarta. Hal ini serupa dengan pengukuran uji emisi jenis kendaraan sepeda motor dengan lokasi kasus di Jakarta-Bandung-Surabaya (Sudarmanto, dkk 2010). Pujadas (2004) juga melakukan studi dan mencoba membandingkan antara hasil uji eksperimen dengan hasil uji kalkulasi model terhadap faktor emisi kendaraan di jalan dalam kondisi diam/tidak bergerak dengan kasus lalu lintas di Madrid.

38

anshar unhas

Pujadas telah melakukan uji emisi terhadap kendaraan yang dipilih secara acak berdasarkan umur kendaraan dan jenis bahan bakar yang digunakan. Arus lalu lintas di jalan raya dikawasan Madrid dicirikan dengan tingkat kemacetan yang sangat sering sepanjang hari. Sejumlah besar kendaraan yang beroperasi di jalan raya dengan kondisi diam, berhenti, dan berjalan selama periode jam puncak. Pendekatan model lainnya untuk menganalisis kelayakan uji emisi kendaraan dikembangkan dengan menggunakan model logit dan analisa regresi yang telah dilakukan oleh Beydon, et al. (2006).

Untuk memahami faktor-faktor penyebab kegagalan uji emisi kendaraan dalam kondisi diam/tidak bergerak dalam buku ini digunakan model binary logistic regression atau binomial logit model.

7. International Vehicle Emission Model (IVE Model)

IVE Model telah banyak diadopsi dan dielaborasi oleh peneliti di beberapa negara berkembang khususnya terkait dengan program pengurangan dan solusi mengatasi emisi kendaraan di jalan raya, jalan tol, arteri ataupun di jalan kolektor dan lokal. Dalam hal ini, secara khusus berkaitan dengan pengukuran emisi kendaraan yang diemisikan oleh kendaraan berpenumpang dengan bahan bakar premium dan solar.

Lents, et al. (2004) telah mengelaborasi model IVE untuk mengukur polutan CO, CO2, dan NO yang diemisikan oleh kendaraan penumpang berbahan bakar premium di jalan raya di Almaty, Kazakhstan. Demikan pula telah dilakukan pengukuran emisi untuk kendaraan jenis diesel yang berlokasi di Beijing,

39

anshar unhas

Cina (Lents, et al. 2007). Haikun, et al. (2008) telah melakukan pengukuran emisi untuk mengembangkan faktor emisi kendaraan di Shanghai, yang merupakan kota industri dan komersial paling komprehensif di Cina. Pengukuran itu dapat menganalisis resolusi spasial dan temporal dari aktivitas kendaraan, dan komposisi kendaraan di kota ini. Total emisi kendaraan dihitung dengan IVE Model yang memperhitungkan variabel VSP, faktor-faktor yang berpengaruh terhadap emisi kendaraan, dan panjang perjalanan kendaraan (VKT) atau panjang segmen jalan yang dilalui kendaraan.

Pengembangan MARNI Model juga mengadaptasi International Vehicle Emission (IVE) Model, khususnya terkait dengan faktor koreksi emisi untuk faktor emisi kendaraan ringan berbahan bakar premium.

8. Kerangka konseptual pemikiranBerdasarkan berbagai konsep model dalam beberapa kajian literatur, maka disusun suatu kerangka konseptual pemikiran terkait dengan pengembangan model prediksi emisi kendaraan bergerak di jalan raya dengan mempertimbangkan situasi lalu lintas heterogen. Kerangka ini menjadi dasar pemikiran pembentukan MARNI Model (Gambar 8). Konsep pemikiran model perkiraan emisi kendaraan bergerak di jalan raya dibangun berdasarkan atas beberapa tahapan.

Tahap pertama adalah kajian literatur sehingga dapat dikemukakan bahwa pendekatan lingkup model emisi kendaraan dalam buku ini adalah pendekatan emisi dari sumber kendaraan bergerak di jalan raya pada kondisi lalu lintas heterogen seperti pada lalu lintas di negara berkembang. Adapun pendekatan analisis karakteristik arus lalu lintas adalah dengan pendekatan analisis karakteristik makro pada situasi lalu lintas bersifat heterogen dan

40

anshar unhas

arus kendaraan tidak lancar. Pendekatan analisis mitigasi emisi kendaraan adalah dengan pengendalian jumlah volume lalu lintas dan karakteritik angkutan umum menurut model prediksi emisi kendaraan bergerak di jalan raya dengan mempertimbangkan situasi lalu lintas yang bersifat heterogen.

Tahap kedua dalam kerangka konsep pemikiran ini adalah analisis permasalahan fenomena karakterisitik operasional kendaraan yang diindikasikan dengan variabel panjang perjalanan, umur kendaraan, merek/tipe kendaraan, kapasitas kendaraan, dan jenis bahan bakar yang digunakan.

Permasalahan karakteristik lalu lintas diindikasikan dengan variabel komposisi kendaraan, volume arus lalu lintas, kecepatan kendaraan, percepatan, komposisi lalu lintas, dan waktu tempuh perjalanan serta permasalahan emisi kendaraan pada level emisi dasar kendaraan di jalan raya. Untuk menganalisis hubungan antara variable-variabel karakteristik arus lalu lintas, dibangun model hubungan antara variabel karakteristik arus lalu lintas pada lalu lintas heterogen. Selain itu, dibangun juga model siklus mengemudi kendaraan. Analisis faktor karakteristik operasional kendaraan dilakukan dengan mengembangkan model probabilitas kelayakan uji emisi kendaraan dan untuk menganalisis pola kecenderungan peningkatan emisi kendaraan terhadap fluktuasi kecepatan kendaraan di jalan raya dengan membangun model faktor emisi kendaraan.

Tahap ketiga adalah konstruksi model-model untuk menemukan suatu model perkiraan emisi kendaraan bergerak di jalan raya. Tahapan terakhir dari kerangka konsep pemikiran ini adalah implementasi model perkiraan emisi kendaraan. Tahapan ini menganalisis besaran emisi kendaraan bermotor di salah satu jalan utama di wilayah perkotaan dan menganalisis emisi kendaraan dari beberapa skenario terkait dengan mitigasi emisi kendaraan.

41

anshar unhas

Gam

bar 8

. Ker

angk

a ko

nsep

tual

pem

ikira

n

42

anshar unhas

BAB IIIPENGUKURAN ARUS LALU LINTAS

DAN EMISI KENDARAAN BERMOTORanshar unhas

44

Karakteristik arus lalu lintas dan faktor emisi kendaraan bermotor merupakan variabel yang diperlukan terkait pengembangan

MARNI Model dalam buku ini. Oleh karena itu penjelasan terkait metode pengukuran dan analisis karakteristik arus lalu lintas serta faktor emisi kendaraan dijelaskan dalam buku ini..

Pengukuran arus lalu lintas dan emisi kendaraan yang dimaksud adalah pengumpulan data/survei yang meliputi data primer dan sekunder. Data primer arus lalu lintas meliputi data volume arus lalu lintas, kecepatan kendaraan, kepadatan lalu lintas, karakteristik operasional kendaraan, dan data emisi kendaraan. Data emisi kendaraan terdiri atas emisi kendaraan stationer dan emisi kendaraan bergerak. Data sekunder meliputi kondisi lokal seperti suhu, kelembaban udara, dan kondisi existing jalan.

A. Pengukuran Emisi Kendaraan BergerakSebelum melakukan pengukuran emisi kendaraan bergerak di jalan raya, terlebih dahulu melakukan penentuan ketegori dan jumlah kendaraan uji.

1. Kategori dan Jumlah Kendaraan UjiPenentuan kategori kendaraan uji untuk pengukuran emisi kendaraan merujuk pada Aly, et al. (2011) yang menyatakan bahwa umur kendaraan signifikan tehadap peningkatan konsentrasi polutan CO dan HC pada kendaraan ringan berbahan bakar premium. Selanjutnya, menurut International Vehicle Emission Model (IVE Model, 2004) tipe teknologi mesin perlu dipertimbangkan karena tipe teknologi mesin kendaraan yang beroperasi di jalan adalah salah satu faktor penting. Eldewisa, et al. (2009)

anshar unhas

telah melakukan pengukuran emisi kendaraan terhadap 3 jenis kendaraan, yaitu Suzuki Futura (moda transportasi umum) kapasitas mesin 1.500 cc produksi tahun 2005 berbahan bakar premium, Toyota Kijang kapasitas mesin 1800 cc produksi tahun 2004 berbahan bakar premium dan Isuzu Panther Standard kapasitas mesin 2.300 cc produksi tahun1995 berbahan bakar solar, ketiganya mewakili jumlah kendaraan di Bandung, Jawa Barat.

Untuk memperoleh jumlah kendaraan uji, terlebih dahulu dilakukan pemetaan kompilasi data hasil survei terhadap umur kendaraan, tipe teknologi, dan ukuran mesin kendaraan. Tipe exhaust kendaraan yang disurvei sesuai dengan tipe exhaust kendaraan IVE Model diperoleh 8 tipe exhaust. Tipe tersebut, yaitu 3-way; 3-way/EGR; Euro 3; Hybrid; None; Sulev; Ulev dan Euro 4. Adapun tipe teknologi mesin kendaraan yang sesuai dengan tipe teknologi mesin kendaraan IVE Model terdiri atas 2 tipe, yaitu tipe caburator dan multipoint fuel injection (MPFI). Untuk ukuran kendaraan yang sesuai dengan ukuran kendaraan IVE Model, yaitu ukuran ringan (small) dan medium. Selanjutnya, umur kendaraan diklasifikasikan menjadi 3, yakni umur kendaraan antar 0—6 tahun, 6—13 tahun, dan lebih besar 13 tahun. Klasifikasi ini sesuai dengan IVE Model (Tabel 4)

Tabel 4. Pemetaan kompilasi kategori kendaraan ringan (LV)

NoExhaust

Tipe

Carburator Multi Point Fuel Injection

Total (%)

Ukuran RinganUkuran Medium

Ukuran Ringan Ukuran Medium

0-6 6-13 >13 6-13 >13 0-6 6-13 >13 0-6 6-13 >13

1 3-way 0,3 1,7 0,5 1,3 0,7 4,5

2 3-Way/EGR 0,2 0,2 3,2 0,5 6,6 16 1,5 0,2 17 7,2 0,3 52,9

3 Euro 3 0,5 0,5

4 Hybrid 0,2 1 1,2 2,4

5 None 0,2 0,2

45

anshar unhas

6 SULEV 1 1,2 7,2 4 0,3 13,8

7 ULEV 14,5 1,3 6,7 3 25,6

8 Euro 4 0,2 0,2

Total (%) 0,2 0,2 3,5 0,5 6,7 33,8 4,7 0,2 33,3 16,2 0,7 100

11,1 88,9 100

Sumber: Data Primer 2011

Dari hasil kompilasi tersebut, diperoleh 31 tipe kendaraan dengan jumlah persentase kendaraan yang beragam. Penentuan jumlah kendaraan uji ditetapkan berdasarkan persentase jumlah kendaraan yang lebih besar 7%. Jumlah kendaraan uji dalam buku ini ditentukan sebanyak 5 unit sesuai dengan jumlah kendaraan yang mempunyai persentase di atas 7 %. Kendaraan tersebut masing-masing adalah 1) tipe 3 way/EGR, ukuran ringan dan umur antara 0—6 tahun; 2) tipe 3 way/EGR, ukuran medium dan umur antara 0—6 tahun; 3) tipe 3 way/EGR, ukuran medium dan berumur antara 6—13 tahun; 4) tipe Sulev, ukuran medium dan umur antara 0—6 tahun; 5) tipe Ulev, ukuran medium dan umur 0—6 tahun. Semua kendaraan uji tersebut merupakan kendaraan bermesin MP, MP, MMMPFI, dan MPFI.

Kelima sampel kendaraan tersebut diwakili oleh kendaraan Toyota Avanza, Honda Jazz, Suzuki APV, Daihatsu Xenia, dan Kijang Innova. Kelima kendaraan tersebut merupakan kendaraan uji untuk mengukur emisi kendaraan bergerak di jalan raya. Contoh uji jenis Toyota (Gambar 9) dan spesifikasi kendaraaan uji yang terdiri atas tahun produksi, kapasitas mesin, pembacaan odometer, dan tipe kontrol mesin kendaraan (Tabel 5).

46

anshar unhas

Tabel 5. Spesifikasi Kendaraan Uji

Spesifikasi K.-1 K.-3 K.-4 K.-5 K.-6

Tipe Kendaraan Avanza H. Jazz S. APV K. Innova Xenia

Produksi (Tahun) 2007 2007 2007 2006 2010

Kapasitas Mesin (cc)) 1.500 1.400 1.493 2.000 1.200

Odometer (km) 60.824 96.682 32.506 71.454 38.284

Tipe kontrol Mesin 3way/EGR 3way/EGR Sulev 3way/EGR Ulev

Keterangan: K.-1 = kendaraan uji-1; K-3 = kendaraan uji-3; K-4 = kendaraan uji-4; K-5 = kendaraan uji-5; K-6 = kendaraan uji-6.

Klasifikasi umur kendaraan uji sesuai dengan klasifikasi umur kendaraan pada IVE Model. Misalnya kendaraan uji-1 diklasifikasikan ke dalam umur kendaraan 0—6 tahun dan pada pembacaan odometer

kendaraan uji-1 adalah 60.824 km (Tabel 5), posisi pembacaan odometer ini sesuai dengan klasifikasi IVE Model, yakni < 79.000 km.

2. Pengukuran Emisi KendaraanPengukuran emisi kendaraan dilakukan dengan dua cara, yaitu 1) pengukuran emisi kendaraan dilakukan pada saat kendaran stasioner dan mesin tetap dihidupkan; dan 2) pengukuran emisi kendaraan dilakukan pada saat kendaraan bergerak di jalan raya. Alat yang digunakanuntuk melakukan pengukuranemisi kendaraan stationer adalah model Portable dan alat ukur Portable Combustion Gas Analyzer (PCGA) sebagai alat ukur emisi kendaraan bergerak. Alat ukur PCGA yang digunakan adalah tipe Portable Combustion Gas Analyzer 2200.

Gambar 9. Contoh kendaraan uji jenis Toyota

47

anshar unhas

3. Metode Pengukuran Emisi Kendaraan Stasioner

Sebagai langkah awal untuk mengetahui faktor-faktor penyebab meningkatnya konsentrasi polutan dari kendaraan bermotor pada level analisis kendaraan adalah mengukur emisi kendaraan secara stasioner. Pengukuran emisi kendaraan secara stasioner dilakukan dengan menggunakan alat ukur portabel pada saat kendaraan diam tetapi mesin kendaraan tetap dihidupkan (Gambar 10).

