skripsi sistem penunjang keputusan untuk …

SKRIPSI

SISTEM PENUNJANG KEPUTUSAN UNTUK MENGURAI

KEMACETAN MELALUI REKAYASA TATA LETAK U-TURN

KENDARAAN

(STUDI KASUS: JALAN IR. H. JUANDA, TANGERANG

SELATAN)

OLEH :

FAUZAN AFFAN ZAKI

1112093000088

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI

UIN SYARIF HIDAYATULLAH JAKARTA

2017/1438 H

ii

SISTEM PENUNJANG KEPUTUSAN UNTUK MENGURAI

KEMACETAN MELALUI REKAYASA TATA LETAK U-TURN

KENDARAAN

(Studi Kasus: Jalan Ir. H. Juanda, Tangerang Selatan)

Skripsi

Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer

Fakultas Sains dan Teknologi

Universitas Islam Negeri Syarif Hidayatullah Jakarta

oleh:

FAUZAN AFFAN ZAKI

NIM: 1112093000088

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS SAINS DAN TEKNOLOGI

UIN SYARIF HIDAYATULLAH JAKARTA

2017 M/1438 H

v

LEMBAR PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-BENAR

HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI

SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN TINGGI ATAU

LEMBAGA MANAPUN.

Jakarta, Januari 2017

FAUZAN AFFAN ZAKI

NIM 1112093000088

vi

ABSTRAK

Fauzan Affan Zaki – 1112093000088 Sistem Penunjang Keputusan untuk

Mengurai Kemacetan Melalui Rekayasa Tata Letak U-turn Kendaraan (Studi

Kasus: Jalan Ir. H. Juanda, Tangerang Selatan) di bawah bimbingan bapak Dr. rer.

nat. DITDIT NUGERAHA UTAMA dan ibu MEINARINI CATUR UTAMI,

MT.

Tangerang Selatan adalah salah satu wilayah yang saat ini berkembang

menjadi suatu wilayah pemukiman yang secara tidak langsung berfungsi untuk

mengimbangi arus urbanisasi yang terjadi di Jakarta. Selain perkembangan wilayah

pemukiman, perkembangan kota Tangerang Selatan juga berkembang dalam

bidang pendidikan, perkantoran, dan perdagangan. Kota Tangerang Selatan yang

dibentuk dengan Undang–Undang Nomor 51 Tahun 2008 merupakan kota

pemekaran dari kabupaten Tangerang. Kota Tangerang Selatan terdiri atas 7

kecamatan. Salah satunya ialah kecamatan Ciputat Timur. Pada wilayah kecamatan

Ciputat Timur, terdapat beberapa titik rawan kemacetan. Tercatat dari tahun 2012

sampai tahun 2016, jalan Ir. H. Juanda tidak pernah lepas dari data rawan

kemacetan. Ada beberapa titik rawan kemacetan pada jalan Ir. H. Juanda, yaitu:

simpang Legoso, simpang Gintung, u-turn samsung, u-turn pesanggrahan, halte

Kampus UIN, u-turn Kampus UMJ, u-turn Komplek UI, dan u-turn Polsek Ciputat

(Dinas Perhubungan, Komunikasi, dan Informatika 2013). Penelitian ini ditunjukan

untuk menangani permasalahan kemacetan yang ada pada jalan Ir. H. Juanda pada

ruas jalan Pasar Jum’at sampai ke Pasar Ciputat. Sistem penunjang keputusan ini

menggunakan model pengembangan sistem informasi rapid application system

(RAD) sebagai kerangka tahapan penelitiannya. Pada tahap workshop design, tools

unified modeling language (UML) digunakan. Sistem penunjang keputusan ini

dibuat berdasarkan metode utama water flow like algorithm (WFA) yang digunakan

untuk pemodelan dan proses optimasi rekayasa lalu lintas, yang selanjutnya

dikombinasikan dengan metode fuzzy logic sebagai konsep yang digunakan untuk

penilaian alternatif keputusan berdasarkan saran tiga orang pakar. Untuk bahasa

pemograman yang digunakan yaitu javascript dan database MySQL. Penelitian ini

menghasilkan sistem penunjang keputusan untuk mengurai kemacetan melalui

rekayasa tata letak u-turn kendaraan yang menyediakan keputusan terbaik untuk

eliminasi u-turn dan contraflow.

Kata Kunci: Kemacetan Lalu Lintas, Eliminate U-turn, Contraflow, WFA, Fuzzy

Logic, Rapid Application System (RAD), Unified Model Language (UML).

V Bab + xxiv Halaman + 98 Halaman + 57 Gambar + Pustaka (1972-2016) +

Lampiran

vii

KATA PENGANTAR

Assalamu’alaikum Warahmatullahi Wabarakatuh

Puji dan syukur tercurahkan atas kehadirat Allah SWT, Tuhan Yang Maha

Esa yang telah memberikan rahmat serta hidayah-Nya, sehingga penyusunan

Skripsi yang berjudul “Sistem Penunjang Keputusan untuk Mengurai

Kemacetan Melalui Rekayasa Tata Letak U-turn Kendaraan (Studi Kasus:

Jalan Ir. H. Juanda, Tangerang Selatan)” dapat diselesaikan dengan baik.

Shalawat serta salam semoga selalu tercurahkan kepada suri tauladan kita

Rasulullah Nabi Muhammad SAW. Aamiin.

Dalam penyusunan skripsi, telah banyak bimbingan dan bantuan yang

didapatkan baik dari segi moral maupun segi material dari berbagai pihak. Oleh

karena itu, pada kesempatan ini penulis mnegucapkan terima kasih kepada:

1. Bapak Dr. Agus Salim, M.Si selaku Dekan Fakultas Sains dan Teknologi

Universitas Islam Negeri Syarif Hidayatullah Jakarta.

2. Ibu Nia Kumaladewi, MMSI selaku ketua Program Studi Sistem Informasi

Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif

Hidayatullah Jakarta.

3. Bapak Dr. rer. nat. Ditdit Nugeraha Utama selaku dosen pembimbing I

yang dengan penuh kesabaran memberikan ide, ilmu, motivasi, dan

bimbingan yang menunjang dalam penyelesaian skripi ini.

4. Ibu Meinarini Catur Utami, MT selaku dosen pembimbing II yang selalu

memberikan semangat, arahan, dan ide dalam proses penyelesaian skripsi

ini.

viii

5. Seluruh Dosen SI UIN yang tidak dapat disebutkan satu persatu, terima

kasih atas ilmunya yang telah diberikan.

6. Bapak H. Sukanta selaku Kepala Dinas Perhubungan, Komunikasi dan

Informasi berserta para staf karyawan yang telah membantu dalam

pencarian informasi dalam mengumpulkan data untuk skripsi.

7. Untuk orang tua tercinta Ayah dan Mamah, serta adik – adik tersayang

Syifa, Wafi, dan Rifqi. Terima kasih atas do’a, perhatian, semangat, kasih

sayang dan motivasi yang diberikan kepada penulis dalam melakukan

setiap pekerjaan.

8. Untuk teman satu dosen pembimbing, Nidya Utami Putri dan Intan Juliani

Munjeri yang selalu memberikan motivasi, dan saling bertukar pikiran

untuk penyelesaian skripsi ini.

9. Untuk sahabat-sahabat yang selalu mendukung dan memberi semangat

yang tak kenal lelah untuk menyelesaikan skripsi ini yang tergabung dalam

keluarga besar Gabuters.

10. Teman-teman seperjuangan CCIT SI 2012 Pola 1.3 yaitu Tirta, Dimas,

Imam, Firman, Dai, Andin, Yunita, dan Lely yang selalu memberikan

motivasi, pengetahuan serta semangat kepada penulis.

11. Keluarga besar H. Achfas dan H. Muhidin yang telah memberikan

dukungan dan doa kepada penulis untuk menyelesaikan skripsi.

12. Teman-teman yang memberikan dukungan dan motivasi yang tidak bisa

disebutkan satu persatu.

Demikianlah kata pengantar dari Penulis, semoga hasil laporan penulisan ini

dapat bermanfaat bagi para pembaca.

ix

Wassalamu’alaikum Warahmatullahi Wabarakatuh

Jakarta, Januari 2017

Fauzan Affan Zaki

1112093000088

x

DAFTAR ISI

HALAMAN SKRIPSI ............................................................................................. i

LEMBAR PENGESAHAN PEMBIMBING ......... Error! Bookmark not defined.

LEMBAR PENGESAHAN UJIAN ....................................................................... iv

LEMBAR PERNYATAAN .................................................................................... v

ABSTRAK ............................................................................................................. vi

KATA PENGANTAR .......................................................................................... vii

DAFTAR ISI ........................................................................................................... x

DAFTAR GAMBAR ........................................................................................... xiii

DAFTAR SIMBOL .............................................................................................. xvi

BAB I PENDAHULUAN ....................................................................................... 1

1.1 Latar Belakang Penelitian ............................................................................. 1

1.2 Rumusan Masalah ......................................................................................... 5

1.3 Ruang Lingkup Penelitian ............................................................................. 6

1.4 Tujuan Penelitian ........................................................................................... 6

1.5 Manfaat Penelitian untuk Ilmu Pengetahuan dan Dunia Nyata .................... 7

BAB II LANDASAN TEORI ................................................................................. 8

2.1 Sistem Informasi ............................................................................................ 8

2.1.1 Definisi Sistem Informasi ....................................................................... 8

2.1.2 Proses Bisnis Sistem Informasi .............................................................. 8

2.2 Sistem Pendukung Keputusan ....................................................................... 9

2.2.1 Proses Pengambilan Keputusan .............................................................. 9

2.2.2 Persepsi Pengguna SPK ........................................................................ 10

2.2.3 Konfigurasi SPK ................................................................................... 11

2.2.4 Karakteristik dan Kapabilitas SPK ....................................................... 12

2.2.5 Model Koneksionis Pengambilan Keputusan ....................................... 14

2.3 Gambaran Umum Lalu Lintas ..................................................................... 15

2.3.1 Gambaran Umum U-turn dan Contraflow ............................................ 15

2.3.2 Karakteristik Lalu Lintas ...................................................................... 16

2.3.3 Volume Lalu Lintas .............................................................................. 16

2.3.4 Kecepatan Lalu Lintas .......................................................................... 17

2.3.5 Kepadatan Lalu Lintas .......................................................................... 17

xi

2.3.6 Drajat Kejenuhan Lalu Lintas ............................................................... 17

2.3.7 Tundaan Geometri Lalu Lintas ............................................................. 17

2.3.8 Kapasitas Lalu Lintas............................................................................ 18

2.4 Metode Water Flow Like Algorithm (WFA) ............................................... 19

2.5 Metode Fuzzy Logic .................................................................................... 20

2.5.1 Fungsi Keanggotaan ............................................................................. 21

2.5.2 Fuzzifikasi ............................................................................................. 21

2.5.3 Defuzzifikasi ......................................................................................... 22

2.6 Metode Pengembangan Sistem Rapid Application Development (RAD) ... 22

2.7 Analisis dan Desain Berorientasi Objek ...................................................... 24

2.7.1 Konsep Dasar Berorientasi Objek......................................................... 24

2.7.2 Object Oriented Analysis (OOA) .......................................................... 24

2.7.3 Object Oriented Design (OOD) ............................................................ 24

2.8 Unified Modelling Language (UML) .......................................................... 25

2.9 Database Management System (DBMS) ..................................................... 30

2.10 Verifikasi dan Validasi Model................................................................... 31

2.10.1 Verifikasi Model ................................................................................. 31

2.10.2 Validasi Model .................................................................................... 32

2.11 Related Works ............................................................................................ 32

BAB III METODE PENELITIAN........................................................................ 35

3.1 Metodologi Penelitian ................................................................................. 35

3.2 Analisis Awal .............................................................................................. 37

3.2.1 Studi Literatur ....................................................................................... 37

3.2.2 Pra-Analisis ........................................................................................... 38

3.3 Analisis Situasi ............................................................................................ 38

3.3.1 Observasi .............................................................................................. 38

3.3.2 Pengumpulan Data ................................................................................ 39

3.4 Pengembangan Sistem ................................................................................. 39

3.4.1 Perencanaan Syarat-Syarat (Requirement Planning) ............................ 40

3.4.2 Perancangan Sistem (Workshop Design) .............................................. 40

3.4.3 Pelaksanaan (Implementation) .............................................................. 41

3.5 Alasan Menggunakan Metode Fuzzy dan WFA .......................................... 42

xii

3.6 Pelaporan ..................................................................................................... 42

BAB IV HASIL, PEMBAHASAN, DAN DISKUSI ........................................... 43

4.1 Analisis Data Empiris mengenai Lalu Lintas .............................................. 43

4.1.1 Analisis Data Lalu Lintas ..................................................................... 43

4.1.2 Perbandingan Data Lalu Lintas Motor

Akhir Minggu dengan Hari Kerja .................................................................. 57

4.2 Konstruksi Sistem ........................................................................................ 58

4.2.1 Jenis Pengguna Sistem .......................................................................... 58

4.2.2 Influence Diagram ................................................................................ 58

4.2.3 Use Case Diagram ................................................................................ 59

4.2.4 Activity Diagram ................................................................................... 60

4.2.5 Sequence Diagram ................................................................................ 66

4.2.6 Class Diagram ...................................................................................... 73

4.2.7 Mapping Database ................................................................................ 74

4.3 Model Optimasi ........................................................................................... 75

4.3.1 Model Optimasi WFA .......................................................................... 76

4.3.2 Fuzzy Multi Expert Judgement ............................................................. 83

4.3.3 Model Optimasi FWFA U-turn dan Contraflow .................................. 85

4.4 Perancangan Interface ................................................................................. 86

4.5 Interface Sistem ........................................................................................... 90

4.6 Verifikasi dan Validasi ................................................................................ 94

4.6.1 Verifikasi .............................................................................................. 94

4.6.2 Validasi ................................................................................................. 95

4.7 Diskusi ......................................................................................................... 95

BAB V PENUTUP ................................................................................................ 97

5.1 Kesimpulan .................................................................................................. 97

5.2 Saran ............................................................................................................ 98

DAFTAR PUSTAKA ........................................................................................... 99

LAMPIRAN ........................................................................................................ 103

xiii

DAFTAR GAMBAR

Gambar 1.1 Panjang Jalan Dengan Kondisi Baik Di Tujuh Kecamatan

Kota Tangerang Selatan (Dinas Perhubungan, Komunikasi, dan Informatika, 2013)

................................................................................................................................. 2

Gambar 1.2 Grafik Volume Lalu Lintas Harian Rata–Rata Ir. H. Juanda (Data

Primer, 2015) .......................................................................................................... 3

Gambar 2.1 Konfigurasi SPK (Hermawan, 2005) ................................................ 12

Gambar 2.2 Flowchart Water Flow (Utama dkk, 2016a) ..................................... 20

Gambar 2.3 Contoh Fungi Keanggotaan ............................................................... 21

Gambar 2.4 Fase RAD (Kendal, 2011) ................................................................. 23

Gambar 2.5 Usecase Diagram (Fowler, 2003) ..................................................... 26

Gambar 2.6 Simple Activity Diagram (Fowler, 2003) .......................................... 27

Gambar 2.7 Class Diagram (Fowler, 2003).......................................................... 28

Gambar 2.8 Sequence Diagram (Booch dkk, 2007) ............................................. 29

Gambar 2.9 Influence Diagram Symbols (Sauter, 2010) ...................................... 30

Gambar 3.1 Metodologi Penelitian ....................................................................... 36

Gambar 4.1 Screenshot Rekaman Video Arus Lalu Lintas .................................. 43

Gambar 4.2 Volume Kendaraan Hari Kerja

Arah Pasar Jumat ke Pasar Ciputat ....................................................................... 45

Gambar 4.3 Volume Kendaraan Hari Kerja

Arah Pasar Ciputat ke Pasar Jumat ....................................................................... 45

Gambar 4.4 Volume Kendaraan Akhir Pekan


Gambar 4.5 Volume Kendaraan Akhir Pekan


Gambar 4.6 Kepadatan Kendaraan Hari Kerja


Gambar 4.7 Kepadatan Kendaraan Hari Kerja

xiv


Gambar 4.8 Kepadatan Kendaraan Akhir Pekan


Gambar 4.9 Kepadatan Kendaraan Akhir Pekan


Gambar 4.10 Tundaan Geometri Hari Kerja

Arah Pasar Jumat ke arah Pasar Ciputat ............................................................... 55

Gambar 4.11 Tundaan Geometri Akhir Pekan


Gambar 4.12 Tundaan Lalu Lintas Hari Kerja...................................................... 57

Gambar 4.13 Tundaan Lalu Lintas Akhir Pekan .................................................. 57

Gambar 4.14 Inlfuence Diagram System .............................................................. 59

Gambar 4.15 Use Case Diagram System .............................................................. 60

Gambar 4.16 Activity Diagram Extracting Data .................................................. 61

Gambar 4.17 Activity Diagram Parameterizing ................................................... 62

Gambar 4.18 Activity Diagram Optimizing .......................................................... 63

Gambar 4.19 Activity Diagram Making Decision ................................................. 64

Gambar 4.20 Activity Diagram Reporting ............................................................ 65

Gambar 4.21 Sequence Diagram Extracting Data ............................................... 67

Gambar 4.22 Sequence Diagram Parameterizing ................................................ 69

Gambar 4.23 Sequence Diagram Optimizing........................................................ 70

Gambar 4.24 Sequence Diagram Making Decision .............................................. 70

Gambar 4.25 Sequence Diagram Reporting ......................................................... 72

Gambar 4.26 Class Diagram System .................................................................... 74

Gambar 4.27 Mapping Database .......................................................................... 75

Gambar 4.28 WFA Eliminate U-turn & Contraflow ............................................. 78

Gambar 4.29 Flowchart FWFA ............................................................................ 85

Gambar 4.30 Tabulist Terbesar Eliminate U-turn dan Contraflow ...................... 86

Gambar 4.31 Landing Page Interface ................................................................... 87

Gambar 4.32 Dashboard DSS Interface................................................................ 87

Gambar 4.33 Sidebar Optimizing Interface .......................................................... 88

Gambar 4.34 Volume Interface ............................................................................. 88

xv

Gambar 4.35 Optimizing Dashboard Pop Up Interface ....................................... 89

Gambar 4.36 Volume Daily Dashboard Interface ................................................ 89

Gambar 4.37 Volume Weekly Dashboard Modal Interface .................................. 90

Gambar 4.38 Landing Page Interface ................................................................... 91

Gambar 4.39 Dashboard DSS Interface................................................................ 91

Gambar 4.40 Sidebar Optimizing Interface .......................................................... 92

Gambar 4.41 Sidebar Volume Interface ................................................................ 93

Gambar 4.42 Optimizing Dashboard Pop Up Interface ....................................... 93

Gambar 4.43 Daily Volume Pop Up Interface ...................................................... 94

Gambar 4.44 Weekly Volume Pop Up Interface ................................................... 94

xvi

DAFTAR SIMBOL

Simbol Influence Diagram

Simbol Keterangan

Variabel Keputusan

Variabel Eksogen

Variabel Perantara

Variabel Hasil

(Sauter, 2010)

xvii

Simbol Use Case Diagram

Simbol Keterangan

Use Case

Aktor Use Case

Asosiasi atau Association

Ekstensi atau Extend

Menggunakan atau Include

(Rosa & Shalahuddin, 2013)

xviii

Simbol Activity Diagram

Simbol Keterangan

Status Awal

aktivitas

Aktivitas

Percabangan / Decision

Penggabungan / Join

Pemecah / Fork

Swimline

Status Akhir


xix

Simbol Class Diagram

Simbol Keterangan

Kelas

Asosiasi / Association

Asosiasi berarah / Directed

Association

Generalisasi

Ketergantungan / Dependency

Agregasi / Aggregation


xx

Simbol Sequence Diagram

Simbol Keterangan

Atau

Aktor

Objek

Waktu Aktif / Activation

<<create>>

Pesan Tipe Create

1: nama_metode()

Pesan Tipe Call

xxi

1: masukan

Pesan Tipe Send

Pesan Tipe Return

Pesan Tipe Destroy


xxii

Nomenclature

Istilah Keterangan

light vehicle (LV)

Meliputi kendaraan bermotor beroda empat (termasuk

mobil penumpang, mikrobus, pick-up, truk kecil, sesuai

sistem klasaifikasi Bina Marga)

heave vehicle (HV)

Meliputi kendaraan motor biasanya beroda lebih dari

empat (termasuk bis, truk dua roda, truk tiga roda, dan truk

kombinasi)

motorcycle (MC)

Meliputi kendaraan bermotor roda 2 atau tiga (termasuk

sepeda motor dan kendaraan roda tiga sesuai sistem

klasifikasi Bina Marga)

Volume Lalu

Lintas

Menunjukkan jumlah kendaraan yang melintasi suatu titik

pengamatan dalam satu satuan waktu

Kepadatan Arus

Lalu Lintas

Jumlah rata-rata kendaraan persatuan panjang jalur gerak

dalam waktu tertentu

Kecepatan Arus

Lalu Lintas

Besaran yang menunjukkan jarak yang ditempuh

kendaraan dibagi waktu tempuh

Kapasitas Arus

Jalan

Jumlah kendaraan maksimum yang dapat melewati suatu

jalan pada jalur jalan selama 1 jam dengan kondisi serta

arus lalu lintas tertentu

Drajat Kejenuhan

Didefenisikan sebagai rasio arus lalu lintas terhadap

kapasitas, yang digunakan sebagai faktor utama dalam

penentuan tingkat kinerja simpang dan segmen jalan

Tundaan Lalu

Lintas

Menentukan perilaku lalu lintas pada antrian yang

disebabkan oleh padatnya kendaraan dengan

menggunakan rumus persimpangan bersinyal yang dapat

menetapkan panjang antrian, junlah kendaraan terhenti

dan tundaan

Water Flow Like

Algorithm (WFA)

Metode untuk menerapkan sebuah kalkulasi yang

bertujuan membuat rute pengerjaan part menjadi lebih

pendek

Fungsi

Keanggotaan

Berguna untuk mengembangkan lexicon (istilah untuk

menggambarkan berbagai fitur khusus pada fuzzy)

xxiii

Fuzzifikasi Proses pembuatan kuantitas crisp fuzzy

Interpolation Menentukan kurva yang melewati garis fungsi

Defuzzifikasi

Mengkonversi kualitas fuzzy untuk kulitas yang tepat,

sama seperti fuzzifikasi yaitu konversi dari jumlah yang

tepat untuk kualitas fuzzy

Weighted mean

Salah satu metode yang dipergunakan dalam proses

defuzzifikasi. Biasanya terbatas output simetris fungsi

keanggotaan

Verifikasi formal

Tindakan membuktikan atau menyangkal kebenaran

model dengan menggunakan properti dan spesfikasi

tertentu

Validasi silang

Sebuah teknik untuk menilai bagaimana sebuah hasil

analisis statistik akan diubah menjadi sebuah set data yang

bebas, untuk menilai seberapa akurat kesesuaian model

dengan kenyataannya

Splitting Pemisahan arus dalam pemodelan

Meging Penggabungan arus dalam pemodelan

U-turn

Berupa tempat khusus untuk berputarnya kendaraan baik

bermotor maupun tak bermotor, digunakan pada ruas jalan

dengan pemisah (divider)

Contraflow

Jalur kendaraan contraflow memungkinkan kendaraan

untuk menghindari rute memutar, atau yang biasa disebut

dengan lawan arah

Akselarasi Gravitasi

Sebuah nilai yang didapatkan dari menghitung nilai min atau

max suatu kecepatan dengan menggunakan persamaan

akselerasi gravitasi

Precipitation Pengendapan

Evaporation Penguapan

Array

Sekelompok data sejenis yang disimpan ke dalam variabel

dengan nama yang sama, dengan memberi indeks pada

variabel untuk membedakan antara yang satu dengan yang

lain

xxiv

Tabulist Urutan dari nilai terkecil ke nilai terbesar

1

BAB I

PENDAHULUAN

1.1 Latar Belakang Penelitian

Terdapat tiga motivasi dalam penelitian ini. Motivasi penelitian yang

pertama bertujuan untuk mengurangi kemacetan, khususnya di kota–kota besar.

Masalah kemacetan pada saat ini sudah menjadi masalah utama yang sulit untuk

diselesaikan, terutama di beberapa kota besar, seperti Jakarta dan sekitarnya.

Kemacetan lalu lintas yang terjadi di jalanan sudah sangat mengganggu aktifitas

penduduk. Telah kita ketahui, bahwa kemacetan lalu lintas memberikan dampak

yang negatif baik dari sisi pengemudi maupun dari sisi ekonomis dan lingkungan

sekitar. Bagi pengemudi, kemacetan lalu lintas akan menimbulkan rasa khawatir

ketika di jalan, dan juga menimbulkan ketegangan atau stress.

Menurut Slinn dkk. (2005) rekayasa lalu lintas digunakan untuk

meningkatkan situasi yang sedang terjadi atau masalah dari fasilitas (lalu lintas)

yang baru, untuk memastikan bahwa fasilitas yang baru bagus dan aman untuk

dirancang, serta memadai untuk digunakan dimana, motivasi penelitian yang kedua

yaitu mengujicoba rekayasa tata letak u-turn yang telah ada. Menurut Utama dkk.

(2016a) strategi pelaksanaan rekayasa lalu lintas harus dipilih secara objektif dan

telah dijalankan pada pemodelan sebelumnya. Oleh karena itu, motivasi penelitian

yang ketiga, yaitu melakukan optimasi kecepatan lalu lintas menggunakan metode

gabungan dari dua metode terpisah yang telah digunakan pada penelitian

sebelumnya.

Kota Tangerang Selatan terletak di bagian barat DKI Jakarta, yaitu pada titik

koordinat 106’38’ – 106’47’ Bujur Timur dan 06’13’30’ – 06’22’30’ Lintang

Selatan dan secara administratif terdiri dari 7 (tujuh) kecamatan, 49 (empat puluh

sembilan) kelurahan dan 5 (lima) desa dengan luas wilayah 147,19 Km2 atau 14.719

Ha. (Dinas Perhubungan, Komunikasi, dan Informatika, 2013).

Kota Tangerang Selatan yang dibentuk dengan Undang–Undang Nomor 51

Tahun 2008 merupakan kota pemekaran dari Kabupaten Tangerang. Kota

Tangerang Selatan terdiri atas 7 kecamatan, yaitu Setu, Serpong, Pamulang,

Serpong Utara, Pondok Aren, Ciputat, dan Ciputat Timur.

2

Gambar 1.1 Panjang Jalan Dengan Kondisi Baik Di Tujuh Kecamatan Kota Tangerang

Selatan (Dinas Perhubungan, Komunikasi, dan Informatika, 2013)

Jika dibandingkan dengan kecamatan yang lain, wilayah kecamatan Ciputat

Timur dengan panjang jalan 50.801 km yang ditampilkan pada Gambar 1.1

memiliki paling banyak titik rawan kemacetan yang disebabkan oleh u-turn.

Tercatat dari tahun 2012 sampai tahun 2016, jalan Ir. H. Juanda tidak pernah lepas

dari data rawan kemacetan (Dinas Perhubungan, Komunikasi, dan Informatika

2013). Ada beberapa titik rawan kemacetan pada jalan Ir. H. Juanda, diantaranya:

simpang Legoso, simpang Gintung, u-turn depan toko Samsung, u-turn di depan

Pesanggrahan, halte Kampus UIN, u-turn di depan Kampus UMJ, u-turn di depan

Komplek UI, dan u-turn di depan Polsek Ciputat (Dinas Perhubungan, Komunikasi,

dan Informatika 2013). Volume lalu lintas harian rata – rata Ir. H. Juanda

(kendaraan/hari) pada tahun 2013 dapat dilihat pada Gambar 1.2.

SetuSerpon

gPamula

ngSerpong Utara

Pd.Aren

CiputatCiputatTimur

Panjang Jalan (Km) 18,587 42,921 65,228 27,125 77,603 45,084 50,801

-

10,000

20,000

30,000

40,000

50,000

60,000

70,000

80,000

90,000

3

Gambar 1.2 Grafik Volume Lalu Lintas Harian Rata–Rata Ir. H. Juanda (Data Primer,

2015)

Khusus untuk penelitian mengenai transportasi dan jalan raya, beberapa

peneliti telah melakukan penelitiannya, di antaranya adalah Balakrishnan dan

Sivanandan (2015), Utama dkk. (2016a), Utama dkk. (2016b), Mahmoud dan

Akmal (2015), Li dkk. (2014), Fancello dkk. (2014), Zhang dkk. (2014), dan

Lozano dkk. (2014). Salah satu yang menarik dari penelitian–penelitian mengenai

transportasi dan jalan raya tersebut adalah permasalahan yang spesifik dan unik

untuk setiap negara namun saling berkaitan. Balakrishnan dan Sivanandan (2015)

melakukan penelitian dengan cara merekam objek penelitian menggunakan video

recorder. Utama dkk. (2016a) mencoba membuat rekayasa lalu lintas menggunakan

metode WFA. Utama dkk. (2016b) pada tahun yang sama, kembali mencoba

membuat rekayasa lalu lintas menggunakan metode gabungan fuzzy water flow

algorithm (FWFA). Mahmoud dan Akmal (2015) membahas tentang akibat

pergantian simpangan ke kiri dengan simpangan langsung ke kanan diikuti dengan

putar balik (u-turn). Li dkk. (2014) mencoba membangun sebuah lalu lintas cerdas

untuk mengatasi kemacetan di China. Zhang dkk. (2014) membuat sistem yang

dapat memperkirakan gambaran arus lalu lintas jangka pendek di persimpangan

jalan di Beijing, China. Untuk memantau jalanan perkotaan, Fancello dkk. (2014)

di Italia mencoba mengembangkan model yang terintegrasi dalam infrastruktur

jalan perkotaan dan me-recordnya. Sedangkan Lozano dkk. (2014) mencoba

KendaraanRingan

Motor Kendaraan Berat

Jumlah (kendaraan/hari) 12,794 52,565 244

-

10,000

20,000

30,000

40,000

50,000

60,000

4

memodifikasi infrastruktur jalanan perkotaan, menilai manajemen jalanan, dan

emisi (gas buang kendaraan) lingkungan tersebut.

Dilengkapi dengan enam peneliti transportasi dan jalan raya yang lain, di

antaranya adalah Ditsuwan dkk. (2013), Leu dkk. (2012), Ye dan Ma (2013), Zhao

dkk. (2014), Mikolaj dan Remek (2015) dan Raicu dkk. (2016). Ditsuwan dkk.