Gambar 10. Pengukuran emisi kendaraan stasioner

Alat ukur Portabel dihubungkan langsung ke knalpot kendaraan dan mesin kendaraan digas tinggi sampai pembacaaan di monitor alat sudah stabil. Emisi kendaraan stasioner yang diukur adalah polutan CO dan HC untuk emisi kendaraan ringan berbahan bakar premium dan polutan opacity untuk kendaraan ringan berbahan bakar solar. Data emisi kendaraan secara stasioner merupakan variabel tidak bebas untuk membentuk model probabilitas kelayakan uji emisi kendaraan. Dari model ini, dapat diketahui faktor-faktor penyebab peningkatan emisi kendaraan

48

anshar unhas

bermotor. Formulir survei yang digunakan adalah formulir Uji Emisi Gas Buang Kendaraan Bermotor (LV) (Lampiran6).

4. Metode Pengukuran Emisi Kendaraan Bergerak

Pengukuran emisi kendaraan dilaksanakan langsung di jalan raya dengan menggunakan alat ukur PCGA. Metode pengukuran emisi kendaraan dilakukan dengan menghubungkan alat ukur gas analyzer ke selang plastik lalu ke knalpot kendaraan. Salah satu ujung selang plastik dihubungkan ke knalpot kendaraan dan ujung lainnya ke alat gas analyser. Selanjutnya, kendaraan dikemudikan di jalan raya (Gambar 11). Data emisi kendaraan terekam pada alat PCGA dan data tersebut di-print/dicetak untuk dianalisis lebih lanjut.

Gambar 11. Metode pengukuran emisi kendaraan dengan alat ukur PCGA

Ekstraksi data hasil pengukuran emisi kendaraan uji dilakukan dengan mencatat kembali hasil print out semua nilai atau besaran setiap jenis polutan yang diukur. Data besaran emisi kendaraan

49

anshar unhas

secara berjalan atau bergerak merupakan variabel Y untuk membentuk model faktor emisi kendaraan.

5. Siklus Pengukuran Emisi Kendaraan Bergerak

Pengukuran emisi kendaraan bergerak dimulai dengan melakukan pencatatan pada saat kendaraan belum bergerak (kecepatan kendaraan nol), tetapi mesin kendaraan sudah dihidupkan. Model siklus pengukuran emisi kendaraan di jalan raya dilakukan dengan mencatat emisi kendaraan pada saat kecepatan kendaraan menunjukkan angka 20, 40, dan 60 km/jam.

Gambar 12. Grafik model siklus pengukuran emisi kendaraan 3T-0-60

Model siklus pengukuran emisi kendaraan yang bergerak di jalan raya disebut 3T-0-60 (Gambar 12). Siklus pengukuran 3T-0-60 ini diartikan bahwa pengukuran emisi kendaraan dilakukan sebanyak tiga kali dengan pembacaan emisi pada kecepatan kendaraan 0, 20, 40, dan 60 km/jam untuk setiap siklus. Waktu yang dibutuhkan untuk pengukuran emisi kendaraan bergerak pada buku ini adalah berkisar rata-rata 700 detik. Emisi kendaraan

50

anshar unhas

yang diukur pada saat kendaraan bergerak adalah polutan CO, NOx, dan CO2 seperti yang tertera pada monitor alat ukur PCGA. Data kecepatan kendaraan pada pengukuran siklus mengemudi kendaraan merupakan variabel X untuk memodelkan faktor emisi kendaraan.

B. Pengukuran Karakteristik Arus Lalu Lintas

1. Survei Karakteristik Arus Lalu LintasKegiatan yang dilakukan sebelum melakukan survei arus lalu lintas adalah persiapan alat dan bahan. Alat dan bahan yang dibutuhkan adalah video kamera, alat ukur Global Positioning Satellite (GPS), dan menyusun format formulirsurvei (Gambar 13).

Survei pengambilan data terbagi tiga, yaitu pertama survei karakteristik arus lalu lintas, kedua survei pola siklus mengemudi kendaraan bergerak, dan ketiga survei karakteristik operasional kendaraan.

a. Metode pengukuran karakteristik arus lalu lintas

Pengambilan data karakteristik arus lalu lintas meliputi data volume lalu lintas, kecepatan kendaraan, dan komposisi kendaraan. Pelaksanaan pengambilan data volume lalu lintas dan komposisi kendaraan dilakukan dua tahap.

a.GPS b. Kamera VideoGambar 13. Contoh peralatan ukur survei lalu lintas

51

anshar unhas

1) Tahap pertama: perekaman arus lalu lintas

Perekaman arus lalu lintas dilakukan dengan menggunakan alat video kamera. Alat perekam ini dipasang atau diletakkan pada tempat yang tinggi sehingga arus lalu lintas dapat terekam secara keseluruhan.

Gambar 14. Penempatan kamera video

Video kamera dipasang di pinggir jalan, yang agak tinggi dari permukaan jalan sekitar 1—3 meter atau pada jembatan penyeberangan (Gambar 14). Tempat yang tinggi memungkinkan video kamera menangkap kendaraan yang melintas di jalan raya. Pengaturan posisi video camera penting untuk mendapakan kondisi yang tepat dan pandangan yang baik. Pencacahan volume arus lalu lintas dilakukan selama seminggu, di mulai pada Senin, Selasa, Rabu, Kamis, Jumat, Sabtu, dan Minggu dengan periode waktu survei antara pukul 07.00—20.00.

52

anshar unhas

Pengamatan selanjutnya dengan mengamati kembali hasil rekaman video kamera untuk memperoleh informasi jenis kendaraan yang sesuai dengan informasi dengan karakteristik operasional kendaraan.

2) Tahap kedua: pengolahan data

Pengolahan data yang telah direkam dilaksanakan dengan metode ekstraksi. Metode tersebut dilakukan dengan cara memutar kembali hasil rekaman video kemudian dicacah jumlah, komposisi kendaraan, dan waktu. Pencatatan dilakukan untuk setiap jenis kendaraan pada suatu formulir survei (Gambar 15). Formulir survei yang digunakan adalah formulir survei volume lalu lintas (Lampiran 7).

Gambar 15. Ekstraksi data survei di laboratorium

53

anshar unhas

Data kecepatan kendaraan sebagai salah satu karakteristik arus lalu lintas, diperoleh dari waktu tempuh yang dibutuhkan kendaraan untuk melintasi ruang yang telah ditentukan pada titik pengamatan. Pengamatan waktu tempuh perjalanan kendaraan dihitung satu per satu dan dikelompokkan menurut tipe kendaraan (kendaraan ringan, kendaraan berat, dan sepeda motor).

Batas ruang atau segmen ruas jalan yang ditetapkan dalam buku ini adalah 40 meter (Gambar 16). Jarak 40 meter disesuaikan dengan kemampuan video kamera menangkap objek yang direkam dari tempat yang tinggi.

Gambar 16. Metode pengukuran kecepatan kendaraan

Data volume dan kecepatan kendaraan yang dikumpulkan merupakan input data untuk memodelkan karakteristik arus lalu lintas. Dari model tersebut, diperoleh korelasi antara volume dan

54

anshar unhas

kecepatan kendaraan (model V-S), korelasi antara kecepatan dan kepadatan kendaraan (model V-D), serta korelasi antara volume dan kepadatan kendaraan (model V-D). Model V-S-D yang terbentuk merupakan model yang digunakan untuk menghitung waktu tempuh kendaraan (TT) sebagai variabel untuk menghitung emisi kendaraan bergerak.

b. Metode pengukuran pola siklus mengemudi kendaraan

Pengukuran pola siklus mengemudi kendaraan dilaksanakan di ruas jalan pada lalu lintas eksisting dengan menggunakan peralatan GPS (Global Position System).

Periode pengukuran waktu kecepatan perjalanan dan kecepatan kendaraan uji dilaksanakan selama 3 jam dengan interval waktu setiap pengamatan 30 menit pada periode jam puncak pagi, siang dan sore. Interval periode pengamatan untuk jam puncak pagi adalah antara pukul 07.00—10.00. Interval waktu pengamatan pengukuran waktu perjalanan dan kecepatan kendaraan uji pada jam puncak siang dan sore serupa dengan interval waktu pengamatan puncak pagi, masing-masing antara pukul 11.00—14.00 dan 16.00—19.00. Alat ukur GPS ditempatkan dalam kendaraan dan untuk merekam kecepatan dan waktu tempuh kendaran yang sedang berjalan. Peralatan GPS yang digunakan adalah tipe GARMIN GPS MAP 76 CSX.

Data yang telah dikumpulkan dengan alat GPS akan diekstraksi dengan mentransformasikan data GPS ke komputer. Data waktu tempuh perjalanan dan kecepatan kendaraan berguna sebagai data input untuk menganalisis parameter pola siklus mengemudi kendaraan dan membangun model pola siklus mengemudi (DC).

55

anshar unhas

Gambar 17. Wawancara data operasional kendaraan

c. Metode survei karakteristik operasional kendaraan

Informasi karakteristik operasional kendaraan dikumpulkan dari hasil wawancara dengan sampling pengguna atau pemilik mobil secara acak (Gambar 17). Informasi yang dikumpulkan meliputi umur kendaraan (tahun) sesuai dengan yang tertera di STNK, ukuran/kapasitas mesin(CC), tipe/jenis kendaraan (teknologi, brand, roda 4), panjang perjalanan sesuai dengan pembacaan pada odometer kendaraan. Data karakteristik operasional kendaraan merupakan variabel bebas X untuk mengembangkan model probabilitas kelayakan uji emisi kendaraan. Formulir survei yang digunakan adalah formulir uji emisi gas buang kendaraan bermotror (LV) (Lampiran 6).

56

anshar unhas

BAB IVPENGEMBANGAN MARNI MODELanshar unhas

58

Pengembangan MetropolitAn tRaffic emissioNs Inventory Model atau disingkat MARNI Model dilakukan dengan pertimbangan

bahwa emisi dari kendaraan bermotor di sebagian besar negara, terutama negara-negara berkembang termasuk Indonesia, belum dipahami dengan baik. Kemampuan untuk membuat perkiraan yang akurat tentang emisi belum dilakukan berdasarkan kondisi lalu lintas exsisting untuk perencanaan manajemen kualitas udara. Oleh karena itu, perkiraan besaran emisi dari berbagai jenis teknologi kendaraan di lalu lintas heterogen pada kebanyakan negara berkembang sangat penting.

A. Kerangka Kerja Pembentukan MARNI ModelPengembangan MARNI Model dilakukan berdasarkan suatu rancangan kerja dan konsep pemikiran yang diuraikan sebelumnya. Rancangan disusun sebagai kerangka kerja pengembangan MARNI model (Gambar 18).

Kerangka kerja pembentukan model terdiri atas beberapa tahap. Tahap pertama dimulai dari kegiatan studi pendahuluan yang terkait dengan studi pustaka. Tahap kedua adalah persiapan alat dan bahan yang diperlukan untuk pengukuran atau kegiatan survei. Tahap ketiga adalah kegiatan pengumpulan data/survei data. Kegiatan ini dilakukan seperti yang diuraikan pada Bab III dalam buku ini. Tahap keempat adalah kompilasi data dan pembentukan model. Tahap terakhir adalah penyajian model V-S-D, model DC, model FE, dan model perkiraan emisi E, serta implementasi MARNI Model.

anshar unhas

Gam

bar 1

8. K

eran

gka

Kerja

Pen

gem

bang

an M

ARN

I Mod

el

59

anshar unhas

Gam

bar 1

9. T

ahap

an p

emod

elan

MAR

NI M

odel

dan

impl

emen

tasi

mod

el

60

anshar unhas

B. Tahapan PEMBENTUKAN MARNI ModelPembentukan MARNI Model dilakukan dalam 4 tahap. (Gambar 19). Tahap pertama adalah memodelkan fenomena arus lalu lintas heterogen, yaitu membentuk model hubungan antara variabel karakteristik arus lalu lintas (Model V-S-D) dan membentuk model pola siklus mengemudi (Model DC).

Tahap kedua adalah membentuk model kalayakan emisi kendaraan dan membentuk model faktor emisi kendaraan (Model FE). Pemodelan kelayakan emisi kendaraan dibentuk untuk mengidentifikasi faktor operasional kendaraan yang berpengaruh terhadap peningkatan emisi kendaraan.

Tahap ketiga adalah mengelaborasi model prediksi emisi kendaraan. Tahap keempat adalah implementasi MARNI Model untuk memprediksi emisi dan mitigasi emisi kendaraan.

C. Pemodelan Fenomena Arus Lalu Lintas Heterogen1. Pemodelan Hubungan Makroskopik Arus

Lalu lintas HeterogenPendekatan model matematis yang digunakan dalam membentuk model hubungan antara variabel karakteristik arus lalu lintas adalah model Greenshield, model Greenberg, dan model Underwood.

61

anshar unhas

62

a. Karakteristik arus lalu lintas heterogen

Gambaran karakteristik arus lalu lintas sebagai acuan dalam pembentukan MARNI Model ditunjukkan dengan model hubungan antara variabel-varibel karakteristik arus lalu lintas, yakni hubungan antara volume dan kepadatan lalu lintas, hubungan antara kepadatan dan kecepatan kendaraan, hubungan antara volume dan kecepatan kendaraan, serta pola siklus mengemudi (driving cycle) kendaraan yang sebenarnya di jalan raya.