(2013) meneliti tentang keterhubungan antara aspek kebiasaan konsumsi minum

alkohol bagi para pengendara kendaraan bermotor dan pengaruhnya terhadap

kecelakaan di jalan raya (cedera, lumpuh atau meninggal) di Thailand. Leu dkk.

(2012) mencoba memodelkan hubungan antara tingkah laku dengan pengendara

bermotor. Selain itu, Ye dan Ma (2013) mengusulkan metode simulasi

keterlambatan bus, jalur utama, dan akses menuju jalur utama. Zhao dkk. (2014)

menganalisis dan memodelkan daerah landai sebelum membuat jalan bebas

hambatan (toll). Mikolaj dan Remek (2015) menjelaskan tentang bagaimana

kecepatan dan biaya bahan bakar berkendara dapat diukur. Sedangkan Raicu dkk.

(2016) mencoba meneliti konsekuensi dari kebijakan pembangunan perkotaan

(pusat perbelanjaan) secara besar dan resikonya yang berkaitan dengan lalu lintas.

Sistem penunjang keputusan (SPK), sebagai sebuah domain ilmu Sistem

Informasi pun berperan penting untuk menyelesaikan permasalahan transportasi di

jalan raya, termasuk yang berdampak langsung pada kemacetan. Terdapat beberapa

peneliti yang mencoba penelitian pada domain keilmuan SPK, di antaranya adalah

Kabashkin (2016) yang mencoba merancang SPK yang dapat menentukan pilihan

jalur alternatif transportasi pada area yang luas dengan menyeleksi prioritas

keputusan, memastikan tersedianya pilihan keputusan, dan mengurangi variabel

ketidakpastian yang mempengaruhi keputusan dan hasil. Sicilia dkk. (2014)

meneliti tentang bagaimana SPK mengoptimasi transportasi darat muatan jarak jauh

tanpa berhenti (tidak ada rest area atau gudang) di Iberian Peninsula (Spanyol dan

Portugal). Vitale dkk. (2014) mengembangkan transportation decission support

system (T-DSS) untuk mempopulerkan bus yang mendominasi transportasi umum

di Calabrian Selatan Italia. Sedangkan Stiel dkk. (2016) mencoba untuk

mengintegrasikan perangkat lunak penilaian manufaktur dengan sistem penunjang

keputusan transportasi.

5

Penelitian yang membahas metode optimasi antaranya adalah Yang dan

Wang (2007) mengembangkan metode aliran air yang mempengaruhi algoritma

optimasi dengan nama WFA. Sedangkan Zadeh (1996) membahas metode fuzzy

logic sebagai salah satu unsur pokok dari soft computing dan berperan penting

dalam sistem kecerdasan intelektual.

Berdasarkan latar belakang yang telah diuraikan, dapat ditarik kesimpulan

bahwa sistem penunjang keputusan secara saintis (kepentingan ilmu pengetahuan)

dibutuhkan untuk mengurai kemacetan khususnya di jalan Ir. H. Juanda, Ciputat,

Tangerang Selatan melalu rekayasa tata letak u-turn kendaraan dimana, penelitian

ini diharapkan dapat memberikan kontribusi nyata untuk penyelesaian kemacetan

dan juga kontribusi pada perkembangan ilmu pengetahuan, khususnya domain ilmu

sistem informasi sehingga, judul penelitian ini adalah “Sistem Penunjang

Keputusan untuk Mengurai Kemacetan Melalui Rekayasa Tata Letak U-turn

Kendaraan (Studi Kasus: Jalan Ir. H. Juanda, Tangerang Selatan)”.

1.2 Rumusan Masalah

Berdasarkan latar belakang di atas, maka didapatkan rumusan masalah

sebagai berikut:

1. Bagaimana memodelkan kemacetan pada jam tertentu yang disebabkan

oleh posisi u-turn di jalan Ir. H. Juanda?

2. Bagaimana merekayasa lalu lintas untuk mengurai kemacetan melalui

rekayasa tata letak u-turn serta membandingkannya dengan rekayasa

contraflow di jalan Ir. H. Juanda?

3. Bagaimana membandingkan motor di hari kerja dan di akhir pekan di

jalan Ir. H. Juanda?

4. Bagaimana merancang SPK untuk mengurai kemacetan di jalan Ir. H.

Juanda melalui rekayasa tata letak u-turn?

5. Bagaimana hasil dari eliminasi u-turn dan contraflow di jalan Ir. H.

Juanda?

6

1.3 Ruang Lingkup Penelitian

Dalam pelaksanaan penelitian ini, peneliti akan membatasi permasalahan

yang ada agar lebih terarah dan memudahkan dalam pembahasannya, maka

permasalahan dititikberatkan pada:

1. Penelitian dilakukan untuk memodelkan arus kemacetan pada jam

tertentu, merancang SPK, mengoptimasi arus lalu lintas, dan mengukur

keefektifan dari rekayasa tata letak u-turn kendaraan.

2. Penelitian ini dilakukan pada bulan April 2016 untuk data hari kerja,

dan Januari 2017 untuk data akhir pekan, dimana pengumpulan data

dilakukan pada pada hari Senin sampai dengan hari Jum’at (untuk data

hari kerja) dan pada hari Sabtu dan Minggu (untuk data akhir pekan).

Adapun lokasi pengambilan data adalah di jalan Ir. H. Juanda di jam

06.00 - 10.00 WIB.

3. Rekayasa tata letak u-turn dan contraflow, menggunakan metode

optimasi WFA dan fuzzy logic. Dengan menggunakan metode

pengembangan sistem RAD.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini dibagi menjadi dua bagian, yaitu tujuan umum

dan tujuan khusus. Tujuan umum dari penelitian ini adalah menghasilkan sistem

penunjang keputusan untuk mengurai kemacetan melalui rekayasa tata letak u-turn.

Sedangkan tujuan khusus dari penelitiannya ini adalah untuk:

1. Memodelkan lalu lintas pada jam tertentu yang dilewati oleh u-turn di

jalan Ir. H. Juanda.

2. Membuat rekayasa tata letak u-turn dan contraflow pada arus kendaraan

(dalam domain model) untuk mengoptimasi arus lalu lintas di jalan Ir.

H. Juanda dan membandingkannya.

3. Membuat perancangan SPK untuk mengurai kemacetan di jalan Ir. H.

Juanda melalui rekayasa tata letak u-turn menggunakan influence

diagram, use case diagram, class diagram, activity diagram, dan

sequence diagram.

7

4. Menghasilkan angka-angka statistik deskriptif sebagai bahan

perbandingan keefektifan setelah dibuat rekayasa tata letak u-turn arus

kendaraan di jalan Ir. H. Juanda.

1.5 Manfaat Penelitian untuk Ilmu Pengetahuan dan Dunia Nyata

Salah satu tujuan dari penelitian ini adalah untuk memberikan manfaat

penelitian pada domain ilmu pengetahuan (khususnya di bidang sistem informasi)

dan dunia nyata. Adapun manfaat penelitian untuk ilmu pengetahuan adalah:

1. Menambah wawasan pengetahuan dan pengalaman penelitian

khususnya di penelitian kombinasi antara domain jalan raya dan sistem

penunjang keputusan.

2. Model kemacetan dan rekayasa jalan raya (berbasis WFA dan FWFA)

untuk mengurai kemacetan, akan menjadi dasar model bagi penelitian

lanjutan di berbagai domain ilmu pengetahuan berikutnya.

3. Rancangan SPK untuk mengurai kemacetan berbasis optimasi rekayasa

tata letak u-turn.

Manfaat penelitian untuk dunia nyata adalah:

1. Dapat dijadikan sebagai resource data sebelum dinas pemerintah

setempat melakukan ujicoba langsung di lapangan tanpa harus

menggelembungkan budget di ujicoba lapangan.

2. Hasil keputusan yang disarankan sistem, bisa digunakan sebagai sebuah

kebijakan tetap dalam rangka mengurai kemacetan pada area yang telah

dipilih di dalam penelitian ini.

8

BAB II

LANDASAN TEORI

2.1 Sistem Informasi

2.1.1 Definisi Sistem Informasi

Sistem informasi diartikan sebagai jaringan pelengkap hardware dan

sofware yang orang dan organisasi gunakan untuk mengumpulkan, menyaring,

memproses, membuat, dan mendistribusikan data (Bourgeous, 2014).

Sistem informasi adalah sekumpulan subsistem yang saling berhubungan,

berkumpul bersama dan membentuk satu kesatuan, saling berinteraksi dan bekerja

sama antara bagian satu dengan lainnya dengan cara tertentu untuk melakukan

fungsi pengolahan data, menerima masukan (input) berupa data, kemudian

mengolahnya (processing), dan menghasilkan keluaran (output) berupa informasi

sebagai dasar bagi pengambilan keputusan yang berguna dan mempunyai nilai

nyata yang dapat dirasakan akibatnya baik pada saat ini maupun dimasa mendatang,

mendukung kegiatan operasi dengan memanfaatkan berbagai sumber daya yang ada

guna mencapai suatu tujuan (Sutanta, 2011).

2.1.2 Proses Bisnis Sistem Informasi

Proses bisnis sejatinya merupakan apa yang akan dilakukan dan diterapkan,

sedangkan sistem informasi berperan penting untuk memastikan agar proses bisnis

berjalan dengan yang semestinya. Proses bisnis adalah integrasi sistem informasi

dengan banyak proses bisnis yang bertujuan untuk mendapatkan sebuah

keuntungan yang kompetitif (Bourgeous, 2014).

Organisasi yang serius untuk meningkatkan proses bisnis mereka juga akan

membuat struktur untuk mengelola proses bisnis tersebut. Proses bisnis manajemen

(PBM) dapat dianggap sebagai upaya untuk merencanakan, mendokumenkan,

menerapkan, dan mendistribusikan proses bisnis organisasi dengan dukungan

teknologi informasi. PBM lebih dari sekedar mengotomatisasi beberapa langkah

sederhana. Sementara otomatisasi dapat membuat serangkayan bisnis menjadi lebih

9

efisien, namun tidak dapat dipergunakan untuk memberikan keunggulan kompetitif

(Bourgeous, 2014).

2.2 Sistem Pendukung Keputusan

Sistem pendukung keputusan (SPK) secara umum didefinisikan sebagai

sebuah sistem yang mampu memberikan kemampuan baik kemampuan pemecahan

masalah maupun kemampuan pengkomunikasian untuk masalah semi terstruktur.

Secara khusus, SPK didefinisikan sebagai sebuah sistem yang mendukung kerja

seorang manajer maupun sekelompok manajer dalam memecahkan masalah semi

terstruktur dengan cara memberikan informasi ataupun usulan menuju pada

keputusan tertentu (Sauter, 2010).

SPK yang interaktif, yaitu sistem berbasis komputer yang membantu

pengguna dalam penilaian dan pemilihan kegiatan. SPK menyediakan

penyimpanan dan pengambilan semua data, serta meningkatkan informasi dari

pengaksesan tradisional. Mengambil semua fungsi dengan dukungan untuk model

pembangunan dan model berbasis penalaran. Mendukung pemodelan dan

pemecahan masalah (Druzdzel dan Flynn, 2002).

2.2.1 Proses Pengambilan Keputusan

Karena SPK berhubungan dengan kegiatan pengambilan keputusan, maka

kita perlu mengetahui bagaimana proses pengambilan keputusan dilakukan dengan

melibatkan tiga tahapan (Sauter, 2010), yaitu:

1. Tahap Intelligence. Dalam tahap ini pengambil keputusan mempelajari

kenyataan yang terjadi, biasanya pengambil keputusan melakukan analisis

berurutan dari sistem ke subsistem pembentuknya. Keluaran dari tahapan

ini berupa dokumen pernyataan masalah.

2. Tahap Design. Dalam tahap ini pengambil keputusan menemukan,

mengembangkan dan menganalisis semua pemecahan masalah yang

mungkin dilakukan dari tahapan ini didapatkan dokumen keluaran berupa

dokumen alternatif solusi.

3. Tahap Choice. Dalam tahap ini pengambil keputusan memilih salah satu

alternatif pemecahan yang dibuat pada tahap design yang dipandang

10

sebagai aksi yang paling tepat dalam menghadapi masalah. Dokumen

keluaran pada tahap ini berupa dokumen solusi dan rencana implementasi.

2.2.2 Persepsi Pengguna SPK

Persepsi pengguna dari SPK (efektivitas, efisiensi, dan usaha) adalah

salah satu dari dua konstruksi signifikan yang mempengaruhi motivasi untuk

menggunakan SPK. Hubungan antara pengguna persepsi dari SPK dan motivasi

untuk menggunakan SPK ini diharapkan menjadi positif. Motivasi untuk

menggunakan SPK diperkirakan akan meningkat ketika SPK tersebut dianggap

lebih efektif atau efisien, dan sangat mudah untuk digunakan (Jao, 2010).

Banyak penelitian yang telah mengukur keefektifan dari penggunaan

SPK. Penelitian yang terbatas telah meneliti bagaimana karateristik pengaruh SPK

dari para pengguna SPK. Faktor, yang termasuk penting dalam keputusan, dapat

menjadikan individu untuk lebih menekankan keefektifan. Pengguna juga mungkin

menginginkan lebih banyak keefektifan dan mengerahkan lebih banyak usaha untuk

mencapai tujuan mereka, ketika mereka menyadari manfaat dari peningkatan

alternatif keputusan. Akibatnya, pertimbangan pengguna pembuat keputusan

menyebabkan peningkatan keefektifan pengguna SPK (Jao, 2010).

Sebuah pandangan sederhana dari pengambilan keputusan, bahwa itu

adalah masalah pilihan antara beberapa alternatif keputusan. Sebuah pandangan

yang agak lebih canggih termasuk proses pembangunan alternatif (diberikan

pernyataan masalah, mengembangkan banyak daftar pilihan). Sebuah gambaran

yang lengkap mencakup pencarian kesempatan untuk keputusan (menemukan

bahwa ada keputusan yang harus dibuat). Seorang manajer dari perusahaan dapat

menghadapi pilihan dimana ada pilihan yang jelas (pilihan pemasok diantara semua

pemasok yang ada). Manajer juga mungkin menghadapi masalah yang jika

didefinisikan dengan baik, akan menghasilkan desain keputusan kreatif pilihan

(misalnya, bagaimana memasarkan produk baru sehingga laba maksimal).

Akhirnya, manager dapat bekerja dalam masalah fashion dan melihat keputusan

kurang reaktif sebagai peluang yang harus ditemukan dengan cara mempelajari

operasi perusahaan dan lingkungan sekitarnya (misalnya, bagaimana dia bisa

membuat proses produksi yang lebih efisien). Ada banyak anekdot dan beberapa

11

bukti empiris bahwa masalah keputusan penataan dan identifikasi alternatif

keputusan kreatif menentukan ultimate kualitas keputusan. Tujuan utama SPK di

jenis massive pengambilan keputusan, dan di samping untuk mendukung pilihan,

SPK juga membantu dalam pemodelan dan analisis sistem (untuk organisasi yang

kompleks), mengidentifikasi peluang keputusan, dan masalah keputusan penataan

(Druzdzel dan Flynn, 2002).

2.2.3 Konfigurasi SPK

Jika dilihat pada Gambar 2.1, Hermawan (2005) menyatakan bahwa

terdapat tiga komponen utama dari SPK, yaitu Data Management, Model

Management, dan User Interface, dan aliran kerja dari SPK adalah:

1. Data Management, melakukan pengambilan data yang diperlukan baik

dari database yang berisi data internal maupun database yang berisi data

eksternal. Jadi, fungsi komponen data di sini sebagai penyedia data yang

diperlukan oleh sistem SPK.

2. Model Management, melalui Model Base Management melakukan

interaksi baik dengan User Interface untuk mendapatkan perintah maupun

Data Management untuk mendapatkan data yang akan diolah.

3. User Interface, digunakan untuk berinteraksi antara user dengan SPK, baik

untuk memasukkan informasi ke sistem maupun menampilkan informasi

ke user.

12

UserUser Interface

Internal Data External Data

Data Management

Extraction

Data

Model Management

Model Base

Management

Model Base

Modelling Tools

Gambar 2.1 Konfigurasi SPK (Hermawan, 2005)

2.2.4 Karakteristik dan Kapabilitas SPK

Karakteristik dan kapabilitas kunci dari SPK (Turban, 2005). Dukungan

kepada pengambil keputusan, terutama pada situasi semi terstruktur dan tak

terstruktur, dengan menyertakan penilaian manusia dan informasi terkomputerisasi.

Masalah – masalah tersebut tidak bisa dipecahkan oleh sistem komputer lain atau

oleh metode atau alat kuantitatif standar. Dukungan untuk semua level manajerial,

dari eksekutif puncak sampai manajer lini. Dukungan untuk semua individu dan

kelompok. Masalah yang kurang terstruktur sering memerlukan keterlibatan

individu dari departemen dan tingkat organisasional yang berbeda atau bahkan dari

organisasi lain.

13

Dukungan untuk keputusan independen dan atau sekuensial. Keputusan bisa

di buat satu kali, beberapa kali, atau berulang (dalam interval yang sama).

Dukungan di semua fase proses pengambilan keputusan; intelegensi, desain,

pilihan, dan implementasi. Dukungan di berbagai proses dan gaya pengambilan

keputusan. Adaptivitas sepanjang waktu. Pengambil keputusan seharusnya reaktif,

bisa menghadapi perubahan kondisi secara cepat, dan mengadaptasi Sistem

Pendukung Keputusan untuk memenuhi perubahan tersebut. Sistem Pendukung

Keputusan bersifat fleksibel. Oleh karena itu, pengguna bisa menambahkan,

menghapus, menggabungkan, mengubah, atau menyusun kembali elemen dasar.

Sistem Pendukung Keputusan juga fleksibel dalam halm ini bisa di modifikasi

untuk memecahkan masalah lain yang sejenis.

Ramah pengguna, kapabilitas grafis yang sangat kuat, dan antarmuka

manusia–mesin yang interaktif dengan satu bahasa alami bisa sangat meningkatkan

efektivitas Sitem Pendukung Keputusan.

Peningkatan efektivitas pengambilan keputusan (akurasi, timeliness,

kualitas) ketimbang pada efisiensinya (biaya pengambilan keputusan). Ketika

Sistem Pendukung Keputusan disebarkan pengambilan keputusan sering

membutuhkan waktu yang lebih lama, tetapi hasilnya lebih baik.

Kontrol penuh oleh pengambil keputusan terhadap semua langkah proses

pengambilan keputusan dalam memecahkan suatu masalah. Sistem Pendukung

Keputusan secara khusus menekankan untuk mendukung pengambilan keputusan,

bukan menggantikan. Pengguna akhir bisa mengembangkan dan memodifikasi

sendiri sistem sederhana. Sistem yang lebih besar bisa di bangun dengan bantuan

ahli sistem informasi. Perangkat lunak OLAP dalam kaitannya dengan data

warehouse memperbolehkan pengguna untuk membangun Sistem Pendukung

Keputusan yang cukup besar dan komplek. Biasanya, model di gunakan untuk

menganalisis situasi pengambilan keputusan. Kapabilitas pemodelan

memungkinkan eksperimen dengan berbagai strategi yang berbeda di bawah

konfigurasi yang berbeda. Akses disediakan untuk berbagi sumber data, format, dan

tipe, mulai dari sistem informasi geografis (GIS) sampai sistem berorientasi objek.

Dapat digunakan sebagai alat standalone oleh seorang pengambil keputusan pada

14

satu lokasi atau di distribusikan di suatu organisasi secara keseluruhan dan di

beberapa organisasi sepanjangan rantai persediaan. Dapat di integrasikan dengan

Sistem Pendukung Keputusan lain dan atau aplikasi lain, serta dapat di distribusikan

secara internal dan eksternal menggunakan networking dan teknologi web.

2.2.5 Model Koneksionis Pengambilan Keputusan

Membahas beberapa pendekatan untuk pemodelan komputasi

pengambilan keputusan. Konkretnya, menyangkut dengan model koneksionis

pengambilan keputusan dan memberikan kontribusi untuk kategorisasi model

tersebut. Model yang disajikan adalah algoritmik dan deskripsi struktural dari

proses mental pengambilan keputusan. Pertama, ada beberapa definisi yang harus

dinyatakan. Sebuah keputusan terjadi ketika seseorang menghadapi beberapa

pilihan (alternatif), kemudian mengevaluasi konsekuensi dari memilih setiap

alternatif, dan akhirnya, memilih salah satu tergantung pada preferensi nya

(Rustichini, 2009).

Preferensi adalah hubungan abstrak antara dua pilihan ketika disajikan

dengan pilihan A1 dan A2, diasumsikan bahwa subjek baik memilih A1 sampai A2

atau subjek lebih suka A2 sampai A1. Keputusan ini dipandu oleh subjektif

pengalaman dan preferensi subjek. Hal ini tergantung pada faktor internal subjek

dan faktor eksternal dari lingkungan. Karena pertimbangan ini, keputusan terbaik

subjektif dan itu harus dipertimbangkan hanya dalam konteks subjek dan

lingkungan hidup. Parameter yang ditandai setiap alternatif disebut kriteria. Sebuah

model adalah versi sederhana dan lebih abstrak dari sebuah sistem yang membuat

fitur kunci sementara menghilangkan rincian kurang relevan. Hal ini digunakan

untuk menyelidiki sistem atau fenomena yang terlalu kompleks untuk menangani

secara langsung. Sebuah kelas penting dari model diwakili oleh model komputasi

(Fum dkk. 2007), yang diimplementasikan sebagai algoritma. Sementara model

statistik dan matematika menggambarkan fenomena tanpa mereproduksi, model

komputasi dilakukan. Oleh karena itu, model komputasi memudahkan pengamatan

dan pengukuran perilaku fenomena ini.

15

2.3 Gambaran Umum Lalu Lintas

Lalu lintas atau Traffic dapat didefinisikan sebagai pergerakan pejalan

kaki dan barang sepanjang rute. Masalah terbesar dan tantangan bagi insinyur lalu

lintas yaitu sering terjadinya ketidakseimbangan antara jumlah lalu lintas dan

kapasitas rute, yang menyebabkan kemacetan. Kemacetan lalu lintas bukanlah

suatu fenomena baru. Catatan sejarah Romawi bahwa jalanan Roma begitu

tersumbat dengan lalu lintas, setidaknya satu kaisar terpaksa mengeluarkan

proklamasi mengancam hukuman mati bagi mereka yang kereta dan gerobaknya

memblokir jalan (Slinn dkk. 2005).

Kamus menggambarkan lalu lintas sebagai transportasi barang, datang

dan pergi dari orang atau barang melalui jalan darat, kereta api, udara, dll. Sering

kali pengguna umum lalu lintas kita lupa definisi yang lebih luas tersebut dan

bahasa sehari-hari menyamakan kata ber-lalu lintas dengan ber-motor, dengan

mengesampingkan pejalan kaki dan bahkan pengendara sepeda. Rekayasa lalu

lintas yang bersangkutan dengan definisi yang lebih luas dari lalu lintas berkaitan

dengan desain fasilitas kebanyakan bentuk lalu lintas jalan. Jadi, tidak hanya

kendaraan bermotor. Namun, berurusan juga dengan pejalan kaki, pengendara

sepeda dan lalu lintas bermotor termasuk tenaga kendaraan roda dua, mobil, bus,

trem dan kendaraan komersial lainnya (Slinn dkk. 2005).

2.3.1 Gambaran Umum U-turn dan Contraflow

Salah satu fasilitas putaran yang sering dijumpai adalah u-turn. Fasilitas ini

berupa tempat khusus untuk berputarnya kendaraan baik bermotor maupun tak

bermotor, digunakan pada ruas jalan dengan pemisah (divider) (Munawar, 2004).

Guna tetap mempertahankan tingkat pelayanan jalan secara keseluruhan

pada daerah perputaran balik arah, secara proporsional kapasitas jalan yang

terganggu akibat sejumlah arus lalu lintas yang melakukan gerakan putar arah (u-

turn) perlu diperhitungkan. Fasilitas median yang merupakan area pemisahan

antara kendaraan arus lalu lintas dan kendaraan arus balik arah disesuaikan dengan

kondisi lalu lintas, kondisi geometrik jalan dan komposisi arus lalu lintas (Slinn

dkk. 2005).

16

Jalur kendaraan contraflow memungkinkan kendaraan untuk menghindari

rute memutar. Kerugian utama dari jalur kendaraan contraflow terus menerus

adalah mencegah akses kerb-side (pembatas jalan) oleh kendaraan (separuh jalan

tidak dapat dipakai), seperti kendaraan pengangkut barang berat, yang tidak

diizinkan untuk menggunakannya. Sebuah metode yang umum mengatasi

kelemahan ini, terutama ketika kendaraan jalur contraflow akan berlangsung lama,

adalah dengan menggunakan titik penutupan untuk semua kendaraan kecuali

kendaraan contraflow dan kemudian memungkinkan kendaraan lain mengakses

dari jalan samping di sepanjang jalan contraflow (Slinn dkk. 2005).

2.3.2 Karakteristik Lalu Lintas

Menurut Direktoral Jenderal Bina Marga (1997), arus lalu lintas adalah

jumlah kendaraan bermotor yang melalui titik tertentu persatuan waktu, dinyatakan

dalam kendaraan perjam atau satuan mobil penumpang (SMP)/jam. Arus lalu lintas

perkotaan terbagi menjadi empat jenis yaitu:

a. Kendaraan ringan / light vehicle (LV)

Meliputi kendaraan bermotor beroda empat (termasuk mobil penumpang,

mikrobus, pick-up, truk kecil, sesuai sistem klasaifikasi Bina Marga)

b. Kendaraan berat/ heave vehicle (HV)

Meliputi kendaraan motor biasanya beroda lebih dari empat (termasuk bis,

truk dua roda, truk tiga roda, dan truk kombinasi)

c. Sepeda motor/ motorcycle (MC)

Meliputi kendaraan bermotor roda 2 atau tiga (termasuk sepeda motor dan

kendaraan roda tiga sesuai sistem klasifikasi Bina Marga)

d. Kendaraan tidak bermotor / unmotorized (UM)

Meliputi kendaraan beroda yang menggunakan tenaga manusia, hewan, dan

lain-lain (termasuk becak, sepeda, kereta kuda, kereta dorong dan lain-lain

sesuai sistem klasifikasi Bina Marga).

2.3.3 Volume Lalu Lintas

Volume lalu lintas (𝑞) dapat dihitung dengan persamaan (2.1) (Direktoral

Jenderal Bina Marga, 1997). Volume merupakan jumlah kendaraan yang melalui

17

titik pengamatan dalam interval waktu pengamatan (𝑛) dibagi interval waktu

pengamatan (𝑡).

𝑞 =𝑛

𝑡 (2.1)

2.3.4 Kecepatan Lalu Lintas

Kecepatan lalu lintas (𝑉) dapat dihitung dengan persamaan (2.2) (Direktoral

Jenderal Bina Marga, 1997). Kecepatan merupakan besaran yang menunjukkan

jarak yang ditempuh kendaraan (𝑑) dibagi waktu tempuh (𝑡).

𝑉 =𝑑

𝑡 (2.2)

2.3.5 Kepadatan Lalu Lintas

Kepadatan lalu lintas (𝐾) dapat dihitung dengan persamaan (2.3) (Direktoral

Jenderal Bina Marga, 1997). Kepadatan adalah jumlah kendaraan (𝑛) persatuan

panjang jalur gerak (𝑙) dalam waktu tertentu.

𝐾 =𝑛

𝑙 (2.3)

2.3.6 Drajat Kejenuhan Lalu Lintas

Derajat kejenuhan lalu lintas (𝐷𝑆) dapat dihitung dengan persamaan (2.4)

(Direktoral Jenderal Bina Marga, 1997). Derajat kejenuhan didefinisikan sebagai

rasio arus lalu lintas (𝑄) terhadap kapasitas (𝐶), yang digunakan untuk

menunjukkan apakah segmen jalan tersebut mempunyai masalah kapasitas atau

tidak.

𝐷𝑆 =𝑄

𝐶 (2.4)

2.3.7 Tundaan Geometri Lalu Lintas

Tundaan geometri lalu lintas (𝐷𝐺𝑗) dapat dihitung dengan persamaan (2.5)

(Direktoral Jenderal Bina Marga, 1997). Tundaan geometri rerata masing-masing

pendekat akibat perlambatan dan percepatan ketika menunggu giliran pada suatu

simpang dan atau ketika dihentikan oleh lampu merah. Rasio kendaraan terhenti

pada pendekat (𝑃𝑠𝑣) didapat dengan cara menghitung angka henti (𝑁𝑆). Rasio

kendaraan berbelok atau keluar masuk (𝑃𝑡) didapat dari kapasitas untuk hambatan

samping (𝐹𝐶𝑠𝑓) yang akan dibahas pada bagian kapasitas.

𝐷𝐺𝑗 = (1 − 𝑃𝑠𝑣) × 𝑃𝑡 × 6 + (𝑃𝑠𝑣 × 4) (2.5)

18

Angka henti (𝑁𝑆) masing-masing pendekat yang didefinisikan sebagai

jumlah rerata berhenti per-satuan-mobil-penumpang (selanjutnya disebut dengan

SMP) dihitung dengan persamaan (2.6) (Direktoral Jenderal Bina Marga, 1997).

Angka henti adalah fungsi dari jumlah kendaraan antri (𝑁𝑄) dibagi dengan waktu

siklus.

𝑁𝑆 = 0.9 ×𝑁𝑄

𝑄×𝐶× 3600 (2.6)

Jumlah kendaraan antri (𝑁𝑄) dihitung dengan persamaan (2.7) (Direktoral

Jenderal Bina Marga, 1997). Jumlah SMP yang tersisa dari fase hijau sebelumnya

(𝑁𝑄1) jika derajat kejenuhan (𝐷𝑆) > 0,5 dihitung dengan persamaan (2.8)

(Direktoral Jenderal Bina Marga, 1997). Jika 𝐷𝑆 ≤ 0,5; 𝑁𝑄1 = 0 (Direktoral

Jenderal Bina Marga, 1997). Jumlah SMP yang tersisa dari fase merah (𝑁𝑄2)

dihitung dengan persamaan (2.9) (Direktoral Jenderal Bina Marga, 1997).