Karakteristik arus lalu lintas, yakni volume, kecepatan, dan kepadatan kendaraan berfluktuasi dari pukul 07.00 pagi hingga pukul 20.00 malam dan mencapai volume puncak pada pukul 07.00—08.00 dan 17.00—18.00 (Gambar 20a). Volume lalu lintas berfluktuasi antara 4.600—6.100 smp/jam. Kondisi kecepatan rata-rata kendaraan mengalami situasi yang hampir sama sepanjang hari, yakni berkisar di bawah 40 km/jam kecuali pada pukul 07.00—08.00 pagi dan 17.00—18.00, kecepatan rata-rata kendaraan adalah di bawah 30 km/jam.

a. Volume dan Kecepatan Kendaraan

Gambar 20. Karakteristik arus lalu lintas heterogen

b. Kepadatan dan kecepatan Kendaraan

Kepadatan lalu lintas juga berfluktuasi antara 130—185 smp/km (Gambar 20b). Volume kendaraan sudah mulai menurun tetapi kecepatan kendaraan tidak berubah meningkat. Kondisi ini

anshar unhas

disebabkan hambatan samping yang terjadi di sepanjang ruas jalan cukup padat dan kendaraan tidak konsisten menggunakan lajur arus lalu lintas (Aly, et al. 2012c).

b. Karakteristik operasional kendaraan ringan

Variabel karakteristik operasional kendaraan ringan (LV) yang diamati pada pengembangan MARNI Model meliputi umur kendaraan, jarak perjalanan kendaraan, kapasitas mesin, dan tipe kontrol teknologi mesin kendaraan. Model persentase fraksi kendaraan terhadap umur kendaraan cenderung mengikuti model regresi power negatif (Gambar 21a). Fraksi umur kendaraan yang dominan adalah kendaraan yang berumur antara dua sampai empat tahun dengan persentase lebih besar dari 20% dan 10% masing-masing kategori umur, sedangkan fraksi umur kendaraan yang lebih besar empat tahun adalah berkisar antara 5%—7%.

a b

ca. Fraksi Kendaraan Terhadap Umur

Kendaraan

b. Panjang Perjalanan Kendaraan Terhadap Umur Kendaraan

c. Fraksi Kendaraan Terhadap Kapasitas Mesin IVEM

Gambar 21. Karakteristik kendaraan ringan (LV)

63

anshar unhas

Hubungan umur kendaraan terhadap panjang perjalanan kendaraan cenderung mengikuti model linier, semakin tinggi umur kendaraan semakin jauh jarak tempuh kendaraan (Gambar 21b).

Berdasarkan pada pengkategorian kapasitas mesin kendaraan IVE Model, kapasitas ukuran mesin yang dipertimbangkan adalah kapasitas mesin ukuran small dan medium. Persentase fraksi kapasitas mesin (Gambar 21c) memperlihatkan bahwa persentase fraksi kapasitas mesin berukuran small sedikit lebih kurang dari persentase fraksi kapasitas mesin berukuran medium, yaitu berkisar 42% dan 57%.

c. Model V-S-D

Model karakteristik arus lalu lintas (Model V-S-D) digunakan sebagai asumsi model pendekatan untuk mendeskripsikan fenomena hubungan antara variabel arus lalu lintas existing terkait pembentukan MARNI Model, menurut model Greenshield, Greenberg, dan Underwood, ditampilkan dalam Tabel 6, 7, dan 8.

Table 6. Nilai r dan R2 Model V-S-D

Tipe Hub. Greenshield R R2

S – D S = 51,016 – 0,106 * D 0,78 0,61

V – D V = 51,016 * D – 0,106 * D2 0,89 0,79

V – S V = 481,28 * S – 9,43 * S2 0,78 0,61

Jumlah Data 52


Tipe Hub. Greenberg R R2

S – D S = 116,508 – 16,294 * LnD 0,83 0,68

V – D V = 116,508 * D – 16,294* D * LnD 0,85 0,72

V – S V = 1274,567* S * - e-S/16,294 0,84 0,68

Jumlah Data 52

64

anshar unhas


Tipe Hub. Underwood R R2

S – D S = 55,81 * e-D/319,867 0,83 0,69

V – D V = 55,81 * D * e-D/319,867 0,84 0,70

V – S V = 319,867* S* Ln (55,81/S) 0,90 0,81

Jumlah Data 52

Nilai korelasi r lebih besar dari 0,80 untuk ketiga model. Indikasi ini menyatakan bahwa kedua variabel memiliki korelasi yang baik antar variabel pada masing-masing model. Selain itu koefisien determinasi R2 memiliki nilai lebih besar dari 0,60 untuk ketiga model, nilai ini cukup signifikan mewakili fenomena perilaku lalu lintas yang sebenarnya di jalan raya.

Berdasarkan kedua indikator statistik model, r dan R2, model Underwood sedikit lebih baik dari model lainnya dan model Greenberg sedikit lebih baik daripada model Greenshield. Perbedaan nilai-nilai parameter ketiga model adalah disebabkan oleh asumsi fundamental hubungan antara volume, kecepatan rata-rata ruang, dan kepadatan kendaraan. Menurut Model Greenshield hubungan tersebut adalah linier, sedangkan menurut Model Greenberg, hubungan eskponensial dan menurut Model Underwood, hubungan tersebut mengikuti Model logaritmik.

Model hubungan antara variabel-variabel karakteristik lalu lintas digambarkan secara grafik (Gambar 22), yaitu hubungan antara kecepatan dan kepadatan (S-D), hubungan antara volume dan kepadatan (V-D) serta hubungan antara volume dan kecepatan kendaraan (V-S).Secara umum ruas jalan yang ditinjau memiliki nilai kepadatan lalu lintas meningkat pada saat nilai kecepatan lalu lintas terus naik di saat kepadatan lalu lintasnya mendekati nol (Gambar 22a).

65

anshar unhas

Volume lalu lintas meningkat hingga mencapai nilai kepadatan tertentu, yaitu kepadatan optimum (Gambar 22b). Selanjutnya apabila nilai kepadatan terus meningkat, akan dicapai suatu kondisi di mana peningkatan kepadatan tidak akan meningkatkan volume arus lalu lintas, malah sebaliknya akan menurunkan arus lalu lintas (Tamin, 2007) atau volume kendaraan mendekati nol.

Volume lalu litas cenderung mencapai maksimum pada saat kecepatan kendaraan mencapai nilai maksimum, hingga volume lalu lintas mendekati nol (Gambar 22c). Volume maksimum terbesar berturut-berturut menurut model Greenberg, model Underwood dan model Greenshield adalah 7.587 smp/jam, 6.523 smp/jam, dan 6.112 smp/jam. Terjadinya perbedaan volume lalu lintas maksimum untuk ketiga model disebabkan oleh asumsi fundamental ketiga model.

a b

ca. Hubungan S-D

b. Hubungan V-D

c. Hubungan V-S

Gambar 22. Grafik model V-S-D di lalu lintas heterogen

66

anshar unhas

Model Greenshield

Model Greenberg

Model UnderwoodGambar 23. Validasi Model V-S-D

67

anshar unhas

d. Validasi model V-S-D

Validasi model V-S-D dari ke 3 model yang terbentuk dilakukan terhadap hasil pengukuran kecepatan dan volume kendaraan dengan pendekatan linieritas yang diindikasikan oleh nilai r dan R2 (Gambar 23).

Model V-S-D menggambarkan hubungan linier yang signifikan dengan hasil observasi kecepatan kendaraan dan volume lalu lintas sebesar nilai r di atas 80% untuk ketiga model. Nilai determinasi R2 memberi penjelasan bahwa model dan data observasi kendaraan cukup berkesesuaian atau goodness of fit sebesar 60%, sedangkan model dan data observasi volume lalu lintas berkesesuain atau goodness of fit sebesar 75% untuk ketiga model. Jadi, model V-S-D cukup valid untuk digunakan pada analisis selanjutnya, mewakili karakteristik arus lalu lintas heterogen.

2. Pemodelan Pola Siklus Mengemudi Kendaraan

Pengukuran pola siklus mengemudi kendaraan sebagai salah satu komponen penting yang mewakili perilaku lalu lintas dan dipertimbangkan dalam pengembangan MARNI Model dilakukan bersamaan pada saat pengukuran emisi kendaraan bergerak. Lokasi pengukuran pola siklus mengemudi kendaraan dilakukan di ruas jalan tipe 6/2 D membujur dari selatan ke utara. Ruas jalan tersebut dilengkapi dengan fasilitas putar balik arah (PBA) dan beberapa simpang.

68

anshar unhas

a. Pola siklus mengemudi kendaraan ringan

Pola siklus mengemudi kendaraan ringan pada periode pengamatan pagi, siang, dan sore (Gambar 24) menunjukkan grafik antara waktu tempuh perjalanan dan kecepatan kendaraan untuk arah perjalanan utara-selatan dan arah sebaliknya.

a. Arah utara-selatan pada jam puncak pagi

b. Arah selatan-utara jam puncak pagi

69

anshar unhas

c. Arah utara-selatan jam puncak siang

d. Arah selatan-utara jam puncak siang

70

anshar unhas

e. Arah utara-selatan jam puncak sore

f. Arah selatan-utara jam puncak soreGambar 24. Pola siklus mengemudi kendaraan ringan (LV)

71

anshar unhas

Pola siklus mengemudi kendaraan ringan pada kedua arah perjalanan serupa untuk semua periode pengamatan sepanjang ruas jalan. Pada pola siklus mengemudi terlihat bahwa beberapa titik pada ruas jalan terjadi situasi idle kendaraan dan kecepatan kendaraan rata-rata berkisar 30 km/jam. Kendaraan mengalami situasi idle dengan kecepatan mendekati nol khususnya di fasilitas putar balik arah (PBA) dan simpang.

Dari enam periode pengamatan, empat periode kendaraan membutuhkan waktu perjalanan tiba di ujung selatan sekitar 550 detik sedangkan dua periode kendaraan membutuhkan waktu 650 detik. Hal ini disebabkan karena volume kendaraan semakin meningkat pada dua periode tersebut, sedangkan waktu perjalanan yang dibutuhkan kendaraan untuk bergerak dari arah selatan ke utara untuk keenam periode pengamatan membutuhkan waktu yang hampir bersamaan, yakni sekitar 500 detik. Hal ini menunjukkan bahwa volume kendaraan di sepanjang arah ini konstan selama periode pengamatan. Selanjutnya, pola siklus mengemudi untuk kendaraan lainnya dapat dilihat pada lampiran.

b. Variabel Pola Siklus Mengemudi Kendaraan

Variabel pola siklus mengemudi kendaraan ringan (Gambar 25) memperlihatkan kecepatan rata-rata pada kedua arah perjalanan dalam periode pengamatan jam puncak pagi, siang, dan sore di bawah 30 km/jam.

72

anshar unhas

Gambar 25. Kecepatan kendaraan periode jam kedua arah perjalanan

b. Kecepatan kendaraan arah utara-selatan

a. Kecepatan kendaraan arah selatan-utara

Nilai rata-rata variabel pola siklus mengemudi lainnya, yaitu kendaraan meluncur, percepatan dan perlambatan kendaraan, serta kondisi kendaraan idle berfluktusi setiap jam (Gambar 26). Persentase rata-rata kendaraan dapat melaju adalah 70% dari waktu tempuh perjalanan pada arah selatan-utara dan pada arah utara-selatan adalah lebih kecil dari 70% dari waktu tempuh perjalanan.

Gambar 26. Variabel pola siklus mengemudi kendaraan periode jam kedua arah perjalanan

b. Pola siklus mengenudi arah utara-selatan

a. Pola siklus mengemudi arah selatan-utara

73

anshar unhas

Persentase rata-rata kendaraan melakukan percepatan lebih besar dari persentase perlambatan kendaraan untuk kedua arah perjalanan. Persentase percepatan kendaraan berkisar 14%—21%, persentase perlambatan kendaraan berkisar 9%—13%, dan persentase kendaraan pada kondisi idle adalah 0—4%.

Distribusi persentase variabel pola mengemudi kendaraan pada periode pengamatan jam puncak pagi, siang, dan sore untuk kedua arah perjalanan menggambarkan bahwa arus lalu lintas lebih lancar di arah selatan-utara dibanding pada arah sebaliknya (Gambar 27).

Gambar 27. Variabel pola mengemudi kendaraan pada jam puncak untuk kedua arah perjalanan

b. arah utara-selatana. arah selatan-utara

Secara keseluruhan persentase nilai rata-rata variabel pola mengemudi kendaraan pada kedua arah perjalanan menunjukkan nilai persentase serupa. Peluang kendaraan melaju pada arah perjalanan dari utara ke selatan sedikit lebih leluasa dibandingkan dengan arah sebaliknya karena persentase kondisi kendaraan idle lebih tinggi pada arah utara-selatan.

74

anshar unhas

c. Estimasi parameter dan validasi model pola mengemudi kendaraan

Parameter pola mengemudi kendaraan yang diestimasi untuk pengembangan MARNI Model adalah frekuensi distribusi kecepatan rata-rata kendaraan. Estimasi parameter dan validasi model frekuensi distribusi kecepatan rata-rata kendaraan dilakukan dengan pendekatan model polinomial orde-6 (Tabel 8). Grafik model distribusi frekuensi kecepatan kendaraan rata-rata cenderung mengikuti model polinomial orde-6 (Gambar 27).

Gambar 28. Model frekuensi kecepatan kendaraan periode jam puncak b. arah utara-selatana. arah selatan-utara

Frekuensi distribusi kecepatan kendaraan rata-rata untuk kedua arah perjalanan hampir serupa untuk periode pengamatan jam puncak pagi, siang, dan sore. Nilai frekuensi distribusi kecepatan kendaraan rata-rata berkisar antara 15%—19% dengan kecepatan rata-rata maksimum berkisar antara 25 km/jam—30 km/jam. Hal ini mengindikasikan bahwa situasi arus lalu lintas berada dalam kondisi macet karena terdapat 60% kendaraan dengan kecepatan rendah.

Nilai parameter model distribusi kecepatan rata-rata kendaraan pada ketiga periode pengamatan jam puncak (JP) untuk kedua arah perjalanan signifikan (Tabel 9), dengan nilai koefisien determinan R2 lebih besar dari 0,90. Hal ini menyatakan bahwa model signifikan

75

anshar unhas

mewakili fenomena nyata perilaku lalu lintas dari pola siklus mengemudi kendaraan di jalan raya.

Table 9. Parameter Model Nilai Distribusi Kecepatan Rata-Rata

Variabel Simbol

Parameter Model

Arah Perjalanan Selatan-Utara

Arah Perjalan Utara-Selatan

PP Psi PS PP PSi PS

Orde-1(X1) β1 30,010 18,850 35,820 7,874 36,280 21,340

Orde-2(X2) β2 -19,040 -10,780 -19,310 -6,644 -19,170 -13,930

Orde-3(X3) β3 5,813 3,394 5,290 2,489 5,117 4,530

Orde-4 (X4) β4 -0,834 -0,508 -0,719 -0,385 -0,685 -0,697

Orde-5(X5) β5 0,055 0,034 0,046 0,025 0,043 0,049

Orde-6(X6) β6 -0,001 -0,000 -0,001 -0,000 -0,001 -0,001

Konstanta β0 -15,730 -10,430 -20,150 -0,217 -19,640 -6,467

Determinan R2 0,965 0,964 0,954 0,981 0,978 0,977

Selanjutnya, perbandingan nilai parameter model distribusi kecepatan rata-rata kendaraan hasil analisis dengan hasil pengamatan distribusi kecepatan rata-rata kendaraan yang sebenarnya di jalan raya pada periode pengamatan jam puncak pagi, siang dan sore untuk kedua arah perjalanan adalah sangat signifikan pada kisaran tingkat kepercayaan 90% (Gambar 29 dan Gambar 30). Hal ini berarti bahwa parameter model distribusi kecepatan rata-rata kendaraan adalah referesentasi situasi kecepatan rata-rata kendaraan yang sebenarnya di jalan raya.