𝑁𝑄 = 𝑁𝑄1 + 𝑁𝑄2 (2.7)

𝑁𝑄1 = 0,25 × 𝐶 × [ (𝐷𝑆 − 1) + √(𝐷𝑆 − 1)2 +8 × (𝐷𝑆 −0,5)

𝐶 ] (2.8)

𝑁𝑄2 = 𝑐 × 1−𝐺𝑅

1−𝐺𝑅×𝐷𝑆×

𝑄

3600 (2.9)

Waktu siklus (𝐶) didapat dari observasi. Rasio hijau (𝐺𝑅) adalah waktu

hijau dibagi siklus. Arus maksimum (𝑄) didapat dari derajat kejenuhan.

2.3.8 Kapasitas Lalu Lintas

Kapasitas lalu lintas (𝐶) dapat dihitung dengan persamaan (2.10) (Direktoral

Jenderal Bina Marga, 1997). Kapasitas jalan adalah jumlah kendaraan maksimum

yang dapat melewati suatu jalan pada jalur jalan selama 1 jam dengan kondisi serta

arus lalu lintas tertentu.

𝐶 = 𝐶𝑜 × 𝐹𝐶𝑤 × 𝐹𝐶𝑠𝑝 × 𝐹𝐶𝑠𝑓 × 𝐹𝐶𝑐𝑠 (2.10)

𝐶𝑜 adalah kapasitas dasar. 𝐹𝐶𝑤 adalah kapasitas lebar jalur lalu lintas.

𝐹𝐶𝑠𝑝 adalah kapasitas pemisahan arah. 𝐹𝐶𝑠𝑓 adalah kapasitas untuk hambatan

samping. 𝐹𝐶𝑐𝑠 adalah kapasitas untuk ukuran kota. Semua variabel ditetapkan

berdasarkan kaidah yang telah dibuat oleh Direktoral Jenderal Bina Marga.

19

2.4 Metode Water Flow Like Algorithm (WFA)

Menurut Yang dan Wang WFA menerapkan sebuah kalkulasi yang

bertujuan membuat rute pengerjaan part menjadi lebih pendek. Menjadikan waktu

pengerjaannya lebih cepat. Menggunakan empat langkah yang mengadopsi dari

model siklus air. Pertama, pemisahan aliran dan pergerakan rute (flow splitting and

moving); kedua, penggabungan kembali rute yang terpisah (flow merging); ketiga,

penguapan (evaporating); dan keempat, pengendapan (Precipitating) (Yang dan

Wang, 2007).

Yang dan Wang (2007) mengasumsikan pada pemisahan aliran dan

pergerakan rute diawali dengan satu aliran di suatu lokasi. Untuk menemukan solusi

yang lebih baik, aliran tersebut dipisah untuk mencari kecepatan yang lebih baik

dari lokasi awal menggunakan beberapa persamaan fisika dimana solusi kecepatan

(VSolution) yang akan dicari. Variabel VSolution akan terus berulang dicari sampai

setiap aliran menemukan kecepatan tertinggi untuk mempercepat arus air menuju

tempat yang diinginkan. Jika diterapkan pada pengerjaan proyek pembangunan

cluster yang memiliki banyak sekali tahapan-tahapan pengerjaan, WFA akan

mengukur seberapa cepat rekonstruksi keseluruhan bangunan diselesaikan sebelum

membaginya menjadi beberapa bagian pengerjaan untuk fokus meningkatkan

kinerja rekonstruksi hingga siap dihuni. Tahapan WFA dapat dilihat pada Gambar

2.2.

20

Gambar 2.2 Flowchart Water Flow (Utama dkk, 2016a)

2.5 Metode Fuzzy Logic

Fuzzy logic adalah komponen pembentuk soft computing. Dasar fuzzy logic

adalah teori himpunan fuzzy. Himpunan fuzzy adalah kelas objek dengan rangkaian

nilai keanggotaan. Himpunan tersebut ditandai dengan fungsi keanggotaan yang

diberikan kepada setiap objek dengan nilai berkisar antara nol dan satu. Secara

khusus, teorema pemisah untuk himpunan fuzzy adalah memberikan pemisah tanpa

harus benar-benar memisahkan himpunan fuzzy tersebut (Zadeh, 1996).

Dari perspektif ini, fuzzy logic adalah metode untuk menentukan kapasitas

manusia dalam hal ketepatan penalaran atau perkiraan penalaran. Sebuah penalaran

yang juga merupakan kemampuan manusia dalam menterjemahkan alasan yang

tidak pasti (perkiraan) dan menyimpulkannya. Dalam fuzzy logic, semua truth

adalah parsial atau perkiraan. Alasan ini juga disebut penalaran interpolative,

dimana proses interpolasi antara the binary extremes of true dan false diwakili oleh

kemampuan fuzzy logic untuk merangkum perkiraan truth (Ross, 2010).

Start

Initiating

Flow splitting and Moving

Evaporating

The best solution updating

Flow merging Precipitating

Finish

Y

N

The best solution obtaining

YN

21

2.5.1 Fungsi Keanggotaan

Karena semua informasi yang terkandung dalam himpunan fuzzy

digambarkan oleh fungsi keanggotaannya, maka dibutuhkan fungsi keanggotaan

untuk menterjemahkan informasi tersebut. Hal ini berguna untuk mengembangkan

lexicon (istilah untuk menggambarkan berbagai fitur khusus pada fungsi ini) (Ross,

2010).

Tujuan utama digunakannya fuzzy adalah untuk merepresentasikan

penilaian pakar dalam menanggapi beberapa alternatif solusi yang dikemukakan

pada penelitian. Fungsi keanggotaan digunakan untuk menentukan crisp awal

melalui fuzzifikasi. Contoh fungsi keanggotaan dengan kriteria jelek, sedang, dan

bagus dapat dilihat pada Gambar 2.3 dengan suatu kurva yang menunjukkan

pemetaan titik-titik input data kedalam nilai keanggotaannya (derajat keanggotaan)

yang memiliki interval antara 0 sampai 1 (degree of trust).

Gambar 2.3 Contoh Fungi Keanggotaan

2.5.2 Fuzzifikasi

Fuzzifikasi adalah proses pembuatan kuantitas crisp fuzzy. Cara

melakukannya hanya dengan mengakui bahwa banyak dari jumlah yang dianggap

sebagai crisp dan deterministik (model simulasi yang tidak memiliki variabel

random dalam inputnya) sebenarnya tidak deterministik sama sekali, karena

mengandung ketidakpastian. Jika bentuk ketidakpastian yang terjadi timbul karena

ketidaktepatan, ambiguitas, atau ketidakjelasan, maka variabel tersebut mungkin

fuzzy (samar) dan dapat diwakili oleh fungsi keanggotaan (Ross, 2010).

22

Terdapat banyak sekali metode untuk menerapkan fuzzifikasi, salah satunya

yaitu metode linear interpolation. Interpolation berarti, menentukan kurva yang

melewati garis fungsi. Nilai yang mencapai garis fungsi dapat diketahui menjadi

nilai pada titik tertentu. Fungsi menyatakan kemungkinan yang paling sederhana

tapi bukan konstanta, disebut fungsi linier. Ketika menggunakan fungsi linier untuk

interpolasi, didapatkanlah linear interpolation (Kreinovich dkk, 2015). Perhitungan

menggunakan metode linear interpolation dapat menggunakan persamaan (2.11)

dimana, 𝑌2 adalah sumbu yang dicari, dengan cara mencari sumbu 𝑋1, 𝑋2, 𝑋3, 𝑌1, 𝑌3

dengan perolehan nilai yang didapat dari pakar, melalui fungsi keanggotaan.

𝑌2 =(𝑋2−𝑋1) (𝑌3−𝑌1)

(𝑋3−𝑋1)+ 𝑌1 (2.11)

2.5.3 Defuzzifikasi

Defuzzifikasi mengkonversi kualitas fuzzy, sama seperti fuzzifikasi yaitu

konversi dari jumlah yang tepat untuk kualitas fuzzy. Pada dasarnya defuzzifikasi

menggabungkan nilai crisp yang sebelumnya difuzzifikasikan (Ross, 2010).

Weighted mean merupakan salah satu metode yang dipergunakan dalam

proses defuzzifikasi. Biasanya terbatas output simetris fungsi keanggotaan (Ross,

2010). Perhitungan menggunakan metode weighted mean dapat menggunakan

persamaan (2.12) dimana, �̅� adalah weighted mean, 𝑋𝑖 adalah nilai data ke-i, 𝑊𝑖

adalah bobot data ke-i dan 𝑛 adalah jumlah data.

�̅�∑ 𝑤𝑖𝑥𝑖

𝑛𝑖=1

∑ 𝑤𝑖𝑛𝑖=1

(2.12)

2.6 Metode Pengembangan Sistem Rapid Application Development (RAD)

Rapid application development (RAD) adalah model proses pengembangan

perangkat lunak yang bersifat inkremental terutama untuk waktu pengerjaan yang

pendek (Rosa, 2013).

RAD merupakan suatu pendekatan berorientasi objek terhadap

pengembangan sistem yang mencakup suatu metode pengembangan serta

perangkat lunak (Kendall, 2011). Fase dalam metode pengembangan RAD dapat

dilihat pada Gambar 2.4.

23

Gambar 2.4 Fase RAD (Kendal, 2011)

Dari Gambar 2.4 dapat diperjelas fase dalam metode RAD yaitu Requirements

planning mengharuskan pengguna dan penganalisis bertemu untuk

mengidentifikasikan tujuan aplikasi atau sistem serta untuk mengidentifikasikan

syarat informasi yang ditimbulkan dari tujuan tersebut. Orientasi dalam fase ini

ialah menyelesaikan problem perusahaan. Meskipun teknologi informasi dan

sistem bisa mengarahkan sebagian dari sistem yang diajukan, fokusnya akan selalu

tetap pada upaya pencapaian tujuan perusahaan.

RAD design workshop adalah fase untuk merancang dan memperbaiki yang

bisa digambarkan sebagai workshop dimana partisipasi berlangsung secara intense.

Tahap ini merupakan tahapan perancangan arsitektur sistem, dari hasil perumusan

masalah, tujuan, syarat dan kebutuhan menjadi acuan dalam pembangunan

arsitektur sistem. Arsitektur ini melingkupi desain proses, desain basis data, hingga

desain antar muka. Pada tahap ini perlu dilakukan kerja sama dengan pengguna,

supaya perancangan yang dihasilkan sesuai dengan kemampuan, kebutuhan dan

keinginan pengguna. Selama workshop desain RAD, pengguna merespon working

prototipe yanga ada dan penganalisis memperbaiki modul yang dirancang

berdasarkan respon pengguna.

Desain proses meliputi apa saja proses dan apa saja aktivitas yang terjadi

pada sistem, kemudian juga menentukan interaksi apa saja yang terjadi dan apa saja

yang terlibat, perancangan ini dapat menggunakan use case diagram, activity

diagram, sequence diagram dan yang lain.

24

Desain basis data merancang data dan informasi apa saja yang dibutuhkan

oleh sistem, klasifikasinya dan hubungan antar data tersebut, dapat dirancang

dengan menggunakan class diagram maupun entity ralationship diagram (ERD).

Desain antar muka merancang elemen yang menunjang dan menjadi

jembatan interaksi antara pengguna dan sistem, untuk itu tahap ini membutuhkan

kerja sama dengan pengguna.

Setelah arsitektur sistem telah terancang, maka selanjutnya adalah

pembangunan sistem. Misalnya pada aplikasi web berarti tahap menulis kode

merupakan tahap pembangunan sistem. Setelah tahap ini selesai, maka akan

diminta kembali feedback dari pengguna, dan kemudian perancangan diperbaiki

oleh sistem analis.

Di dalam tahap implementasi, rancangan yang telah disetujui dan sistem

telah terbangun dan diperbaiki, sistem yang baru kemudian diuji untuk memastikan

apakah sistem yang dibangun sesuai dengan persyaratan dan tujuan yang telah

dirumuskan di awal.

2.7 Analisis dan Desain Berorientasi Objek

2.7.1 Konsep Dasar Berorientasi Objek

Pendekatan berorientasi objek merupakan suatu teknik atau cara pendekatan

dalam melihat permasalahan dan sistem (sistem perangkat lunak atau sistem

informasi). Pendekatan berorientasi objek akan memandang sistem yang akan

dikembangkan sebagai suatu kumpulan objek yang berkorespondansi dengan

objek-objek dunia nyata (Rosa, 2013).

2.7.2 Object Oriented Analysis (OOA)

Object oriented analysis (OOA) adalah tahapan untuk menganalisis

spesifikasi atau kebutuhan akan sistem yang akan dibangun dengan konsep

berorientasi objek, apakah benar kebutuhan yang ada dapat diimplementasikan

menjadi sebuah sistem berorientasi objek (Rosa, 2013).

2.7.3 Object Oriented Design (OOD)

Object oriented design (OOD) adalah tahapan perantara untuk memetakan

spesifikasi atau kebutuhan sistem yang akan dibangun dengan konsep berorientasi

25

objek ke desain pemodelan agar lebih mudah diimplementasikan dengan

pemrograman berorientasi objek (Rosa, 2013).

2.8 Unified Modelling Language (UML)

Unified modeling language (UML) adalah tujuan umum, perkembangan,

bahasa pemodelan di bidang rekayasa perangkat lunak, yang dimaksudkan untuk

menyediakan cara standar untuk memvisualisasikan desain sistem.

UML dibuat oleh Grady Booch, James Rumbaugh, dan Ivan Jacobson

dibawah naungan Rational Software Corp. UML adalah bahasa pemodelan utama

yang digunakan untuk menganalisa, menjabarkan, dan merancang sebuah

perangkat lunak. Pada saat membangun sebuah sistem perangkat lunak, model

UML yang telah dibangun akan merepresentasikan tingkat ketepatan tertentu.

Model UML tidak dapat menangkap seluruh rincian dari sistem perangkat lunak

yang kompleks hanya dalam satu diagram besar. UML memiliki berbagai macam

jenis diagram masing – masing memberikan pandangan tertentu pada sistem yang

akan dibuat (Booch dkk, 2007). Desain sistem pada UML di susun oleh simbol yang

terbentuk menjadi sebuah diagram model.

UML adalah keluarga notasi grafis, yang didukung oleh model meta

(informasi) tunggal, yang membantu dalam menjelaskan dan merancang sistem

perangkat lunak, khususnya sistem perangkat lunak yang dibangun menggunakan

(OO) gaya berorientasi objek. Itu definisi yang disederhanakan. Bahkan, UML

adalah beberapa hal yang berbeda untuk orang yang berbeda. Ini berasal baik dari

sejarahnya sendiri dan dari berbagai pandangan orang tentang apa yang membuat

sebuah proses rekayasa perangkat lunak yang efektif (Fowler, 2003).

Use case diagram, contoh use case diagram dapat dilihat seperti pada

Gambar 2.5. Usecase diagram seperti pada Gambar 2.5 digunakan untuk

menggambarkan bentuk sistem yang akan dibangun dan fungsi yang disediakan

oleh sistem itu. Usecase diagram menggambarkan siapa (atau apa) saja interaksi

yang dilakukan dengan sistem. Usecase diagram dapat menunjukkan apa yang

dapat dilakukan oleh pengguna terhadap sistem (Booch dkk. 2007). Use case juga

mirip dengan diagram konteks yang digunakan dalam metode terstruktur, karena

26

menunjukkan sistem batas dan interaksi dengan dunia luar. Diagram use case

menunjukkan aktor, kejadian (case), dan hubungan diantara mereka, yaitu aktor

yang berhubungan langsung dengan case dan case yang berisi use case lain

(Fowler, 2003).

Gambar 2.5 Usecase Diagram (Fowler, 2003)

Diagram aktivitas atau activity diagram dapat dilihat pada Gambar 2.6.

Contoh Gambar 2.6 memberikan gambaran visual tentang aliran kegiatan, baik

dalam sistem, bisnis, alur kerja, atau proses lainnya. Diagram ini fokus pada

kegiatan yang dilakukan dan siapa (atau apa) bertanggung jawab atas kinerja

kegiatan tersebut (Booch dkk, 2007).

27

Gambar 2.6 Simple Activity Diagram (Fowler, 2003)

Contoh class diagram dapat dilihat pada Gambar 2.7. Gambar 2.7

menjelaskan bahwa diagram kelas digunakan untuk menunjukkan keberadaan kelas

dan hubungan mereka dalam pandangan logis dari sistem. Diagram kelas tunggal

merupakan pandangan struktur kelas dari suatu sistem. Selama analisis, digunakan

diagram kelas untuk menunjukkan peran umum dan tanggung jawab entitas yang

28

menyediakan perilaku sistem. Selama desain, kita menggunakan diagram kelas

untuk menangkap struktur kelas yang membentuk suatu sistem (Booch dkk, 2007).

Gambar 2.7 Class Diagram (Fowler, 2003)

Menurut Booch (2007) sequence diagram merupakan sebuah diagram

urutan yang digunakan untuk melacak pelaksanaan skenario dalam konteks yang

sama sebagai diagram komunikasi. Memang, untuk tingkat besar, sequence

diagram hanya cara lain untuk mewakili diagram komunikasi.

Contoh untuk sequence diagram dapat dilihat pada Gambar 2.8. Contoh

sequence diagram pada Gambar 2.8 digunakan untuk menggambarkan kelakukan

objek pada use case dengan mendeskripsikan waktu hidup objek dan message yang

29

dikirimkan dan diterima antar objek. Oleh karena itu untuk menggambarkan

sequence diagram maka harus diketahui objek – objek yang terlibat dalam sebuah

use case beserta metode – metode yang dimiliki kelas yang diinstansiasi menjadi

objek itu (Rosa, 2013).

Gambar 2.8 Sequence Diagram (Booch dkk, 2007)

Menurut Sauter (2010) influence diagram penting untuk memastikan bahwa

semua faktor kritis direpresentasikan dalam SPK. Oleh karena itu, proyek menejer

sering mengandalkan influence diagram untuk membantu mereka melacak berbagai

informasi yang diperlukan dalam SPK. Influence diagram membantu untuk

mengidentifikasi dan untuk memperjelas variabel yang mungkin dianggap

informasi yang dibutuhkan untuk menilai suatu variabel. Simbol yang

dipergunakan dalam influence diagram dapat dilihat pada Gambar 2.9.

30

Gambar 2.9 Influence Diagram Symbols (Sauter, 2010)

2.9 Database Management System (DBMS)

Database management system (DBMS) dalam bahasa Indonesia sering

disebut sebagai sistem manajemen basis data adalah suatu sistem aplikasi yang

digunakan untuk menyimpan, mengelola dan menampilkan data (Rosa, 2013).

DBMS merupakan perangkat lunak yang ditujukan untuk menangani

penciptaan, pemeliharaan dan pengendalian akses data. Dengan menggunakann

perangkat lunak ini pengelolaan data menjadi mudah dilakukan. Selain itu

perangkat lunak ini juga menyediakan beerbagai piranti yang berguna, misalnya

piranti yang memudahkan dalam membuat berbagai bentuk laporan (Kadir, 2003).

Sistem basis data adalah sistem terkomputerisasi yang tujuan utamanya

adalah memelihara data yang sudah diolah atau informasi dan membuat informasi

tersedia saat dibutuhkan. Pada intinya basis data adalah media untuk menyimpan

data agar dapat diakses dengan mudah dan cepat. Tujuan basis data dalam sistem

31

informasi meliputi, memasukkan, menyimpan, dan mengambil data serta membuat

laporan berdasarkan data yang telah disimpan (Rosa, 2013).

2.10 Verifikasi dan Validasi Model

2.10.1 Verifikasi Model

Verifikasi formal adalah tindakan membuktikan atau menyangkal

kebenaran model dengan menggunakan properti dan spesfikasi tertentu. Salah satu

teknik yang dapat dipergunakan adalah semi otomatis, pendekatan berdasarkan

teori dengan cara pengecekan model (Pelanek, 2008). Nilai verifikasi akan berupa

nilai biner, 0 dan 1. Nilai 0 berarti tidak benar dan nilai 1 berarti bernilai benar.

Nilai verifikasi didapat dari nilai kesesuaian. Sedangkan, nilai kesesuaian didapat

dari pengecekan model dengan formulasi referensi atau perhitungan manual dengan

menggunakan formulasi referensi dan atau perhitungan manual dengan

menggunakan formulai yang sesuai dengan referensi. Empat elemen yang

diverifikasi adalah:

1. Variabel, apakah jumlah dan jenis variabel yang digunakan di dalam

model sesuai dengan jumlah dan jenis variabel yang digunakan di

dalam variabel referensi?

2. Prosedur, apakah prosedur yang digunakan di dalam model sesuai

dengan prosedur perhitungan yang ada di dalam prosedur referensi?

3. Rumus, apakah rumus matematika yang digunakan di dalam model

sesuai dengan rumus matematika yang ada di dalam formulasi

referensi?

4. Hasil perhitungan, apakah hasil perhitungan yang ada di dalam model

sesuai dengan yang ada di dalam hasil perhitungan dengan

menggunakan referensi?

Keempat elemen tersebut di atas, dicek kesesuaiannya dengan teori atau

tidak, serta dihitung nilai kesesuaiannya. Untuk mendapat nilai verifikasi total

(𝑁𝑉𝑇) dapat dihitung dengan menggunakan rumus persamaan (2.13). Nilai

verifikasi (𝑁𝑣 = 1,00) jika semua element sesuai. ∑ Bp adalah jumlah blok model

yang diverifikasi.

32

NVT = ∑ NV

∑ Bp (2.13)

Untuk menentukan keakuratan dari perhitungan verifikasi total (𝑁𝑉𝑇) setiap

bagian model, digunakan aturan: IF (𝜎 <= 0,05) THEN 𝑁𝑣 = 1,00 ELSE 𝑁𝑣 = 0,00

END IF.

2.10.2 Validasi Model

Validasi silang, atau yang biasa disebut juga dengan estimasi rotasi adalah

sebuah teknik untuk menilai bagaimana sebuah hasil analisis statistik akan diubah

menjadi sebuah set data yang bebas, untuk menilai seberapa akurat kesesuaian

model dengan kenyataannya. Tipe yang digunakan di dalam validasi silang ini

adalah tipe validasi silang K-fold dengan K merupakan sub-sample (Geisser, 1993).

Untuk melakukan validasi model, ada dua jenis sifat yang dinilai, yaitu kebenaran

variabel yang digunakan (selanjutnya disebut variabel) dan kebenaran nilai yang

digunakan (selanjutnya disebut dengan nilai) oleh model tersebut. Jadi dapat

diidientifikasikan bahwa:

TP = Variabel benar, Nilai benar

FP = Variabel salah, Nilai benar

TN = Variabel salah, Nilai salah

FN = Variabel benar, Nilai salah

Hasil validasi dihitung dengan metode perhitungan sensitivity (2.14) dan

spesificity (2.15).

𝑠𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 = 𝑇𝑃

𝑇𝑃+𝐹𝑁 (2.14)

𝑠𝑝𝑒𝑠𝑖𝑓𝑖𝑐𝑖𝑡𝑦 = 𝑇𝑁

𝑇𝑁+𝐹𝑃 (2.15)

2.11 Related Works

Khusus untuk penelitian mengenai transportasi dan jalan raya, beberapa

peneliti telah melakukan penelitiannya, di antaranya adalah Balakrishnan dan

Sivanandan (2015), Utama dkk. (2016a), Utama dkk. (2016b), Moamoud dan

Akmal (2015), Li dkk. (2014), Fancello dkk. (2014), Zhang dkk. (2014), dan

Lozano dkk. (2014). Salah satu yang menarik dari penelitian – penelitian mengenai

transportasi dan jalan raya tersebut adalah permasalahan yang spesifik dan unik

untuk setiap negara namun saling berkaitan. Balakrishnan dan Sivanandan (2015)

33

melakukan penelitian dengan cara merekam objek penelitian menggunakan video

recorder. Utama dkk. (2016) mencoba membuat rekayasa lalu lintas menggunakan

metode WFA. Utama dkk. (2016a) pada tahun yang sama, kembali mencoba

membuat rekayasa lalu lintas menggunakan metode gabungan fuzzy water flow

algorithm (FWFA). Mahmoud dan Akmal (2015) membahas tentang akibat

pergantian simpangan ke kiri dengan simpangan langsung ke kanan diikuti dengan

putar balik (u-turn). Li dkk. (2014) mencoba membangun sebuah lalu lintas cerdas

untuk mengatasi kemacetan di China. Zhang dkk. (2014) membuat sistem yang

dapat memperkirakan gambaran arus lalu lintas jangka pendek di persimpangan

jalan di Beijing, China. Untuk memantau jalanan perkotaan, Fancello dkk. (2014)

di Italia mencoba mengembangkan model yang terintegrasi dalam infrastruktur

jalan perkotaan dan me-recordnya. Sedangkan Lozano dkk. (2014) mencoba

memodifikasi infrastruktur jalanan perkotaan, menilai manajemen jalanan, dan

emisi (gas buang kendaraan) lingkungan tersebut.

Dilengkapi dengan enam peneliti transportasi dan jalan raya yang lain, di

antaranya adalah Ditsuwan dkk. (2013), Leu dkk. (2012), Ye dan Ma (2013), Zhao

dkk. (2014), Mikolaj dan Remek (2015) dan Raicu dkk. (2016). Ditsuwan dkk.

(2013) meneliti tentang keterhubungan antara aspek kebiasaan konsumsi minum

alkohol bagi para pengendara kendaraan bermotor dan pengaruhnya terhadap

kecelakaan di jalan raya (cedera, lumpuh atau meninggal) di Thailand. Leu dkk.

(2012) mencoba memodelkan hubungan antara tingkah laku dengan pengendara

bermotor. Selain itu, Ye dan Ma (2013) mengusulkan metode simulasi

keterlambatan bus, jalur utama, dan akses menuju jalur utama. Zhao dkk. (2014)

menganalisis dan memodelkan daerah landai sebelum membuat jalan bebas

hambatan (toll). Mikolaj dan Remek (2015) menjelaskan tentang bagaimana

kecepatan dan biaya bahan bakar berkendara dapat di ukur. Sedangkan Raicu dkk.

(2016) mencoba meneliti konsekuensi dari kebijakan pembangunan perkotaan

(pusat perbelanjaan) secara besar dan resikonya yang berkaitan dengan lalu lintas.

Sistem Penunjang Keputusan (SPK), sebagai sebuah domain ilmu Sistem

Informasi pun berperan penting untuk menyelesaikan permasalahan transportasi di

jalan raya, termasuk yang berdampak langsung pada kemacetan. Terdapat beberapa

34

peneliti yang mencoba penelitian pada domain keilmuan SPK, di antaranya adalah

Kabashkin (2016) yang mencoba merancang SPK yang dapat menentukan pilihan

jalur alternatif transportasi pada area yang luas dengan menyeleksi prioritas

keputusan, memastikan tersedianya pilihan keputusan, dan mengurangi variabel

ketidakpastian yang mempengaruhi keputusan dan hasil. Sicilia dkk. (2014)

meneliti tentang bagaimana SPK mengoptimasi transportasi darat muatan jarak jauh

tanpa berhenti (tidak ada rest area atau gudang) di Iberian Peninsula (Spanyol dan

Portugal). Vitale dkk. (2014) mengembangkan Transportation Decission Support

System (T-DSS) untuk mempopulerkan bus yang mendominasi transportasi umum

di Calabrian Selatan Italia. Sedangkan Stiel dkk. (2016) mencoba untuk

mengintegrasikan perangkat lunak penilaian manufaktur dengan sistem penunjang

keputusan transportasi. Penelitian yang membahas metode optimasi adalah Yang

dan Wang (2007) mengembangkan metode aliran air yang mempengaruhi algoritma

optimasi dengan nama WFA. Sedangkan Zadeh (1996) membahas metode fuzzy

logic sebagai salah satu unsur pokok dari soft computing dan berperan penting

dalam sistem kecerdasan intelektual.

35

BAB III

METODE PENELITIAN

3.1 Metodologi Penelitian

Dalam melakukan penelitian, tahapan kegiatan penelitian mengikuti

metodologi penelitian yang dapat dilihat pada Gambar 3.1. Pada Gambar 3.1

dijelaskan bahwa penelitian dilakukan dengan melalui empat tahapan. Tahap

pertama adalah analisis awal, dimana pada tahapan ini dilakukan pengumpulan

studi literatur dan pra-analisis. Tahapan kedua yaitu analisis situasi, dimana pada

tahapan ini dilakukan observasi dan pengumpulan data. Pengumpulan data

dilakukan dengan cara merekam lalu lintas tempat penelitian dan wawancara

dengan mengajukan kuisioner kepada narasumber. Pengumpulan data dilakukan

berdasarkan metode pada penelitian Balakhkrishman dan Sivanandan (2015).

Selanjutnya, tahap pengembangan sistem, dimana pada tahapan ini terbagi menjadi

tiga tahapan besar sesuai dengan metode yang digunakan, yaitu metode RAD. Tiga

tahapan besar tersebut adalah requirement planning yang terdiri atas analisis data

dan analisis sistem. Workshop design yang terdiri atas perancangan sistem,

perancangan database, dan perancangan interface. Untuk tahapan optimasi metode

yang digunakan adalah metode WFA, dan metode optimasi fuzzy logic. Terakhir,

untuk tahapan pengembangan sistem adalah implementasi, yang terdiri dari tahap

pengkodean atau coding, verifikasi (Pelanek, 2008), dan validasi model (Geisser,

1993). Setelah tahap pengembangan sistem selesai tahapan selanjutnya dan yang

terakhir adalah pelaporan.

36

Gambar 3.1 Metodologi Penelitian

37

3.2 Analisis Awal

Tahapan analisis awal pada penelitian ini antara lain mengumpulkan sumber

penelitian (journal, ebook, buku, data dari badan pemerintahan indonesia, dan data

lalu lintas empiris), menentukan siapa saja stakeholder yang terlibat, variabel

metode (WFA dan fuzzy logic) dan pemodelan lalu lintas (volume, kecepatan,

kepadatan, kapasitas, derajat kejenuhan, dan tundaan geometri) yang dipergunakan,

menentukan permasalahan yang harus dipecahkan (rumusan masalah).