76

anshar unhas

a b

c

a. Jam puncak pagi (PP)

b. Jam puncak siang (PSi)

c. Jam puncak sore (PS)

Gambar 29. Validasi model distribusi kecepatan kendaraan arah utara-selatan

a b

c

a. Jam puncak pagi (PP)

b. Jam puncak siang (PSi)

c. Jam puncak sore (PS)

Gambar 30. Validasi model distribusi kecepatan kendaraan arah selatan-utara

77

anshar unhas

78

D. Identifikasi Faktor Operasional KendaraanUntuk mengidentifikasi faktor operasional kendaraan yang berpengaruh pada peningkatan emisi kendaraan bermotor, dibentuk model kelayakan uji emisi kendaraan. Karakteristik operasional kendaraan antara lain adalah umur kendaraan, jarak perjalanan, dan kapasitas mesin. Variabel bebas pada model kelayakan uji emisi kendaraan adalah faktor operasional kendaraan.

1. Pemodelan Kelayakan Uji Emisi KendaraanUntuk pengembangan MARNI Model telah dilakukan pengukuran emisi kendaraan secara stasioner terhadap 381 kendaraan ringan berbahan bakar premium yang terdiri atas 316 jenis non-sedan dan 65 jenis sedan. Jumlah kendaraan ringan berbahan bakar solar terdiri atas 99 jenis non-sedan dan 52 jenis sedan. Data pengukuran emisi stasioner digunakan untuk pemodelan kelayakan uji emisi kendaraan.

a. Karakteristik tingkat emisi kendaraan

Pengukuran konsentrasi polutan CO dan HC untuk mobil berbahan bakar premium meningkat sesuai dengan meningkatnya umur kendaraan. Namun, tingkat konsentrasi polutan HC sedikit menurun ketika umur kendaraan mobil sama atau lebih dari tujuh belas tahun (Gambar 31).

Gambar 31. Konsentrasi rata-rata emisi CO dan HC berdasarkan umur kendaraan

anshar unhas

Jika ukuran kapasitas mesin meningkat, terjadi penurunan konsentrasi emisi CO dan HC, tetapi kedua jenis emisi CO dan HC meningkat lebih sedikit untuk kendaraan bermesin1.500—2.000 cc (Gambar 32).

Gambar 32. Konsentrasi rata-rata emisi CO dan HC berdasarkan ukuran mesin kendaraan

Gambar 33. Konsentrasi rata-rata emisi opacity berdasarkan umur dan ukuran mesin kendaraan

Konsentrasi emisi opacity umumnya meningkat mengikuti kenaikan umur kendaraan. Sebaliknya, tingkat penurunan emisi akan sesuai dengan peningkatan kapasitas ukuran mesin kendaraan kecuali untuk kendaraan berukuran mesin lebih dari 2.000 cc (Gambar 33).

Kecenderungan kelayakan uji emisi CO dan HC meningkat mengikuti meningkatnya umur kendaraan sesuai standar emisi untuk kendaraan berbahan bakar premium. Persentase kelayakan uji emisi CO lebih tinggi dari persentase kelayakan uji emisi HC. Ini berarti emisi CO lebih penting dari pada emisi HC untuk menentukan kelayakan uji emisi untuk kendaraan berbahan bakar premium (Gambar 34). Adapan persentase kegagalan uji emisi opacity berfluktuasi terhadap peningkatan umur kendaraan.

79

anshar unhas

Gambar 34. Kelayakan uji emisi CO, HC, dan opacity berdasarkan umur kendaraan

Kecenderungan sebaliknya terjadi pada kelayakan uji emisi kendaraan terkait dengan ukuran kapasitas mesin untuk kedua kategori kendaraan. Persentase kelayakan uji emisi CO, HC, dan uji emisi CO dan HC berfluktuasi terhadap peningkatan ukuran kapasitas mesin, sementara persentase kelayakan uji emisi opacity untuk kategori kendaraan berbahan bakar diesel cenderung meninggkat sesuai dengan meningkatnya ukuran kapasitas mesin kendaraan (Gambar 35). Emisi CO menjadi penentu dalam kelayakan uji emisi kategori kendaraan ringan berbahan bakar premium jika dibandingkan dengan emisi HC.

Gambar 35. Kegagalan uji emisi CO, HC, dan opacity berdasarkan ukuran mesin kendaraan

80

anshar unhas

b. Estimasi parameter dan validasi model probabiliti kelayakan uji emisi kendaraan

Model probabilita kelayakan uji emisi kendaraan secara stationer dinilai dari parameter model yang diestimasi dengan model binomial. Uji statistik yang sesuai untuk memvalidasi nilai parameter model adalah indeks likelihood ratio. Ada dua indeks likelihood ratio, yaitu r2, dan hit ratio. Indeks Likelihood ratio digunakan untuk mengukur seberapa baik estimasi kinerja parameter model dibandingkan dengan model jika semua parameter adalah nol (yang biasanya setara dengan tidak memiliki model sama sekali). Sementara itu, metode “seberapa persen kebenaran memperediksi model” atau biasa disebut hit ratio adalah metode statistik yang dihitung dengan mengidentifikasikan masing-masing sampel probabilitas kelayakan uji emisi yang sesuai dengan model yang diestimasi. Nilai ini menentukan layak atau tidak layak variabel model tersebut.

Hasil uji variabel model dengan menggunakan uji nilai p adalah signifikan. Hal ini berarti bahwa dalam model, umur kendaraan berbahan bakar peremium dipengaruhi secara signifikan pada semua jenis kelayakan uji emisi CO, HC, dan total kedua emisi CO dan HC. Nilai p dari variabel model kurang dari 0,05, ini berarti tingkat signifikansi di bawah 5%.

Namun, umur kendaraan untuk kategori kendaraan berbahan bakar diesel tidak signifikan untuk memengaruhi kelayakan uji pada emisi opacity. Seperti halnya variabel lain memberikan nilai p lebih dari 0,05 yang berarti variabel tersebut tidak cukup signifikan terhadap berkontribusi terhadap model.

81

anshar unhas

Tabel 10. Nilai Parameter Uji Emisi CO Kendaraan Berbahan Bakar Premium

Variabel SimbolParameter Model 1 Parameter Model 2

Nilai p (value) Nilai p (value)

Umur Kendaraan (XVa) b1 -0,218 0,000 -0,221 0,000

Ukuran Mesin (XEs) b2 0,001 0,160 0,001 0,134

Jarak Perjalanan (XTd) b3 0,000 0,143 0,000 0,165

Tipe Kendaraan (XTc) b4 - - -0,338 0,544

Merek Kendaraan (XBc) b5 - - -0,016 0,927

Konstanta b0 1,494 0,116 1,683 0,130

Jumlah Data N 191 191

Hit Ratio (%) 81,7 81,7

Likelihood Ratio r2 0,187 0,189

Hasil kedua nilai statistik r2 dan hit ratio masing-masing model memberikan nilai mencapai kelayakan uji emisi CO. Untuk Model pertama nilai r2dan hit ratio adalah 0,187 dan 81,7%. Nilai r2 dan hit ratio untuk model kedua adalah 0,189 dan 81,7% (Tabel 10).

Table 11. Nilai Parameter Uji Emisi HC Kendaraan Berbahan Bakar Premium







Merek Kendaraan (XBc) b5 - - 0,068 0,792

Konstanta b0 4,097 0,002 4,200 0,010


82

anshar unhas



Hit Ratio (%) 87,4 88,0


Nilai r2 dan hit ratio model pertama dan model kedua, yaitu 0,258 dan 87,4%, dan 0,268 dan 88,0% untuk kelayakan uji emisi HC (Tabel 11).

Table 12. Nilai Parameter Uji Emisi CO dan HC Kendaraan Berbahan Bakar Premium







Merek Kendaran (XBc) b5 - - -0,088 0,613

Konstanta b0 1,167 0,225 1,638 0,143


Hit Ratio (%) 81,7 82,7


Kelayakan uji emisi CO dan HC dengan nilai r2 dan hit ratio model pertama dan model kedua masing-masing sekitar 0,238 dan 81,7%, serta 0,242 dan 82,7% (Tabel 12).

Table 13. Nilai Parameter Uji Emisi Opacity Kendaraan Berbahan Bakar Solar



Umur Kendaran (XVa) b1 -0,014 0,789 -0,031 0,559


83

anshar unhas



Merek Kendaraan (XBc) b5 - - 0,535 0,206

Konstanta b0 -0,837 0,679 -0,656 0,766

Jumlah Data N 86 86

Hit Ratio (%) 50,0 62,8


Nilai r2 dan hit ratio model pertama dan model kedua masing-masing adalah 0,004 dan 50,0%, serta 0,025 dan 62,8% untuk kelayakan uji emisi opacity kategori kendaraan berbahan bakar solar (Tabel 13).

Nilai r2 dari kendaraan berbahan bakar premium lebih besar dari 0,2 (nilai minimum untuk menilai model yang baik) kecuali kelayakan uji emisi CO yang sedikit lebih kecil dari 0,2. Nilai persentase hit ratio yang cukup besar (lebih besar dari 80%) memperlihatkan bahwa uji kelayakan emisi kendaraan dengan model logit binomial adalah benar sehingga model logit binomial yang digunakan untuk mewakili fenomena kelayakan uji emisi kendaraan memiliki tampilan yang baik.

Di sisi lain, r2 dari kedua model untuk kendaraan berbahan bakar solar menunjukkan nilai-nilai yang kecil. Hal ini berarti model tidak cukup untuk dapat memperkiraan kelayakan uji emisi opacity. Adapun nilai hit ratio model cukup signifikan (lebih dari 60%) khususnya pada model kedua.

Model kedua sedikit lebih baik dari model pertama untuk semua jenis variabel pada kedua kategori kendaraan dan semua jenis uji emisi.

84

anshar unhas

E. Pemodelan Faktor Emisi KendaraanUntuk membentuk model faktor emisi kendaraan diperlukan data emisi kendaraan bergerak. Pengukuran emisi kendaraan bergerak untuk pemgembangan MARNI Model dilakukan pada lima kendaraan uji. Polutan kendaraan yang diukur adalah CO, NOx, dan CO2.

1. Karakteristik Emisi Kendaraan Terhadap Kecepatan Kendaraan

Pola peningkatan konsentrasi emisi CO (Gambar 36), konsentrasi emisi CO2 (Gambar 37), dan konsentrasi NOx (Gambar 38) cenderung meningkat dengan meningkatnya kecepatan kendaraan. Pola peningkatan emisi kendaraan cenderung mengikuti model polinomial dan konsentrasi emisi akan menurun pada kecepatan kendaraan lebih besar 60 km/jam.

Gambar 36. Hubungan emisi CO dan kecepatan kendaraan

85

anshar unhas

Konsentrasi emisi CO untuk semua kendaraan uji berkisar 10—20 g/jam untuk kecepatan kendaraan nol dan konsentrasi emisi CO cenderung meningkat sampai 40—130 g/jam dengan meningkatnya kecepatan kendaraan sampai 60 km/jam. Konsentrasi emisi CO tertinggi adalah kendaraan uji-5, tipe-3 way/EGR. Kendaraan uji-5 merupakan kendaraan yang tertua dengan kapasitas mesin terbesar di antara ke lima kendaraan uji. Berdasarkan hal itu diketahui bahwa kecenderungan peningkatan emisi CO dipengaruhi oleh umur kendaraan.

Gambar 37. Hubungan emisi CO2 dan kecepatan kendaraan

Kecenderungan konsentrasi emisi CO2 untuk semua kendaraan uji hampir sama kecuali untuk kendaraan uji-6, tipe ULEV lebih rendah dari kendaraan uji lainnya (Gambar 39). Peningkatan konsentrasi emisi CO2 cenderung meningkat dengan bertambahnya kecepatan kendaraan (Sato, 2010). Nilai konsentrasi emisi CO2 untuk semua tipe kendaraan adalah berkisar antara 1.000—2.000 g/jam pada kondisi kecepatan kendaraan nol. Nilai ini akan meningkat sampai 8.000-10.000 gr/jam pada kecepatan kendaraan 60 km/jam.

86

anshar unhas

Gambar 38. Hubungan emisi CO2 dan kecepatan kendaraan

Peningkatan konsentrasi emisi NOx juga cenderung meningkat dengan meningkatnya kecepatan kendaraan kecuali pada kendaraan uji-5 (Gambar 40). Kecenderungan peningkatan konsentrasi emisi NOx untuk kendaraan uji-1, uji-3 dan kendaraan uji-6 hampir sama, sedangkan konsentrasi emisi kendaraan uji lainnya berbeda dari semua tipe kendaraan. Nilai konsentrasi emisi NOx untuk semua kendaraan uji berkisar 0—20 g/jam. Konsentrasi emisi NOx meningkat dengan bertambah besar torsi mesin kendaraan pada kecepatan kendaraan yang rendah (Sato, 2010).