Setelah semua sumber penelitian di-review, didapatkanlah related work

sebagai acuan penelitian. Pada penelitian ini external stakeholder yang terlibat

hanya Dishub Tangerang Selatan sebagai pakar dan Dinas Pemerintahan Tangerang

Selatan. Variabel WFA yang dipergunakan dijelaskan pada Lampiran 1, variabel

utama fuzzy logic yaitu crisp awal dan crisp akhir, dan pemodelan lalu lintas telah

dijelaskan di bab 2 pada sub-bab volume lalu lintas, kecepatan lalu lintas, dll.

Terdapat sedikitnya 4 permasalahan (dapat dilihat di bab 1 rumusan masalah) yang

akan diselesaikan pada penelitian ini. Studi literatur dan pra-analisis adalah bagian

dari analisis awal penelitian ini.

3.2.1 Studi Literatur

Untuk melakukan suatu penelitian, dibutuhkan referensi sebagai landasan

dan acuan yang akan dilakukan dalam sebuah penelitian. Studi literatur

mengumpulkan beberapa data dan referensi yang mendukung penyusunan

penelitian sebagai acuan. Terdapat 20 referensi dari 54 penulis lokal dan

international, 11 international ebook, 5 buku terbitan lokal, dan 3 referensi data

dari badan pemerintahan indonesia (Direktorat Jenderal Bina Marga, Badan

Statistik DKIJ, dan Dishub Tangerang Selatan) yang digunakan dalam penyusunan

penelitian.

Kekurangan dari studi literatur dalam penelitian ini adalah terlalu sedikitnya

sumber yang didapat dari jurnal yang membahas tentang putaran balik (u-turn)

berbasis metode optimasi tertentu dengan latar belakang penelitian SPK. Beberapa

kelebihan dari studi literatur dalam penelitian ini adalah sumber referensi yang

didapat murni berdasarkan international journal yang memiliki kualitas terbaik,

banyaknya review sejenis yang dapat dibandingkan antar referensi, berasal dari

38

referensi pemerintahan yang terpercaya, dan penelitian yang diangkat berdasarkan

studi literatur yang masih sangat jarang khususnya dibidang lalu lintas.

3.2.2 Pra-Analisis

Serangkaian kegiatan yang dilakukan sebelum analisis situasi ini biasa

digunakan sebagai tahapan pengolahan data. Seluruh paper, ebook, dan semua data

literatur referensi yang didapatkan di-review, untuk kemudian disatukan menjadi

related works demi kepentingan penelitian. Tahap ini sangat amat penting

dilakukan, karena akan menentukan kualitas dan originalitas suatu penelitian.

Selain itu, penting untuk mendapatkan konsep pemikiran serta spesifikasi variabel

apa yang harus dicari.

3.3 Analisis Situasi

Pada tahap analisis situasi, secara rinci dijabarkan dalam sub-bab observasi

dan pengumpulan data. Pada dasarnya, kegiatan yang dilakukan yaitu mencari

waktu ruas jalan terpadat lalu lintas di Jalan Ir. H. Juanda, dari arah Ps. Jum’at ke

Ps. Ciputat yang terdapat putaran u-turn untuk dilakukan observasi. Mencari lokasi

dinas perhubungan (Dishub) tempat dilakukan penelitian, guna mendapatkan

informasi terkait lalu lintas pada jam tertentu dan opini Dishub (pakar) sebelum

pembuatan pertanyaan di kuesioner, dan wawancara yang diajukan dengan

kuesioner (hasil kuesioner dapat dilihat di Lampiran 2 dalam bentuk gambar).

Membuat daftar pertanyaan terkait operasional Dishub dan apa yang seharusnya

diterapkan demi terciptanya kenyamanan dan ketertiban berlalu lintas. Melihat dan

membandingkan peralatan yang digunakan Dishub di kantor dengan sistem yang

akan dibuat, sebagai acuan kenyamanan pengguna, penyesuaian kebutuhan sistem,

dan pembuatan user interface yang cocok dengan user.

3.3.1 Observasi

Pengamatan atau observasi adalah aktivitas yang dilakukan terhadap suatu

proses atau objek. Observasi dilakukan dengan melihat langsung ke tempat yang

menjadi tempat penelitian yang bertempat di Jalan Ir. H. Juanda, dari arah Ps.

Jum’at ke Ps. Ciputat yang terdapat putaran u-turn. Menurut Balakhkrishman dan

Sivanandan (2015), observasi dilakukan dengan pengambilan (merekam) video,

yang dilakukan mulai dari tanggal 25 April 2016-29 April 2016 (untuk data lalu

lintas di hari kerja) dan 21 Januari 2017-22 Januari 2017 (untuk data lalu lintas di

39

akhir minggu). Observasi ini dilakukan pada jam sibuk yaitu pukul 06.00 WIB-

09.00 WIB selama durasi 5 menit setiap 1 jam. Setelah itu, diubah menjadi data per

jam dengan cara jumlah kendaraan yang melalui titik pengamatan dalam interval

waktu pengamatan dibagi interval waktu pengamatan. Hasil dari rekaman video

tersebut bertujuan untuk mendapatkan data lalu lintas dan menuangkannya menjadi

pemodelan lalu lintas jalan. Pemodelan lalu lintas dimaksudkan untuk mengetahui

volume, kecepatan, kepadatan, kapasitas, drajat kejenuhan, dan tundaan geometri

yang terjadi di ruas jalan tersebut. Dari hasil pemodelan tersebut, barulah dapat

dihitung optimasi dengan metode WFA dan fuzzy logic, serta menghasilkan

pemodelan FWFA.

3.3.2 Pengumpulan Data

Pengambilan video di jalan Ir. H. Juanda, dari arah Ps. Jum’at ke Ps. Ciputat,

dengan jalan yang terbagi menjadi empat jalur dan setiap dua jalur terbagi oleh

median sebagai pemisah arah (4/2 D) dengan panjang maksimal penelitian. Ruas

jalan dengan medan polos dan kondisi permukaan yang baik menghilangkan efek

pengurangan nilai kecepatan.

Selain pengambilan video, untuk mendapatkan hasil penelitian yang lebih

akurat, juga dilakukan wawancara dengan mengajukan kuisioner kepada

narasumber. Setelah tahapan pra-analisis, semua pertanyaan yang akan diajukan

kepada Dishub Tangerang Selatan dibuat. Isi dari kuesioner tidak lain adalah untuk

menanyakan pendapat Dishub tentang alternatif penyelesaian masalah kemacetan

di lokasi penelitian. Dishub bertindak selaku pakar pada penelitian ini. Proses

wawancara dengan mengajukan kuesioner dilakukan dengan menggunakan tiga

kuisioner untuk tiga responden yang berbeda dengan beberapa pertanyaan

didalamnya. Kuesioner yang dipergunakan menjadi pedoman wawancara dengan

responden. Setelah itu, hasil dari kuesioner dipergunakan untuk pembuatan metode

optimasi fuzzy logic, untuk kemudian digabungkan menjadi fuzzy water flow.

Pertanyaan dan hasil kuisioner terdapat dilihat pada bagian Lampiran 2.

3.4 Pengembangan Sistem

Tujuan pengembangan sistem (Sauter, 2010) untuk menemukan logika

perancangan (proses bisnis) pada sistem yang akan dibuat, konstruksi seperti apa

yang akan diterapakan pada sistem, dan bagaimana evaluasi atau penilaian yang

40

seharusnya dilakukan untuk mengukur keakuratan sistem. Metode pengembangan

sistem yang digunakan adalah metode rapid application development (RAD). RAD

menekankan pada siklus pembangunan jangka pendek, singkat, dan cepat.

Disamping itu didalam pengembangan RAD melibatkan langsung pengguna akhir

sistem sehingga akan menghasilkan output yang berkualitas dan sesuai dengan

keinginan user.

Tools yang digunakan dalam pengembangan sistem yaitu diagram unified

modelling language (UML) untuk memperlihatkan proses dan aliran data yang akan

dirancang. Dari Gambar 2.4 di bab 2, dapat dilihat bahwa pengembangan sistem

aplikasi ini menggunakan model RAD dimana dalam model ini memiliki fase-fase

yang meliputi requirement planning, design workshop, dan implementation.

3.4.1 Perencanaan Syarat-Syarat (Requirement Planning)

Dalam fase ini, idientifikasi tujuan sistem serta syarat yang ditimbulkan dari

tujuan tersebut yang telah dituangkan pada batasan masalah di bab 1 dibuat

orientasinya untuk diselesaikan. Meskipun teknologi informasi dan sistem bisa

mengarahkan sebagian dari sistem yang diajukan, fokus akan selalu tetap pada

upaya pencapaian tujuan. Poin penting yang dilakukan:

1. Analisis pemodelan keadaan lalu lintas jalan Ir. H. Juanda melalui data

rekaman video dan hasil wawancara.

2. Analisis optimasi fuzzy logic dan WFA melalui data pemodelan lalu lintas jalan

Ir. H. Juanda dan hasil kuesioner.

3. Analisis perbandingan alternatif keputusan yang disajikan dengan metode

optimasi fuzzy water flow (FWFA) sebagai bahan pengambilan keputusan

pakar.

3.4.2 Perancangan Sistem (Workshop Design)

Fase ini adalah fase untuk merancang dan memperbaiki. User merespon

prototype, perbaikan dilakukan jika terdapat kesalahan yang dirancang berdasarkan

respon pengguna. Tahap pertama adalah membuat design dengan menggunakan

tools UML, diagram yang digunakan dalam penelitian ini meliputi influence

diagram, usecase diagram, activity diagram, sequence diagram, mapping diagram,

dan class diagram. Selain itu, untuk proses optimasi digunakan metode WFA dan

fuzzy logic kemudian digabungkan menjadi fuzzy water flow untuk membantu

41

membuat desain SPK yang menyediakan proses pengambilan keputusan. Pemilihan

atribute variabel dari setiap pemodelan serta metode dilakukan sebelum dibuatnya

database menggunakan packet control XAMPP yang didalamnya terdapat

phpMyadmin sebagai database MySql. Mapping database dibuat untuk

menggambarkan hubungan antar tabel yang terdapat pada database.

Desain interface, dibuat menggunakan bootstrap interface application,

Pingendo (www.pingendo.com). Interface dibuat se-user friendly mungkin guna

mempermudah user dalam memilih alternatif keputusan yang ada. Pembangunan

sistem, pada tahap ini dilakukan proses coding dengan menggunakan sebagian

besar bahasa pemrograman javascript. User juga langsung melakukan revisi jika

dirasa hasil yang didapat jauh dari ekspektasi. Revisi akan terus dilakukan sampai

tidak ada lagi feedback dari user (sempurna).

3.4.3 Pelaksanaan (Implementation)

Setelah semua tahapan workshop design selesai dilakukan, tahapan

selanjutnya adalah pengimplementasian kedalam bentuk yang dimengerti oleh

mesin yang diwujudkan dalam bentuk program atau yang biasa disebut dengan

proses coding. Peng-codingan dilakukan berdasarkan diagram yang sudah

dirancang ditahapan sebelumnya. Setelah peng-codingan selesai, program akan

diverifikasi dan divalidasi. Penelitian diverifikasi untuk mengkonfirmasi melalui

penyediaan bukti obyektif, bahwa persyaratan telah dipenuhi. Selanjutnya

penelitian divalidasi untuk mengkonfirmasi melalui pengujuan dan penyediaan

bukti obyektif, bahwa persyaratan telah dipenuhi.

Proses coding menerjemahkan persyaratan logika dari pseudocode atau

diagram alur ke dalam suatu bahasa pemrograman baik huruf, angka, dan simbol

yang membentuk program. Pada penelitian ini sebagian besar coding menggunakan

bahasa pemrograman javascript, baik dalam pengkodean front end ataupun back

end. Selain library javascript JQuery, bahasa pemrograman berbasis OOP lain juga

dipergunakan dan beberapa library js juga sengaja dibuat sendiri untuk

memudahkan dalam proses pembuatan.

Tahap verifikasi mengecek kesesuaiannya dengan teori atau tidak, serta

dihitung nilai total kesesuaiannya. Validasi mengecek kebenaran variabel yang

42

digunakan dan kebenaran nilai yang digunakan oleh model tersebut. Hasil validasi

dihitung dengan metode perhitungan sensitivity dan spesificity.

3.5 Alasan Menggunakan Metode Fuzzy dan WFA

Alasan menggunakan fuzzy logic, karena fuzzy logic dapat

diimplementasikan hampir semua case. Selain itu, logika fuzzy juga lebih mudah

dipahami dan fleksibel. Pada dasarnya fuzzy logic mengadaptasi dari sifat alami

manusia yang cendrung mengemukakan pendapat di setiap permasalahan. Jika

terdapat data yang tidak tepat, data tersebut disesuaikan berdasarkan dengan

pengalaman pakar saja, lalu dibuatkan nilai akhir sebagai pilihan, sehingga

memudahkan dalam pengambilan keputusan.

WFA merepresentasikan arus berdasarkan aliran di sungai dengan cara

mencari titik aliran arus tertinggi yang dapat dialiri oleh air, sama seperti jalan lalu

lintas yang dilewati oleh berbagai macam kendaraan yang diibaratkan seperti air

tersebut sehingga, dapat diperoleh kecepatan maksimum dari kendaraan yang

melewati suatu jalan lalu lintas.

3.6 Pelaporan

Tahapan pelaporan merupakan tahapan akhir dari serangkaian tahapan besar

yang memiliki peranannya masing-masing, dimulai dari tahapan analisis awal,

tahapan analisis situasi, tahapan pengembangan sistem, dan barulah tahapan

pelaporan. Dimana, pada tahapan ini hasil akhirnya adalah laporan hasil dari

penelitian yang dilakukan, yang disebut dengan laporan skripsi.

43

BAB IV

HASIL, PEMBAHASAN, DAN DISKUSI

4.1 Analisis Data Empiris mengenai Lalu Lintas

4.1.1 Analisis Data Lalu Lintas

Analisis data lalu lintas empiris dimaksudkan membahas semua temuan

yang ada pada lalu lintas. Hasil dari pemodelan yang telah dilakukan (berupa tabel)

dapat dilihat di Lampiran 1, berisi data volume, kecepatan, kepadatan, kapasitas,

drajat kejenuhan, sampai dengan tundaan geometri.

Gambar 4.1 Screenshot Rekaman Video Arus Lalu Lintas

Selanjutnya, keterangan untuk nilai-nilai (khususnya volume kendaraan,

kecepatan kendaraan, dan kepadatan kendaraan) merupakan nilai tertinggi di hari

kerja dan akhir pekan. Analisa data empiris ini adalah hasil perhitungan rekayasa

lalu lintas dengan menggunakan persamaan (2.1) sampai (2.9).

44

Untuk menghitung volume lalu lintas, menggunakan persamaan (2.1).

𝑞 = 𝑛

𝑡 (2.1)

Dimana:

𝑞 = Volume lalu lintas yang melalui suatu titik (smp/jam)

𝑛 = Jumlah kendaraan yang melalui interval waktu (smp)

𝑡 = Interval waktu pengamatan (jam)

Dari hasil pengumpulan data dengan menggunakan rekaman video,

didapatkan jumlah kendaraan ringan yang melewati jalan Ir. H. Juanda pada hari

Senin jam 06.00 - 07.00 WIB berjumlah 57 kendaraan pada arah Pasar Jumat ke

Pasar Ciputat. Dalam hal ini, diambil contoh perhitungan pada volume lalu lintas

yang akan diakumulasikan kedalam satuan jam sehingga, nilai (𝑡) akan dikalikan

12. Dikarenakan 5 x 12 = 60 menit. Oleh karena itu, jumlah volume lalu lintas per

jam pada hari Senin jam 06.00 - 07.00 WIB didapatkan hasil seperti perhitungan

dibawah ini.