2. Estimasi Parameter Model Faktor Emisi Kendaraan

Model faktor emisi dari setiap jenis kendaraan ringan yang terbentuk dengan pendekatan model polinomial umumnya mengikuti model polinomial orde-3

87

anshar unhas

Tabel 14. Nilai Parameter Model Emisi CO

Variabel SimbolModel Parameter Emisi CO

K.-1 K.-3 K.-4 K.-5 K.-6

Orde-3 (X3) b3 - -0,001 - -0,001 -0,001

Orde-2 (X2) b2 -0,022 0,117 -0,05 0,117 0,094

Orde-1 (X1) b1 2,355 -1,319 2,605 0,561 -1,494

Konstanta b0 9,797 5,369 11,150 11,450 0,240

Determinan R2 0,834 0,751 0,873 0,981 0,993

Tabel 15. Nilai Parameter Model Emisi CO2

Variabel SimbolModel Parameter Emisi CO2

K.-1 K.-3 K.-4 K.-5 K.-6

Orde-3 (X3) b3 -0,009 -0,064 -0,009 -0,005 -0,042

Orde-2 (X2) b2 0,142 4,77 0,176 -0,265 3,452

Orde-1 (X1) b1 156 76,68 154,80 152,30 62,44

Konstanta b0 1,586 864,6 1,552 1,567 1,223

Determinan R2 0,998 0,961 0,997 0,988 0,883

Tabel 16. Nilai parameter Model emisi NOx

Variabel SimbolModel Parameter Emisi NOx

K.-1 K.-3 K.-4 K.-5 K.-6

Orde-3 (X3) b3 0,00009 0,00006 - 0,001 0,00005

Orde-2 (X2) b2 -0,005 -0,005 - -0,038 -0,001

Orde-1 (X1) b1 0,138 0,146 0,016 0,423 0,053

Konstanta b0 0,409 0,148 0,087 0,553 0,758

Determinan R2 0,853 0,832 0,877 0,848 0,937

Peningkatan konsentrasi emisi CO cenderung mengikuti model polinomial orde-2 untuk kendaraan uji-1 dan uji-4, sedangkan kendaraan uji lainnya mengikuti model polinomial orde-3. Peningkatan emisi CO2 cenderung mengikuti model polinomial

88

anshar unhas

orde-3 untuk semua kendaraan uji, begitu juga kecenderungan peningkatan emisi NOx mengikuti model polinomial orde-3 kecuali untuk kendaraan uji-4.

Faktor emisi kendaraan diperoleh dari pemodelan faktor emisi ke 5 kendaraan uji dibandingkan dengan faktor emisi IVE Model (Gambar 41).

Faktor emisi CO nilainya lebih besar dari faktor emisi IVE Model, khususnya kendaraan uji-3 tipe SULEV, kendaraan uji-6 tipe ULEV. Uji-4 tipe 3way-EGR medium dengan ukuran mesin yang lebih besar, nampaknya jauh lebih tinggi nilainya dari faktor emisi IVE Model. Kendaraan uji-2 tipe 3 way/EGR nilainya sedikit lebih rendah dari IVE Model (Gambar 38a).

a b

c

a. Emisi CO

b. Emisi NOx

c. Emisi CO2

Gambar 39. Faktor emisi kendaraan uji dan IVE Model

89

anshar unhas

Faktor emisi NOx dari masing-masing kendaraan uji berfluktuasi terhadap faktor emisi IVE Model. Nilai faktor emisi kendaraan uji-1 dan kendaraan uji-2 tipe 3 way-EGR dengan ukuran mesin yang lebih besar, nilainya lebih kecil dari faktor emisi IVE Model, sedangkan faktor emisi kendaraan uji lainnya lebih besar dari faktor emisi IVE Model (Gambar 3b).

Faktor emisi kendaraan untuk emisi CO2 hampir mendekati nilai faktor emisi IVE Model untuk semua kendaraan uji, kecuali untuk kendaraan uji-4 dan kendaraan uji-5, yakni tipe 3 way-EGR dan tipe ULEV, nilai faktor emisinya lebih rendah dari IVE Model (Gambar 38c).

a. Faktor emisi (FE) 31 tipe kendaraan ringan

Nilai parameter model faktor emisi 31 tipe kendaraan diperoleh dari hasil interpolasi kelima faktor emisi kendaraan uji. Nilai parameter model FE untuk tiga puluh satu tipe kendaraan masing-masing adalah FE CO (Tabel 17), FE CO2 (Tabel 18), dan FE NOx (Tabel 19). Adapun model grafik faktor emisi untuk 31 tipe kendaraan ringan dapat dilihat di lampiran.

Nilai parameter FE CO, CO2, dan NOx cenderung mengikuti model polinomial orde-3 kecuali untuk tipe kendaraan Ulev, 3 Way, Euro 3, Euro 4, dan tipe Hybrid. Kelima tipe kendaraan ini cenderung mengikuti model polinomial orde-2 untuk emisi CO dan NOx.

90

anshar unhas

Tabel 17. Nilai Parameter Model Faktor Emisi CO untuk 31 Tipe Kendaraan Ringan

Tabel 18. Nilai Parameter Model Faktor Emisi CO2 untuk 31 Tipe Kendaraan Ringan

91

anshar unhas

Lanjutan tabel 18

Tabel 19. Nilai Parameter Model Faktor Emisi NOx untuk 31 Tipe Kendaraan Ringan

92

anshar unhas

F. Model Perkiraan Besaran Emisi Kendaraan Bergerak

Model perkiraan emisi kendaraan yang telah dikembangkan untuk kendaraan ringan berbahan bakar premium merupakan multiplikasi antara jumlah kendaraan (N), faktor emisi kendaraan (EF), parameter distribusi fraksi kecepatan rata-rata (DC) sebagai referesentasi pola siklus mengemudi kendaraan bergerak di jalan raya dan waktu tempuh perjalanan (TT). Distribusi fraksi kecepatan rata-rata kendaraan dan waktu tempuh perjalanan kendaraan dipertimbangkan sebagai kondisi arus lalu lintas nyata di jalan raya. Hal ini disebabkan kecepatan kendaraan di setiap segmen ruas jalan sangat berfluktuasi sesuai dengan situasi dan kondisi parameter percepatan, perlambatan, kendaraan melaju, dan kendaraan idle.

Untuk lebih memahami secara keseluruhan tahapan pengembangan model perkiraan emisi untuk kendaraan ringan, model perkiraan emisi kendaraan dijabarkan dengan formula 19. Model perkiraan besaran emisi kendaraan berjalan di jalan raya yang mempertimbangkan waktu tempuh perjalanan dan distribusi kecepatan rata-rata merupakan elaborasi dari model formula 18 di Bab II.

EVt,p= FEt,p* DCt,p*TTt,p (19)

Index t pada formula 19 adalah periode waktu pengamatan dan p adalah jenis polutan yang di uji. Perkiraan total emisi kendaraan penumpang untuk sejumlah N kendaraan penumpang dan indeks i menunjukkan tipe kendaraan ringan, dijabarkan menggunakan formula 20.

93

anshar unhas

94

EVi,t,p= * FEi,t,p* DCi,t,p*TTi,t,p (20)

Formulasi model matematis faktor emisi kendaraan (FE) dalam buku ini dijabarkan dengan formula 21, jika diketahui V = kecepatan kendaraan, β = parameter model faktor emisi kendaraan, dan β0 = konstanta model. Nilai parameter faktor emisi kendaraan yang diperoleh dapat dilihat dalam Tabel 17, Tabel 18, dan Tabel 19.

FE = β0 + β1V+ β2V2 + β3V3 (21)

Distribusi fraksi kecepatan rata-rata kendaraan yang merupakan variabel siklus mengemudi kendaraan (DC) dirumuskan dengan pendekataan asumsi model polinomial orde-6. Formulasi model distribusi fraksi kecepatan rata-rata kendaraan dinyatakan dengan formula 22, dengan V = kecepatan kendaraan, β = parameter model faktor emisi kendaraan, β0 = konstanta model, dan index 1,2,3……,6 = indeks parameter model DC. Nilai parameter model DC yang dihasilkaan dapat dilihat dalam Tabel 9.

DC =β0 + β1V1 + β2V2 + β3V3 + β4V4+ β5V5+ β6V6 (22)

Waktu tempuh perjalanan kendaraan (TT) merupakan fungsi dari kecepatan kendaraan dan jarak segmen ruas jalan. Kecepatan kendaraan yang diperhitungkan dalam kasus ini diperoleh dari model V-S-D. Model V-S-D yang sesuai dengan fenomena arus lalu lintas adalah model Underwood.

G. Program Softwere MARNI ModelUntuk memudahkan menghitung atau memperkirakan kuantitas emisi dengan menggunakan MARNI Model, telah dibuatkan softwere. Softwere MARNI Model dikembangkan dengan program. Namun, softwere MARNI Model belum diuraikan di buku ini.

anshar unhas

BAB VIMPLEMENTASI MARNI MODELanshar unhas

96

A. Deskripsi Lokasi Implementasi MARNI ModelMarni Model diimplementasikan di ruas jalan sepanjang Jalan AP. Pettarani, salah satu jalan utama di Kota Makassar. Tipe Jalan AP. Pettrani adalah tipe enam lajur terbagi (6/2D) dengan arah pergerakan lalu lintas dari arah utara di flyover ke Jalan Urip Sumoharjo ke selatan di Jalan Alauddin. Demikian sebaliknya, (Gambar 40). Pertimbangan pemilihan lokasi ini adalah arus lalu lintas pada ruas jalan ini sesuai dengan fenomena situasi arus lalu lintas yang heterogen, yaitu arus lalu lintas dalam kondisi yang tidak lancar dan pengguna jalan idak konsisten pada lajurnya. Lokasi ini merupakan ruas jalan yang terletak di daerah perdagangan dan perkantoran, salah satu jalan terpadat di Kota Makassar.

Fasilitas akses untuk pergerakan arus lalu lintas disepanjang Jalan AP. Pettarani (Gambar 41) adalah 1 simpang bersinyal dan 1 fasilitas flyover, 11 fasilitas simpang tipe T tidak bersinyal, 3 fasilitas simpang tipe T bersinyal, dan 9 fasilitas putar balik arah (PBA). Khusus di fasilitas, PBA sangat berpotensi terjadi situasi perubahan kecepatan kendaraan untuk posisi kendaraan yang bergerak lurus melalui fasilitas PBA. Sesuai dengan fasilitas tersebut, ruas jalan terbagi atas 14 segmen di arah utara-selatan dan 15 segmen di arah selatan-utara.

anshar unhas

Gambar 40. Peta lokasi jalan 6/2D

97

anshar unhas

Ket. Gambar:

Nama asal/tujuan:

01: Reformasi 04: Maccini 07: Boulevard 10: Hertasning 13: Landak

02: Urip-UMI 05: Abdesir 08: Pengayoman 11: Mapala 14: Alauddin-UIN

03: Urip-DPRD 06: Pelita-1 09: Rappocini 12: Pendidikan 15: Alauddin-MAN

Titik Pergerakan:

a: Simpang(APILL) & Flyover e dan h: Simpang Tipe-T(APILL) I,j, k, dan l: Turn-Over (PBA)

b.,c, dan d: Turn-Over (PBA) f dan g: Turn-Over (PBA) m: Simpang Tipe-T (APILL)

Titik Segmen :01 s.d. 014: segmen jalan dari utara ke selatan

01 s.d. 015: segmen jalan dari selatan ke utara

Gambar 41. Situasi dan kondisi pergerakan arus lalu lintas di Jalan. AP. Pettarani

B. Perkiraan Besaran Emisi Kendaraan Bergerak

Perkiraan besaran emisi kendaraan di setiap segmen ruas Jalan AP. Pettrani dengan menggunakan formula MARNI Model dimulai dengan mengukur jarak antarsegmen terlebih dahulu. Lokasi setiap segmen ruas Jalan AP. Pettarani dan jarak antarsegmen dari arah utara ke selatan dan sebaliknya merupakan data input untuk menghitung emisi kendaraan bergerak (Tabel 20).

98

anshar unhas

Tabel 20. Lokasi dan Jarak Antarsegmen

SegmenArah Perjalanan Utara—Selatan Arah Perjalanan Selatan—Utara

Ruas Jarak (m) Ruas Jarak (m)

1 Flyover—Maccini 327 Flyover—Maccini 327

2 Maccini—Sukaria 89 Maccini—Sukaria 89

3 Sukaria—Abdesir 814 Sukaria—Ablam 934

4 Abdesir—PBA PU 159 Ablam—S. Saddang 149

5 PBA PU—Boulevard 469 S. Saddang—PBA PU 380

6 Boulevard—PBA S. LAN 106 PBA PU—Pelita 71

7 PBA S. LAN—Pengayoman 126 Pelita—Boulevard 106

8 Pengayoman—PBA Masdjid

108 Boulevard—PBA S. LAN 273

9 PBA Masdjid—Hertasning 286 PBA S. LAN—PBA Masdjid 157

10 Hertasning—BPN 567 PBA Mesdjid—Rappocini 119

11 BPN—Mapala 78 Rappocini—Hertasning 237

12 Mapala—Raya pendidikan 573 Hertasning—BPN 567

13 Raya Pendidikan—Telkom 59 BPN—Landak 409

14 Telkom—Alauddin 150 Landak—Telkom 59

15 - - Telkom—Alauddin 150

Sebelum menghitung emisi kendaraan, terlebih dahulu menghitung waktu tempuh kendaraan. Nilai waktu tempuh kendaraan TT (Tabel 21) adalah fungsi dari kecepatan kendaraan dan jarak segmen ruas jalan (Tabel 20) dan kecepatan kendaraan merupakan turunan dari model V-S-D.

99

anshar unhas

Tabel 21. Waktu tempuh perjalanan (TT) kendaraan

Segmen TT Utara—Selatan (Jam) TT Selatan—Utara (Jam)

PP Psi PS PP Psi PS

1 0,019 0,024 0,017 0,018 0,018 0,017

2 0,005 0,007 0,005 0,005 0,005 0,005

3 0,047 0,06 0,042 0,050 0,052 0,050

4 0,009 0,012 0,008 0,008 0,008 0,008

5 0,027 0,035 0,024 0,020 0,021 0,020

6 0,006 0,008 0,005 0,004 0,004 0,004

7 0,007 0,009 0,006 0,006 0,006 0,006

8 0,006 0,008 0,006 0,015 0,015 0,015

9 0,017 0,021 0,015 0,008 0,009 0,008

10 0,033 0,042 0,029 0,006 0,007 0,006

11 0,005 0,006 0,004 0,031 0,032 0,030

12 0,033 0,043 0,029 0,013 0,013 0,013

13 0,003 0,004 0,003 0,022 0,023 0,022

14 0,009 0,011 0,008 0,003 0,003 0,003

15 - - - 0,008 0,008 0,008

Ket : PP = puncak pagi; Psi = puncak siang; PS = puncak sore

Perkiraan kuantitas emisi CO2 untuk priode pengamatan arus lalu lintas jam puncak pagi, siang, dan sore adalah rata-rata lebih besar dibandingkan dengan emisi kendaraan yang dihitung dengan menggunakan IVE Model dan model Jepang di setiap segmen untuk kedua arah perjalanan (Gambar 42).

Perkiraan kuantitas emisi kendaraan lebih besar dari arah selatan ke utara dibanding arah sebaliknya. Ada 7 segmen ruas jalan yang perkiraan emisi kendaraan lebih besar dari arah sebaliknya dan 3 segmen yang perkiraan emisi kendaraan hampir serupa pada kedua arah perjalanan.

100

anshar unhas

Emisi CO2 pada jam puncak pagi

Emisi CO2 pada jam puncak siang

Emisi CO2 pada jam puncak soreGambar 42. Kuantitas emisi CO2 di tiap segmen untuk kedua arah

101

anshar unhas

Emisi CO2 terbesar terjadi pada jam puncak pagi di segmen 3 dari arah selatan ke utara. Hal ini disebabkan karena segmen 3 mempunyai jarak segmen yang terpanjang (Tabel 21) sehingga membutuhkan waktu tempuh perjalanan yang lebih lama meskipun volume lalu lintas terbesar terdapat di segmen 5 (meskipun waktu tempuh perjalanan kendaraan lebih cepat di segmen 5). Demikian halnya di segmen 6, volume lalu lintasnya lebih besar dari segmen 3. Namun, waktu tempuhnya lebih cepat sehingga emisi kendaraan yang terjadi lebih kecil di banding di segmen 3. Emisi terbesar yang terjadi dari arah utara ke selatan adalah di segmen 5. Hal ini disebabkan karena volume terbesar terdapat di segmen 5 dengan waktu tempuh perjalanan kendaraan yang lebih lama.

Emisi NOx pada jam puncak pagi

Emisi NOx pada jam puncak siang

102

anshar unhas

Emisi NOx pada jam puncak soreGambar 43. Kuantitas emisi NOx di tiap segmen untuk kedua arah

Hasil perkiraan kuantitas emisi NOx di setiap segmen pada jam puncak pagi, siang, dan sore (Gambar 43) adalah rata-rata lebih besar dari perkiraan besaran emisi yang dihitung dengan menggunakan IVE Model.

Demikian halnya dengan perkiraan kuantitas emisi CO untuk masing-masing priode pengamatan, rata-rata sangat besar dari nilai perkiraan emisi CO yang dihitung dengan menggunakan IVE Model (Gambar 44).

Emisi CO Pada Jam Puncak Pagi

103

anshar unhas

Emisi CO Pada Jam Puncak Siang

Emisi CO pada Jam Puncak SoreGambar 44. Kuantitas emisi CO di tiap segmen untuk kedua arah

Secara keseluruhan terlihat bahwa konsentrasi emisi CO2, NOx, dan CO terbesar terjadi di segmen 3, 5, dan 13 dari arah selatan ke utara. Pada arah sebaliknya, terjdi di segmen 3, 5, dan segmen 12 untuk ketiga periode pengamatan. Hal ini berarti bahwa di segmen tersebut terdapat volume kendaraan yang terbesar dengan waktu perjalanan yang terlama. Konsentrasi ketiga jenis emisi kendaraan di setiap segmen yang dihitung dengan MARNI Model lebih

104

anshar unhas

besar dari IVE Model. Hal ini diduga karena faktor pemeliharaan kendaraan masih sangat rendah di Indonesia (Ade, 2000).

Total perkiraan emisi CO2 (Tabel 22), emisi NOx, (Tabel 23) dan emisi CO (Tabel 24) pada jam puncak arus lalu lintas pagi, siang, dan sore untuk kedua arah pergerakan lalu lintas yang dihitung dengan MARNI Model dan dibandingkan dengan IVE Model serta model Jepang (JPN Model).

Tabel 22. Perbandingan Perkiraan Total Emisi CO2 di Kedua Arah Perjalanan

Arah PerjalananEmisi CO2 (ton)

MARNI Model IVE Model JPN Model

Utara-selatan 4,21 4,12(2,00%) 3,83 (8,95%)

Selatan-utara 3,91 3,67 (6,14%) 3,04 (22,30%)

Total perkiraan emisi CO2 MARNI Model lebih besar di kedua arah perjalanan dibandingkan kedua model lainnya, masing-masing lebih besar 2,00% dan 8,95% dari arah utara-selatan dan 6,14% dan 22,30% dari arah sebaliknya (Tabel 22).

Tabel 23. Perbandingan perkiraan total emisi NOx pada kedua arah perjalanan

Arah PerjalananEmisi NOx (ton)


Utara-selatan 0,0057 0,0046 (18,77%) 0,0022 (61,16%)

Selatan-utara 0,0054 0,0040 (26,71%) 0,0018 (67,50% )

Tabel 24.Perbandingan perkiraan total emisi CO pada kedua arah perjalanan

Arah PerjalananEmisi CO (ton)


Utara-selatan 0,122 0,039 (68,07%) 0,015 ( 87,66%)

Selatan-utara 0,115 0,034 (70,30%) 0,012 (89,65% )

105

anshar unhas

106

Demikian halnya dengan total perkiraan emisi NOx MARNI Model lebih besar 18,77% dan 61,16% dari arah utara-selatan, serta 26,71% dan 67,50% dari arah selatan-utara (Tabel 23). Total perkiraan emisi CO lebih besar dari nilai IVE model dan Jepang dari kedua arah masing-masing 68,07% dan 87,66% serta 70,30% dan 89,65% (Tabel 24).

Total perkiraan emisi CO2, NOx, dan CO untuk IVE model lebih rendah, bahkan total emisi kendaraan dengan model Jepang sangat rendah dibandingkan dengan perkiraan total besaran emisi dengan MARNI Model. Kondisi ini diduga sangat terkait dengan faktor pemeliharaan kendaraan dan umur kendaraan serta situasi arus lalu lintas. Khusus untuk hasil perkiraan emisi CO2 dengan MARNI Model tidak begitu jauh berbeda dengan IVE Model. Hal ini diduga terkait dengan tipe mesin kendaraan yang diproduksi homogen untuk semua kendaraan berbahan bakar premium. Selain itu, faktor emisi kendaraan IVE Model dan Jepang dirancang pada arus lalu lintas bersifat homogen dan dianalisis untuk umur kendaraan yang beroperasi di jalan raya 6—8 tahun.

C. Mitigasi Emisi Kendaraan Bergerak Di Jalan Raya

Lebih lanjut MARNI Model diaplikasikan untuk menganalisis mitigasi emisi kendaraan di jalan raya dengan melakukan beberapa skenario. Skenario pertama adalah pembatasan umur kendaraan yang beroperasi di jalan raya. Umur kendaraan yang dibatasi pengoperasiannya adalah kendaraan yang berumur lebih dari 13 tahun dan tidak layak terhadap uji emisi. Pembatasan umur kendaraan 13 tahun dalam buku ini diasumsikan berdasarkan hasil

anshar unhas

uji petik emisi CO rata-rata berada di atas standar 2,5%, yakni sekitar 4%. Jika diasumsikan semua kendaraan yang berumur di atas 13 tahun sudah tidak layak terhadap uji emisi, pada skenario pertama mempertimbangkan pengurangan jumlah kendaraan sebesar volume kendaraan yang berumur serupa dengan atau di atas 13 tahun.

Skenario kedua dan ketiga adalah implementasi lajur busway. Jika bus sudah beroperasi, diharapkan terjadi pengalihan pengguna moda dari angkutan umum yang ada sekarang dan pengguna sepeda motor ke bus. Pada buku ini, diasumsikan bahwa terjadi pengurangan volume lalu lintas.

Skenario keempat adalah mengimplementasikan ketiga skenario secara simultan. Manfaat analisis ini adalah untuk megetahui seberapa besar kuantitas emisi kendaraan bisa direduksi dengan melakukan mitigasi emisi kendaraan di jalan raya.

Perkiraan persentase emisi terbesar yang dapat direduksi dari keempat skenario adalah skenario ketiga untuk mitigasi emisi kendaraan (Gambar 45).

Gambar 45. Persentase reduksi emisi CO2, NOx, dan CO keempat skenariob. Arah perjalanan selatan-utara a. Arah perjalanan utara-selatan

Perkiraan kuantitas emisi yang dapat direduksi jika ketiga skenario diimplementasikan secara simultan (skenario keempat)

107

anshar unhas

108

adalah sebesar 17,78%—18,73% dari 9,4 ton—9,9 ton emisi CO2; 15,64%—16,81% dari 0,5 ton—0,8 ton emisi NOx; dan 51,40%—51,97% dari 0,9 ton—1,0 ton emisi CO dari kedua arah perjalanan total untuk ke-3 jam puncak arus lalu lintas (Tabel 25 dan Tabel 26). Emisi terbesar dapat direduksi berturut-turut adalah emisi CO, CO2, dan NOx. Hal ini berarti bahwa kendaraan tua sangat berpotensi meningkatkan emisi CO jika masih tetap beroperasi di jalan raya.

Tabel 25. Persentase Reduksi Emisi CO2, NOx, dan CO Arah Utara-Selatan

Emisi (Ton) Skenario-1 Skenario-2 Skenario-3 Skenario-4

CO2 0,64 5,24 11,90 9,40 (17,78%)

NOx 0,50 4,15 10,99 0,50 (15,64%)

CO 1,06 9,15 41,19 0,90 (51,40%)

Tabel 26.Persentase Reduksi Emisi CO2, NOx, dan CO Arah Selatan-Utara

Emisi (Ton) Skenario-1 Skenario-2 Skenario-3 Skenario-4

CO2 0,91 5,51 12,45 9,90 (18,73%)

NOx 0,78 3,68 12,35 0,80 (16,81%)

CO 1,51 9,08 41,39 1,0 (51,97%)

D. Implementasi MARNI MODEL dalam Pengukuran Emisi Kendaraan

CONTOH SOAL 1

Hasil survei jumlah kendaraan ringan (N) yang bergerak di ruas jalan adalah 5300 unit

anshar unhas

Dari jumlah tersebut terdapat 3% kendaraan ringan dengan tipe seperti berikut

atribut tipe kendaraam

kontrol udata/fuel Exhaust Berat Umur (tahun)

MPFI 3Way/EGR Light 0-6

Hitung kuantitas emisi CO yang diemisikan oleh kendaraan tipe tersebut pada jam puncak arus lalu lintas pagi, jika waktu tempuh kendaraan pada ruas jalan adalah 0,033 jam

PERHITUNGAN

1. Rumus yang digunakan menghitung kuantitas emisi

EVi,t,p=( * FEi,p)t * DCt*TTt

2. Pilih nilai fator emisi (FE) untuk emisi CO yang sesuai dengan tipe kendaraan pada soal (tipe 21, lihat tabel 18)

3. Pilih distribusi kecepatan rata-rata (DC) kendaraan pada jam puncak arus lalu lintas pagi hari (lihat gambar 29)

Distribusi kecepatan kendaraan rata-rata pada jam puncak pagi adalah sebagai berikut:

No.Distribusi Kecepatan Kendaraan (DC)

(Km/jam) (%)

(1) (2) (3)

1 0 0

2 5 3

3 10 5

4 15 9

5 20 14,5

6 25 19

7 30 19

109

anshar unhas


(Km/jam) (%)

8 35 15,5

9 40 9

10 45 4

11 50 1

12 55 1

13 60 0

Total 100

4. Hitung Jumlah kendaraan dengan tipe 21 :

N= 3% x 5300 unit = 159 unit

5. Hitung fraksi waktu tempuh (TT)

Menghitung TT menggunakan data DC pada tabel di atas, hasilnya sebagai berikut:

No.Kecepatan Kendaraan (DC) Fraksi Waktu Tempuh (TT)

(Km/jam) (%) (jam)

(1) (2) (3) (4) = (3) X 0.033

1 0 0 0

2 5 3 0,00099

3 10 5 0,00165

4 15 9 0,00297

5 20 14,5 0,004785

6 25 19 0,00627

7 30 19 0,00627

8 35 15,5 0,005115

9 40 9 0,00297

10 45 4 0,00132

11 50 1 0,00033

12 55 1 0,00033

13 60 0 0

Total 100 0,033

110

anshar unhas

6. Hitung faktor emisi CO

Menghitung faktor emisi CO (FE CO) menggunakan data DC (lihat tabel 18 untuk tipe 21)

No.Kecepatan kendaraan (DC) Faktor Emisi (FE)

(Km/hr) (g/jam)

(1) (2) (3)

1 0 5,3692

2 5 1,5347

3 10 2,5802

4 15 7,5307

5 20 15,4112

6 25 25,2467

7 30 36,0622

8 35 46,8827

9 40 56,7332

10 45 64,6387

11 50 69,6242

12 55 70,7147

13 60 66,9352

7. Hitung kuantitas emisi (E) CO

Menghitung kuantitas emisi (E) CO per satu unit kendaraan dengan menggunakan rumus pada point 1 di atas dan total emisi (Et) untuk N = 159 unit.

Hasilnya seperti berikut:

No.Kecepatan Kend. (DC)(Km/jam)

Waktuh Tempuh (TT)

Faktor Emisi (FE)

Kuantitas Emisi CO perunit kendaraan

Total Kuantitas Emisi CO

(%) (jam) (g/Jam) (g) (kg) (ton) (g) (kg) (ton)

(1) (2) (3) (4) (5) (6)=(4) x (5)

(7)=(6)/1000

(8)=(7)/1000

(9)=(6)x 265

(10)=(9)/1000

(11)=(10)/1000

1 0 0 0 5,3692 0 0 0 0 0 0

2 5 3 0,00099 1,5347 0,001519 1,52E-06 1,52E-09 0,241 0,000242 2,42E-07

3 10 5 0,00165 2,5802 0,004257 4,26E-06 4,26E-09 0,677 0,000677 6,77E-07

4 15 9 0,00297 7,5307 0,022366 2,24E-05 2,24E-08 3,558 0,003559 3,56E-06

111

anshar unhas

No.Kecepatan Kend. (DC)(Km/jam)

Waktuh Tempuh (TT)

Faktor Emisi (FE)

Kuantitas Emisi CO perunit kendaraan

Total Kuantitas Emisi CO


5 20 14,5 0,004785 15,4112 0,073743 7,37E-05 7,37E-08 11,732 0,011733 1,17E-05

6 25 19 0,00627 25,2467 0,158297 0,000158 1,58E-07 25,186 0,025186 2,52E-05

7 30 19 0,00627 36,0622 0,22611 0,000226 2,26E-07 35,975 0,035976 3,6E-05

8 35 15,5 0,005115 46,8827 0,239805 0,00024 2,4E-07 38,154 0,038155 3,82E-05

9 40 9 0,00297 56,7332 0,168498 0,000168 1,68E-07 26,80922 0,026809 2,68E-05

10 45 4 0,00132 64,6387 0,085323 8,53E-05 8,53E-08 13,575 0,013576 1,36E-05

11 50 1 0,00033 69,6242 0,022976 2,3E-05 2,3E-08 3,655 0,003656 3,66E-06

12 55 1 0,00033 70,7147 0,023336 2,33E-05 2,33E-08 3,712 0,003713 3,71E-06

13 60 0 0 66,9352 0 0 0 0 0 0

Total 100 0,033 1,02623 0,001026 1,03E-06 163,28 0,16328 0,000163

8. Kuantitas emisi CO = 163,28 g= 163,28x10-3 Kg= 163,28x10-6 Ton

CONTOH SOAL 2



Atribut Tipe Kendaraan

Kontrol udata/fuel Exhaust Berat Umur (tahun)

MPFI Sulev Light 0-6

Hitung kuantitas emisi NOx yang diemisikan oleh kendaraan tipe tersebut pada jam puncak arus lalu lintas siang hari, jika waktu tempuh kendaraan pada ruas jalan adalah 0,042 jam

PERHITUNGAN

1. Rumus yang digunakan menghitung emisi

EVi,t,p=( * FEi,p)t * DCt*TTt

112

anshar unhas

2. Pilih nilai fator emisi (FE) untuk emisi NOx yang sesuai dengan tipe kendaraan pada soal (tipe 8, lihat tabel 20)

3. Pilih distribusi kecepatan rata-rata (DC) kendaraan pada jam puncak arus lalu lintas pagi hari (lihat gambar 29)

No. Distribusi Kecepatan Kendaraan (DC)

(Km/jam) (%)

(1) (2) (3)

1 0 1

2 5 4

3 10 7

4 15 11,5

5 20 15,5

6 25 18

7 30 17

8 35 13

9 40 8

10 45 4

11 50 1

12 55 0

13 60 0

Total 100

4. Hitung Jumlah kendaraan tipe 8 :

N= 40% x 5300 unit = 2120 unit


Menghitung TT menggunakan data DC pada tabel di atas, hasilnya sebagai berikut:


(Km/jam) (%) (jam)

(1) (2) (3) (4 ) = (3 ) X 0.042

1 0 1 0,000

113

anshar unhas


(Km/jam) (%) (jam)

2 5 4 0,002

3 10 7 0,003

4 15 11,5 0,005

5 20 15,5 0,007

6 25 18 0,008

7 30 17 0,007

8 35 13 0,005

9 40 8 0,003

10 45 4 0,002

11 50 1 0,000

12 55 0 0,000

13 60 0 0,000

Total 100 0,042

6. Hitung Faktor emisi NOx

Menghitung faktor emisi NOx (FE NOx) menggunakan data DC (lihat tabel 20 untuk tipe 8)

No.Kecepatan kendaraan Faktor Emisi (FE)

(Km/jam) (g/jam)

(1) (2) (3)

1 2 3

1 0 0,140

2 5 0,044

3 10 0,015

4 15 0,046

5 20 0,130

6 25 0,259

7 30 0,425

8 35 0,621

114

anshar unhas

No.Kecepatan kendaraan Faktor Emisi (FE)

(Km/jam) (g/jam)

9 40 0,840

10 45 1,074

11 50 1,315

12 55 1,556

13 60 1,790

7. Hitung kuantitas emisi (E) NOx

Menghitung kuantitas emisi (E) NOx per satu unit kendaraan dengan menggunakan rumus pada point 1 diatas dan total emisi (Et) untuk N = 2120 unit.

No.Kecepatan Kend. (DC) (Km/jam)

Waktuh Tempuh (TT)

Faktor Emisi (FE)

Kuantitas Emisi NOx perunit kendaraan

Total Kuantitas Emisi NOx


(1) (2) (3) (4) (5) (6)=(4) x (5)

(7)=(6)/1000

(8)=(7)/1000

(9)=(6) x 265

(10)=(9)/1000

(11)=(10)/1000

1 0 0 0 0,140 0 0 0 0 0 0

2 5 3 0,00099 0,044 4,3E-05 4,3E-08 4,3E-11 0,091 9E-05 9,1E-08

3 10 5 0,00165 0,015 2,4E-05 2,4E-08 2,4E-11 0,052 5E-05 5,2E-08

4 15 9 0,00297 0,046 0,00014 1,4E-07 1,4E-10 0,29 3E-04 2,9E-07

5 20 14,5 0,00479 0,130 0,00062 6,2E-07 6,2E-10 1,317 0,001 1,3E-06

6 25 19 0,00627 0,259 0,00162 1,6E-06 1,6E-09 3,437 0,003 3,4E-06

7 30 19 0,00627 0,425 0,00266 2,7E-06 2,7E-09 5,647 0,006 5,6E-06

8 35 15,5 0,00512 0,621 0,00318 3,2E-06 3,2E-09 6,735 0,007 6,7E-06

9 40 9 0,00297 0,840 0,00249 2,5E-06 2,5E-09 5,288 0,005 5,3E-06

10 45 4 0,00132 1,074 0,00142 1,4E-06 1,4E-09 3,004 0,003 3E-06

11 50 1 0,00033 1,315 0,00043 4,3E-07 4,3E-10 0,92 9E-04 9,2E-07

12 55 1 0,00033 1,556 0,00051 5,1E-07 5,1E-10 1,089 0,001 1,1E-06

13 60 0 0 1,790 0 0 0 0 0 0

Total 100 0,033 0,01315 1,3E-05 1,3E-08 27,87 0,028 2,8E-05

8. Kuantitas emisi NOx = 27,87 g= 0,028 Kg =2,8X10-5 Ton

115

CONTOH SOAL 3



Atribut Tipe Kendaraan

Kontrol udata/fuel Exhaust Berat Umur (tahun)

MPFI Ulev Light 0-6

Hitung kuantitas emisi CO2 pada jam puncak arus lalu lintas sore hari yang di emisikan oleh kendaraan tipe tersebut jika waktu tempuh kendaraan pada ruas jalan adalah 0,024 jam

PERHITUNGAN

1. Rumus yang digunakan untuk menghitung kusntitas emisi

Rumus: EVi,t,p=( * FEi,p)t * DCt*TTt

2. Pilih nilai faktor emisi (FE) untuk emisi CO2 yang sesuai dengan tipe kendaraan pada soal (tipe 13, lihat tabel 19)

3. Pilih distribusi kecepatan rata-rata (DC) kendaraan pada jam puncak arus lalu lintas sore hari (lihat gambar 29)

Distribusi kecepatan kendaraan rata-rata pada jam puncak sore adalah sebagai berikut:


(Km/jam) (%)

(1) (2) (3)

1 0 1

2 5 5,5

3 10 8,5

116


(Km/jam) (%)

4 15 11,5

5 20 15

6 25 17

7 30 16,5

8 35 13

9 40 8

10 45 3

11 50 1

12 55 0

13 60 0

Total 100

4. Hitung jumlah kendaraan dengan tipe 13 : N= 5% x 5300 unit = 265 unit


Menghitung fraksi waktu (TT) menggunakan data DC pada tabel di atas, hasilnya sebagai berikut:

NO.Kecepatan Kendaraan (DC) Fraksi Waktu Tempuh (TT)

(Km/jam) (%) (jam)

(1) (2) (3) (4 )=( 3) X 0.024

1 0 1 0,000

2 5 5,5 0,001

3 10 8,5 0,002

4 15 11,5 0,003

5 20 15 0,004

6 25 17 0,004

7 30 16,5 0,004

8 35 13 0,003

9 40 8 0,002

117

NO.Kecepatan Kendaraan (DC) Fraksi Waktu Tempuh (TT)

(Km/jam) (%) (jam)

10 45 3 0,001

11 50 1 0,000

12 55 0 0,000

13 60 0 0,000

Total 100 0,024

6. Hitung Faktor emisi CO2

Menghitung faktor emisi CO2 (FE CO2) menggunakan data DC (lihat tabel 19 untuk tipe 13)

No.Kecepatan Kendaraan Faktor Emisi (FE)

(Km/hr) (g/jam)

(1) (2) (3)

1 0 1.223,300

2 5 1.616,548

3 10 2.150,770

4 15 2.794,318

5 20 3.515,540

6 25 4.282,788

7 30 5.064,410

8 35 5.828,758

9 40 6.544,180

10 45 7.179,028

11 50 7.701,650

12 55 8.080,398

13 60 8.283,620

118

7. Hitung kuantitas emisi (E) CO2

Menghitung kuantitas emisi (E) CO2 per satu unit kendaraan dengan menggunakan rumus pada point 1 di atas dan total emisi (Et) untuk N = 265 unit.

No.

Kecepatan Kendaraan (DC) (Km/

jam)

Waktuh Tempuh

(TT)

Faktor Emisi (FE)

Kuantitas Emisi CO2 perunit kendaraan

Total Kuantitas Emisi CO2


(1) (2) (3) (4) (5) (6)=(4) x (5)

(7)=(6)/1000

(8)=(7)/1000

(9)=(6)x 265

(10)=(9)/1000

(11)=(10)/1000

1 0 0 0 1.223,300 0 0 0 0 0 0

2 5 3 1E-03 1.616,548 1,6004 0,002 2E-06 424,1 0,424 4E-04

3 10 5 0,002 2.150,770 3,5488 0,004 4E-06 940,42 0,94 9E-04

4 15 9 0,003 2.794,318 8,2991 0,008 8E-06 2199,3 2,199 0,002

5 20 14,5 0,005 3.515,540 16,822 0,017 2E-05 4457,8 4,458 0,004

6 25 19 0,006 4.282,788 26,853 0,027 3E-05 7116,1 7,116 0,007

7 30 19 0,006 5.064,410 31,754 0,032 3E-05 8414,8 8,415 0,008

8 35 15,5 0,005 5.828,758 29,814 0,03 3E-05 7900,7 7,901 0,008

9 40 9 0,003 6.544,180 19,436 0,019 2E-05 5150,6 5,151 0,005

10 45 4 0,001 7.179,028 9,4763 0,009 9E-06 2511,2 2,511 0,003

11 50 1 3E-04 7.701,650 2,5415 0,003 3E-06 673,51 0,674 7E-04

12 55 1 3E-04 8.080,398 2,6665 0,003 3E-06 706,63 0,707 7E-04

13 60 0 0 8.283,620 0 0 0 0 0 0

Total 100 0,033 152,81 0,153 0,0002 40495 40,5 0,04

8. Kuantitas emisi CO2 = 40.495 g = 40,495 Kg = 0,0445 Ton

119

DAFTAR PUSTAKA

Buku dan Artikel

Ali, N., dkk. 2006. "Studi Model Hubungan Volume-Kecepatan-Kepadatan pada Jalan Perkotaan Tipe 2 Lajur dan 4 Lajur Tak Terbagi (2/2UD dan 4/2UD)", Simposium IX Forum Studi Transportasi Antarperguruan Tinggi (FSTPT), 11—12 November, Universitas Brawijaya, Malang.

Aly, S. H., et al. 2011. "Study on Emission Measurement of Vehicle on Road Based on Binomial Logit Model", Journal of the Eastern Asia Society for Transportation Studies (EASTS), Volume 9, 2011.

_______. 2012a. "Running Vehicle Emission Factors of vehicle Fleet in Makassar, Indonesia", 8th International Symposium on Lowland Technology (ISLT) Bali, Indonesia.

_______. 2012b. "Driving Cycle of Passenger on Heterogeneous Traffic Situations: Case study on An Urban Road in Makassar, Indonesia", 8th International Symposium on Lowland Technology (ISLT). Bali, Indonesia.

Ade, S., 2002. Pembangunan Infrastruktur Transportasi untuk Menunjang Pembangunan Berkelanjutan Berbasis Ilmu Pengetahuan. Bandung: ITB.

Andrea, B., et al. 2010. Manajemen Permintaan Transportasi (Terjemahan). Jakarta.

Arasan, V. T., et al. 2010. "Methodology for Determination of Concentration of Hetrogeneous Traffic", Journal of Transportation Systems Engineering and Information Technology, Volume 10, Issue 4.

_______ 2011. "Derivation of Capacity Standards for Intercity Roads Carrying Heterogeneous Traffic Using Computer Simulation", Procedia Social and Behavioral Sciences 16, 218—229.

Asaithambi Gowri, et al. 2009. "Object-oriented Methodology for Intersection Simulation Model Under Heterogeneous Traffic Conditions", Advances in Engineering Software 40, 1.000—1.010.

Asian Development Bank. 2003. "Reducing Vehicle Emissions in Asia. Policy Guidelines for Reducing Vehicle Emissions in Asia", Publication Stock No. 110202. pp. 9—11.

Badan Penelitian dan Pengembangan. 2010. Laporan Pendahuluan Kajian Emisi Gas Buang Sepeda Motor Terhadap Lingkungan. Kementerian Pekerjaan Umum. Bandung, 40-294.

Beydoun, M., and Jean, M. G. 2006. "Vehicle Characteristic and Emissions: Logit and Regression Analysis of I/M Data from Massachusetss, Maryland and Illinois",Transportation Research, Part D, 11, 59—76.

121

Bin, O. 2003. "A Logit Analysis of Vehicle Emissions Using Inspection and Maintenance Testing Data", Transportation Research, Part B, 8, 215—227.

Eldewisa, Z. et al. tt. "The Comparison of CO and CO2 Emission Load Estimation with Fuel Consumption and Vehicles Speed Approaching (Case Study: Bunderan Cibiru-Lembang)", Program Studi Teknik Lingkungan Fakultas Teknik Sipil dan Lingkungan, ITB, Bandung.

Direktorat Jenderal Bina Marga. 1997. Manual Kapasitas Jalan Indonesia (MKJI). Jakarta: Departemen Pekerjaan Umum.

Gou, H., et al. 2004. "Development of High-Resolution Motor vehicle Emissions Inventories for City-Wide Air Quality Impact Analysis in China", Zhejiang University, China.

_______. 2007. "Evaluation of The International Vehicle Emissions (IVE) Model with On-road Remote Sensing Measurements", Journal Environment Science 19. 818—828.

Haikun, W., et al. 2008. "On-road Vehicle Emission Inventory and Its Uncertainly Analysis for Shanghai, China", Science of The Total Environment

Hubbard, T. 1997. "Using Inspection and Maintenance Program to Regulate Vehicle Emissions", Contemporary Economic Policy, 15, 52—62.

Hwang, K. P., and P. Tseng. 2007. "CO2 Emission: Status, Reduction Policy and Management Strategy of Taiwan’s Transportation Sector", Proceeding of the Eastern Asia Society for Transportation Studies, Vol. 6.

Ilyas, M. 2004. "Mengatasi Emisi melalui Perencanaan Sistem Transportasi Perkotaan Dan Kebijakan Pengendaliannya", Sekolah Pascasarjana, IPB.

Koppelman, F. S., and C. Bhat. 2006. A Self Instructing Course in Mode Choice Modeling: Multinomial and Nested Logit Models. U.S: Department of Transportation Federal Transit Administration.

Lents, J.M., M. Osses, N. Davis, and N. Nikkila. 2004. "Comparison of On-road Vehicle Profiles Collected in Seven Cities Worldwide", Proceedings of 13

th International

Symposium Transport and Air Pollution. 13—15 September. Boulder, Colorado

Lents, James, et al. 2007. Measurement of In-Use Passenger Vehicle Emissions in Almaty. Kazakhstan.

Liputo, A. dan M.I. Ramli. 2007. "Model Hubungan Volume-Kecepatan-Kepadatan Pada Ruas Jalan Tipe 4 Lajur Tak Terbagi (4/2 UD)". Simposium X Forum Studi Transportasi Antar Perguruan Tinggi (FSTPT) 11—12 November, Universitas Brawijaya, Malang.

122

Lyons, T.J., et al. 2003. "An Internasional Urban Air Pollution Model for the Transportation Sector", Transportation Research Part D. 8. 159—167.

Nesamani, Kalandiyur. 2007. "Estimating Vehicle Emissions in Tranportation Planning Incorporating the Effect of Network Characteristics on Driving Patterns", Transportation Science, 189 pp. Advisers: R. Jayakrishnan and Michael G. McNally.

Nesamani, K.S. et al. 2011. "Development of ADriving Cycle for Intra-City Buses in Chennai, India", Atmospheric Environment, 45, 5.469—5.476.

Nur, Y. et al. 2009. "Emission Inventory Of Greenhouse Gases (Co2 and Ch4) From Transportation Sector in DKI Jakarta Based on Fuel Consumption", Program Studi Teknik Lingkungan Fakultas Teknik Sipil dan Lingkungan. Bandung: ITB.

Novianti, S, et al. 2009. "The Influence of Factor Emission Characteristics in Transport-Induced Nitrogen Oxides (Nox) Emission Load Estimation (Case Study: Karees Area, Bandung)", Environmental Engineering Study Program, ITB, Bandung.

Program Pascasarjana Universitas Hasanuddin. 2005. Pedoman Penulisan Tesis dan Disertasi, Edisi 4. Makassar: Universitas Hasanuddin.

Pujadas, M., et al. 2004. "Comparison Beetween Experimental and Calculated Vehicle Idle Emission Factors for Madrid Fleet", Science of the Total Environment, 334—335, 134—140.

Singh, Rakesh B. dan James J. Sloan. 2008. "A High-Resolution NOx Emission Factor Model for North American Motor Vehicles", Atmospheric Environment 40, 5.214—5.223.

Selintung, M., dkk., 2014. "Pengelolaan Pencemaran Udara, Modul Ajar. Program Studi Teknik Lingkungan, Teknik Sipil, Fakultas Teknik, Universitas Hasanuddin.

Silva, C.M. et al. 2006. "Evaluation of Numerical Models for Simulation of Real-World Hot-Stabilized Fuel Consumption and Emissions of Gasoline Light-Duty Vehicles", Transportation Research, Part D, 11 377—385.

Smith, Robin, et al. 2010. "Validation of Road Vehicle and Traffic Emission Models and Meta-Analysis," Atmospheric Environment 44 2.943—2.953.

Smith, R., et al. 2011. "Characterization of Urban Commuter Driving Profiles to Optimize Battery Size in Light-Duty Plug-in Electric Vehicles", Transportation Research, Part D, 16, 218—224.

123

Sudarmanto, B.N., et al. 2007. "Bivariate Probit Model of On-road Emission Measurement of Passenger Cars in Jakarta City," Journal of the Eastern Asia Society for Transportation Studies, Volume 7, pp. 1.377—1.388.

_______. 2010. "Analysis of Inspection and Maintenance Program for In-Use Motorcycles Emission in Indonesia," Journal of the Eastern Asia Society for Transportation Studies, Volume 8, pp. 1.015—1.026.

Suteja, I.W. 1999. "Studi Hubungan Kecepatan–Volume–Kerapatan pada Lalu Lintas Dominan Sepeda Motor", Simposium II Forum Studi Transportasi Antar Perguruan Tinggi (FSTPT), 8 Oktober, ITS, Surabaya.

Tamin, O. Z. 2007. Perencanaan dan Pemodelan Transportasi: Contoh Soal dan Aplikasi. Edisi ke-2. Bandung: Penerbit ITB.

Tamsanya, N., and Supachart C. 2009. "Influence of Driving Cycles on Exhaust Emissions and Fuel Consumption of Gasoline Passenger Car in Bangkok", Journal of Environmental Sciences, 21, 604—611.

TIAN, Qian-qian, et al. 2011. "A Method of Constructing the Fuel Efficiency Model Based on Quadratic Polynomial Regression", Procedia Engineering 15, 3.749—3.753.

Tong, H.Y. et al. 2011. "Development of Driving Cycles for Motorcycles and Light-Duty Vehicles in Vietnam", Atmospheric Environment 45, 5.191—5.199.

Tung, H.D. et al. 2011. "Development of Emission Factors and Emission Inventories for Motorcycles and Light-Duty Vehicles in the Urban Region in Vietnam," Science of the Total Environment 409, 2.761—2.767.

Undang-UndangRepublik Indonesia No. 22/199 Tahun 2009 tentang Lalu Lintas dan Angkutan Jalan Republik Indonesia. Jakarta.

Wang, Qidong, et al. 2008. "Characterization of Vehicle Driving Patterns and Development of Driving Cycles in Chinese Cities", Transportation Research, Part D, 13, 289—297.

Washburn, S., J. Seet, and F. Mannering. 2001. "Statistical Modeling of Vehicle Emission from Inspection/Maintenance Testing Data: an Explanatory Analysis", Transportation Research, Part D, 6, 21—36.

124

Internet

Abubakar, I. 2000. "Kerusakan Lingkungan yang Diakibatkan oleh Sumber Transportasi", (http://kpbb.org/makalah.ind/Transportasi.pdf, (diakses, Maret 2009).

CARB, 2004. "California Air Resources Board EMFAC Model", www.arb.ca.gov/msei.html. (diakses, 30 Juli 2010).

EPA. 2004. "MOBILE6 Vehicle Emissions Modeling Software", http://www.epa.gov/otaq/m6.htm, (diakses, 30 Juli 2010).

IVE Model. 2004. "User’s Guide, Model and Data Files", http://www.issrc.org (diakses, 30 Juli 2010).

Simamora, A. P. 2006. "Garages Ask for Speedier Emission Testing Approval", http://www.thejakartapost.com.

125

LAMPIRAN

Lampiran 1. Pola Siklus mengemudi kendaraan uji-2

a. Arah perjalanan utara-selatan-pagi

b. Arah perjalanan selatan-utara-pagi

c. Arah perjalanan utara-selatan-siang

127

d. Arah perjalanan selatan-utara-siang

e. Arah perjalanan utara-selatan-sore

f. Arah perjalanan selatan-utara-sore

128

Lampiran 2. Pola Siklus mengemudi kendaraan uji-3

a. Arah perjalanan utara-selatan-pagi

b. Arah perjalanan selatan-utara-pagi

c. Arah perjalanan utara-selatan-siang

129

d. Arah perjalanan selatan-utara-siang

e. Arah perjalanan utara-selatan-sore

f. Arah perjalanan selatan-utara sore

130

Lampiran 3. Grafik model faktor Emisi CO terhadap kecepatan kendaraan untuk 31 tipe kendaraan ringan

131

Lampiran 4. Grafik model faktor Emisi NOx terhadap kecepatankendaraan untuk 31 tipe kendaraan ringan

133

Lampiran 5. Grafik model faktor emisi CO2 terhadap kecepatan kendaraan untuk 31 tipe kendaraan ringan

135

Lampiran 6. Formulir Uji Emisi Gas Buang Kendaraan Bermotor (LV)

Tdk

LulusOpasitas Lulus

BAHAN BAKAR BENSIN

UJI EMISI GAS BUANG KENDARAAN BERMOTOR (LV)

No. Jenis Kendaraan

No. SeriTahun Pembuatan

KM CCCO (%)

CO2

(%)HC (ppm)

137

Lokasi Survei Jenis Kendaraan

Waktu Survei Tahun Pembuatan

Cuaca Surveyor

Pembacaan GPS Waktu Tempuh

(km/jam) (detik)

FORMULIR SURVEI KECEPATAN

NoPembacaan Speedometer

(km/jam)

Lampiran 7. Formulir Survei Kecepatan

138

Lampiran 8. Formulir Survei Volume Lalu Lintas

Halaman

Dari :

Nama Kota Ruas jalan ARAH :

Surveyor Segmen ruas

Tanggal survei Arah

Diperiksa oleh Lokasi

KENDARAAN RINGAN (LV)

Sketsa lokasi dan posisi survei :

..............., ..............................

Surveyor

SURVEI VOLUME LALU LINTAS DI RUAS JALAN

KEND. TAK BERMOTOR

(UM)

Beca

k

Sepe

da

Gero

bak

JUMLAH

dst hingga 20:00

08.45 - 09.00

08.30 - 08.45

08.15 - 08.30

08.00 - 08.15

07.45 -08.00

07.30 - 07.45

07.15 - 07.30

:

Periode

KENDARAAN BERAT (HV)

Sepe

da M

otor

(MC)

seda

n / j

eep

Van

min

i bus

Mik

role

t biru

(AU

kota

)

Pick

Up

/ mob

il bo

x

Bus s

edan

g

Bus b

esar

Truk

bes

ar 3

As

(ang

k.Ba

rang

)

Truk

seda

ng 2

As

(ang

k. B

aran

g)Tr

alle

r / a

ngk.

Ko

ntai

ner

:

07.00 - 07.15

139

CO Nox

CO High Temperature

Running (40C)

NOx High Temperature

Running (40C)

CO High Humidity Running

(80%)

NOx High Humidity Running

(80%)

1 Carburetor None PCV <79K km 0 0,86 0,98 1,93 0,61 1 1

2 Carburetor None PCV 80-161K km 1 0,7 0,9 1,93 0,61 1 1

3 Carburetor None PCV >161K km 2 0,61 0,85 1,93 0,61 1 1







10 Carburetor 3-Way PCV <79K km 27 0,95 0,98 3,96 0,65 1,03 0,9

11 Carburetor 3-Way PCV 80-161K km 28 0,78 0,9 3,96 0,65 1,03 0,9

12 Carburetor 3-Way PCV >161K km 29 0,68 0,85 3,96 0,65 1,03 0,9







19 Multi-Pt FI 3-Way PCV <79K km 117 1 0,99 1,4 1,26 1,05 0,91

20 Multi-Pt FI 3-Way PCV 80-161K km 118 0,95 0,95 1,4 1,26 1,05 0,91

21 Multi-Pt FI 3-Way PCV >161K km 119 0,89 0,93 1,4 1,26 1,05 0,91







28 Multi-Pt FI 3-Way/EGR PCV <79K km 126 1 0,99 1,4 1,26 1,05 0,91

29 Multi-Pt FI 3-Way/EGR PCV 80-161K km 127 0,95 0,95 1,4 1,26 1,05 0,91

30 Multi-Pt FI 3-Way/EGR PCV >161K km 128 0,89 0,93 1,4 1,26 1,05 0,91







37 Multi-Pt FI ULEV PCV/Tank <79K km 153 1 0,99 1 1 1 1

38 Multi-Pt FI ULEV PCV/Tank 80-161K km 154 0,95 0,95 1 1 1 1

39 Multi-Pt FI ULEV PCV/Tank >161K km 155 0,89 0,93 1 1 1 1







46 Multi-Pt FI SULEV PCV/Tank <79K km 162 1 0,99 1 1 1 1

47 Multi-Pt FI SULEV PCV/Tank 80-161K km 163 0,95 0,95 1 1 1 1

48 Multi-Pt FI SULEV PCV/Tank >161K km 164 0,89 0,93 1 1 1 1







I/M Temperatur Humadity

NOAir/Fuel Control

Exhaust Control

Evapor-ative Control Age Index

Faktor Koreksi IVE Model

140

RIWAYAT PENULIS

Sumarni Hamid Aly, penulis buku ini, menyelesaikan

pendidikan sarjana teknik di Fakultas Teknik Universitas

Hasanuddin pada tahun 1985. Di universitas yang sama,

penulis melanjutkan pendidikan S2 pada bidang teknik

sistem transportasi pada tahun 2004 dan meraih gelar

doktor pada bidang teknik sipil pada tahun 2012 dengan

tema disertasi emisi yang bersumber dari transportasi.

Mengawali karier sebagai staf pengajar di almamaternya

pada tahun 1986. Karier itu digeluti hingga kini (2015).

Selain staf pengajar, juga bertugas sebagai Kepala Laboratorium Rekayasa

Transportasi jurusan teknik sipil tahun 2004-2011, dan sekarang sebagai kepala

laboratorium riset rekayasa lalu lintas pada jurusan yang sama tahun 2012-

sekarang. Tahun 2014-2019 dipercaya sebagai kepala program studi teknik

lingkungan pada fakultas teknik. Penulis pernah mengikuti kegiatan Student

exchange, di Urban and Environmental Engineering Department, Kyushu

University, Japan 2011-2012.

Penulis juga berkiprah pada berbagai organisasi keprofesian seperti menjadi

anggota dan pengurus Persatuan Insinyur Indonesia (PII), pengurus Himpunan

Pengembangan Jalan Indonesia (HPJI) Sulawesi Selatan, pengurus Masyarakat

Transportasi Indonesia (MTI) no. Anggota 05-017, dan anggota Eastern Asia

Society for Transportation Studies//./(EASTS) ID number: ID-11-13-0117.

Saat ini penulis aktif mengajar di Fakultas Teknik UNHAS pada mata kuliah

Rekayasa Lalu Lintas, Rekayasa Transportasi, Perencanaan dan Pemodelan

Transportasi, Analisa Permintaan Transportasi, Ilmu Lingkungan, Pencemaran

Udara, dan AMDAL. Buku “Emisi Transportasi: Kuantitas Emisi Berdasarkan

Marni Model” merupakan buku pertama yang diterbitkannya.

emisi transportasi

Documents