𝑞 = 57

12= 684 𝑠𝑚𝑝/𝑗𝑎𝑚

Pada gambar 4.2 menjelaskan volume kendaraan pada hari kerja arah Pasar

Jumat ke Pasar Ciputat. Rerata volume lalu lintas mingguan dari ketiga jenis

kendaraan mencapai 5.084 satuan mobil penumpang (SMP) dimana, puncak

tertinggi volume terjadi pada hari Kamis dengan rerata mencapai 5.625 SMP, dan

volume terendah pada hari Rabu dengan angka 4.770 SMP. Pada hari Kamis,

volume meningkat ketika ruas jalan menuju ke jam 08.00 – 09.00 WIB dengan

rerata tertinggi mencapai 2.172 SMP. Untuk data selengkapnya dapat dilihat pada

Lampiran 1.

45

Gambar 4.2 Volume Kendaraan Hari Kerja Arah Pasar Jumat ke Pasar Ciputat

Pada gambar 4.3 menjelaskan volume kendaraan pada hari kerja arah Pasar

Ciputat ke Pasar Jumat. Volume kendaraan ringan memperoleh angka tertinggi

sebesar 1.392 smp/jam pada hari Jumat pukul 08.00 - 09.00 WIB. Kemudian,

kendaraan bermotor sebesar 9.132 smp/jam pada Kamis pukul 07.00 - 08.00 WIB.

Disusul oleh kendaraan berat sebesar 156 smp/jam pada hari Kamis pukul 09.00 -

10.00 WIB. Untuk data selengkapnya dapat dilihat pada Lampiran 1.

Gambar 4.3 Volume Kendaraan Hari Kerja Arah Pasar Ciputat ke Pasar Jumat

0

1000

2000

3000

4000

5000

6000

Kendaraan Ringan Motor Kendaraan Berat

0100020003000400050006000700080009000

10000


46

Pada gambar 4.4 menjelaskan volume kendaraan pada akhir pekan arah

Pasar Ciputat ke Pasar Jumat. Jumlah volume tertinggi kendaraan ringan terdapat

di hari Sabtu pada pukul 09.00 - 10.00 WIB sebesar 1.500 smp/jam. Untuk

kendaraan motor dan kendaraan berat terdapat pada hari Sabtu pukul 07.00 - 08.00

WIB sebesar 4.896 smp/jam untuk kendaraan motor dan 84 smp/jam pada

kendaraan berat. Untuk data selengkapnya dapat dilihat pada Lampiran 1.

Gambar 4.4 Volume Kendaraan Akhir Pekan Arah Pasar Ciputat ke Pasar Jumat

Pada gambar 4.5 menjelaskan volume kendaraan akhir pekan untuk arah

sebaliknya. Volume tertinggi akhir pekan adalah kendaraan ringan terdapat di hari

Minggu pada jam 08.00 - 09.00 WIB sebesar 1.056 smp/jam, kendaraan motor

sebesar 3.708 smp/jam pada hari Sabtu pukul 08.00 - 09.00 WIB dan kendaraan

berat sebesar 168 smp/jam pada hari Sabtu pukul 06.00 - 07.00 WIB. Untuk data

selengkapnya dapat dilihat pada Lampiran 1.

0500

1000150020002500300035004000


47

Gambar 4.5 Volume Kendaraan Akhir Pekan Arah Pasar Jumat ke Pasar Ciputat

Untuk menghitung kecepatan lalu lintas, menggunakan persamaan (2.2).

Dimana, data kecepatan kendaraan ini memperlihatkan jarak dan waktu yang di

tempuh oleh pengemudi saat berkendara di jalan Ir. H. Juanda.

𝑉 = 𝑑

𝑡(2.2)

Dimana:

𝑉 = Kecepatan (km/jam, m/det)

𝑑 = Jarak tempuh (km, m)

𝑡 = Waktu tempuh (jam, detik)

Untuk nilai 𝑑 penelitian ini mengambil jarak tempuh sebesar 15 meter atau

sebesar 0,015 km. Nilai 𝑡 diambil waktu tempuh kendaraan secara acak dari setiap

jenis kendaraan disetiap harinya. Untuk contoh perhitungan, akan diambil rata-rata

pada kendaraan ringan hari Senin pukul 06.00 WIB sebesar 36,3 detik yang akan

dikalikan 3.600 untuk didapatkan nilai per jam nya.

𝑉 = 15

36,3=

0,015

36,3 𝑥 3.600= 7,36 𝑘𝑚/𝑗𝑎𝑚

Pada data kecepatan hari kerja ini memperoleh rata-rata kecepatan

kendaraan sebesar 8,64 km/jam pada pukul 06.00-10.00 WIB. Untuk arah

0

1000

2000

3000

4000

5000

6000

Sab

tu 0

6.0

0-

07

.00

WIB

Sab

tu 0

7.0

0-

08

.00

WIB

Sab

tu 0

8.0

0-

09

.00

WIB

Sab

tu 0

9.0

0-

10

.00

WIB

Min

ggu

06

.00

-0

7.0

0 W

IB

Min

ggu

07

.00

-0

8.0

0 W

IB

Min

ggu

08

.00

-0

9.0

0 W

IB

Min

ggu

09

.00

-1

0.0

0 W

IB


48

sebaliknya, rata-rata kecepatan mencapai 8,61 km/jam. Pada akhir pekan arah Pasar

Ciputat ke Pasar Jumat, didapat rata-rata kecepatan kendaraan sebesar 24,32

km/jam pada pukul 06.00-10.00 WIB. Sedangkan, arah sebaliknya memperoleh

rata-rata kecepatan sebesar 10,02 km/jam. Untuk data selengkapnya dapat dilihat

pada Lampiran 1.

Selanjutnya menghitung data kepadatan kendaraan yang dihitung

menggunakan persamaan (2.3).

𝐾 = 𝑛

𝐿 (2.3)

Dimana :

𝐾 = Kepadatan (kend/km)

𝑛 = Jumlah kendaraan (kend)

𝐿 = Panjang jalan (km)

Dimana, nilai (𝑛) adalah jumlah kendaraan yang melewati jalan Ir. H.

Juanda selama 5 menit yaitu sebesar 57 kendaraan. Nilai (𝐿) pada penelitian ini

diambil sepanjang 15 meter atau sebesar 0,015km. Untuk perhitungan kepadatan

lalu lintas ini diambil contoh perhitungan pada hari Senin pukul 06.00 WIB arah

Pasar Jumat ke Pasar Ciputat.

𝐾 = 57

0,015= 3.800 𝑘𝑒𝑛𝑑/𝑘𝑚

Pada perhitungan diatas didapatkan kepadatan lalu lintas (𝑛) sebesar 3.800

kend/km pada hari Senin pukul 06.00 WIB arah Pasar Jumat ke Pasar Ciputat.

Pada gambar 4.6 menjelaskan kepadatan kendaraan pada hari kerja arah

Pasar Jumat ke Pasar Ciputat. Rerata kepadatan lalu lintas mingguan dari ketiga

jenis kendaraan mencapai 28.243 kend/km dimana, puncak tertinggi kepadatan

terjadi pada hari Kamis dengan angka 31.250 kend/km, dan kepadatan terendah

pada hari Rabu dengan angka 26.500 kend/km. Pada hari Kamis, kepadatan

meningkat ketika ruas jalan menuju ke jam 08.00 – 09.00 WIB dengan rerata

49

tertinggi mencapai 12.066 kend/km. Detail kecepatan lalu lintas dapat dilihat pada

Lampiran 1.

Gambar 4.6 Kepadatan Kendaraan Hari Kerja Arah Pasar Jumat ke Pasar Ciputat

Gambar 4.7 menjelaskan kepadatan hari kerja pada hari kerja arah Pasar

Ciputat ke Pasar Jumat. Kepadatan kendaraan ringan di hari Jumat pukul 08.00 -

09.00 WIB mencapai jumlah tertinggi sebesar 7.733 kend/km. Disusul dengan

kendaraan motor sebesar 5.073 kend/km pada hari Kamis pukul 07.00 - 08.00 WIB.

Kendaraan berat pada hari Jumat pukul 09.00 – 10.00 WIB berjumlah 867 kend/km.

Data selengkapnya dapat dilihat pada Lampiran 1.

0.00

5000.00

10000.00

15000.00

20000.00

25000.00

30000.00

35000.00

Sen

in 0

6.0

0-0

7.0

0 W

IB

Sen

in 0

7.0

0-0

8.0

0 W

IB

Sen

in 0

8.0

0-0

9.0

0 W

IB

Sen

in 0

9.0

0-1

0.0

0 W

IB

Sela

sa 0

6.0

0-0

7.0

0 W

IB

Sela

sa 0

7.0

0-0

8.0

0 W

IB

Sela

sa 0

8.0

0-0

9.0

0 W

IB

Sela

sa 0

9.0

0-1

0.0

0 W

IB

Rab

u 0

6.0

0-0

7.0

0 W

IB

Rab

u 0

7.0

0-0

8.0

0 W

IB

Rab

u 0

8.0

0-0

9.0

0 W

IB

Rab

u 0

9.0

0-1

0.0

0 W

IB

Kam

is 0

6.0

0-0

7.0

0 W

IB

Kam

is 0

7.0

0-0

8.0

0 W

IB

Kam

is 0

8.0

0-0

9.0

0 W

IB

Kam

is 0

9.0

0-1

0.0

0 W

IB

Jum

at 0

6.0

0-0

7.0

0 W

IB

Jum

at 0

7.0

0-0

8.0

0 W

IB

Jum

at 0

8.0

0-0

9.0

0 W

IB

Jum

at 0

9.0

0-1

0.0

0 W

IB


50

Gambar 4.7 Kepadatan Kendaraan Hari Kerja Arah Pasar Ciputat ke Pasar Jumat

Gambar 4.8 menjelaskan kepadatan kendaraan di akhir pekan arah Pasar

Ciputat ke Pasar Jumat. Kepadatan tertinggi kendaraan ringan mencapai angka

8.333 kend/km pada pukul 09.00 - 10.00 WIB di hari Sabtu. Untuk kendaraan motor

terdapat di hari Sabtu pukul 07.00 - 08.00 WIB sebesar 27.200 kend/km disusul

oleh kendaraan berat sebesar 467 kend/km pada hari dan waktu yang sama dengan

kendaraan motor. Angka tersebut memperlihatkan kepadatan kendaraan masing-

masing jenis kendaraan. Untuk data hari lainnya dapat dilihat di Lampiran 1.

Gambar 4.8 Kepadatan Kendaraan Akhir Pekan Arah Pasar Ciputat ke Pasar Jumat

0.00

10000.00

20000.00

30000.00

40000.00

50000.00

60000.00

Sen

in 0

6.0

0-0

7.0

0 W

IB

Sen

in 0

7.0

0-0

8.0

0 W

IB

Sen

in 0

8.0

0-0

9.0

0 W

IB

Sen

in 0

9.0

0-1

0.0

0 W

IB

Sela

sa 0

6.0

0-0

7.0

0 W

IB

Sela

sa 0

7.0

0-0

8.0

0 W

IB

Sela

sa 0

8.0

0-0

9.0

0 W

IB

Sela

sa 0

9.0

0-1

0.0

0 W

IB

Rab

u 0

6.0

0-0

7.0

0 W

IB

Rab

u 0

7.0

0-0

8.0

0 W

IB

Rab

u 0

8.0

0-0

9.0

0 W

IB

Rab

u 0

9.0

0-1

0.0

0 W

IB

Kam

is 0

6.0

0-0

7.0

0 W

IB

Kam

is 0

7.0

0-0

8.0

0 W

IB

Kam

is 0

8.0

0-0

9.0

0 W

IB

Kam

is 0

9.0

0-1

0.0

0 W

IB

Jum

at 0

6.0

0-0

7.0

0 W

IB

Jum

at 0

7.0

0-0

8.0

0 W

IB

Jum

at 0

8.0

0-0

9.0

0 W

IB

Jum

at 0

9.0

0-1

0.0

0 W

IB

kendaraan ringan Motor Kendaraan Berat

0

5000

10000

15000

20000

25000

30000

Sab

tu 0

6.0

0-0

7.0

0W

IB

Sab

tu 0

7.0

0-0

8.0

0W

IB

Sab

tu 0

8.0

0-0

9.0

0W

IB

Min

ggu

07

.00

-08

.00

WIB

Min

ggu

08

.00

-09

.00

WIB

Min

ggu

09

.00

-10

.00

WIB

Kendaraan Ringan

Motor

Kendaraan Berat

51

Sedangkan, gambar 4.9 menjelaskan kepadatan kendaraan untuk arah

sebaliknya. Kepadatan tertinggi akhir pekan ada kendaraan ringan terdapat di hari

Minggu pada jam 08.00 - 09.00 WIB sebesar 5.867 kend/km, kendaraan motor

sebesar 20.600 kend/km pada hari Sabtu pukul 08.00 - 09.00 WIB dan kendaraan

berat sebesar 933 kend/km pada hari Sabtu pukul 06.00 - 07.00 WIB. Data

lengkapnya dapat dilihat pada Lampiran 1.

Gambar 4.9 Kepadatan Kendaraan Akhir Pekan Arah Pasar Jumat ke Pasar Ciputat

Pada data kapasitas arus lalu lintas di jalan Ir. H. Juanda arah Pasar Jumat

ke Pasar Ciputat diperoleh angka 6.072,00 smp/jam pada hari kerja dan akhir pekan

dengan menggunakan rumus persamaan (2.4).

C = Co x FCw x FCsp x FCsf x FCcs

Dimana:

C = Kapasitas ruas jalan (smp/jam)

Co = Kapasitas dasar (smp/jam)

FCw = Faktor penyesuaian lebar jalur lalu lintas

FCsp = Faktor penyesuaian pemisahan arah

0

5000

10000

15000

20000

25000

Sab

tu 0

6.0

0-0

7.0

0 W

IB

Sab

tu 0

7.0

0-0

8.0

0 W

IB

Sab

tu 0

8.0

0-0

9.0

0 W

IB

Sab

tu 0

9.0

0-1

0.0

0 W

IB

Min

ggu

06

.00

-07

.00

WIB

Min

ggu

07

.00

-08

.00

WIB

Min

ggu

08

.00

-09

.00

WIB

Min

ggu

09

.00

-10

.00

WIB


52

FCsf = Faktor penyesuaian hambatan samping

FCcs = Faktor penyesuaian ukuran kota

𝐶 = 𝐶𝑜 𝑥 𝐹𝐶𝑤 𝑥 𝐹𝐶𝑠𝑝 𝑥 𝐹𝐶𝑠𝑓 𝑥 𝐹𝐶𝑐𝑠

𝐶 = 3.300,00 𝑥 1,84 𝑥 1,00 𝑥 1,00 𝑥 1,00

𝐶 = 6.072,00 𝑠𝑚𝑝/𝑗𝑎𝑚

Kapasitas lalu lintas sebesar 6.072 SMP/jam. Ir. H. Juanda terbagi menjadi

golongan tipe jalan enam atau empat jalur terbagi (4/2) atau jalan satu arah, tipe

alinyemen datar, dengan kapasitas dasar (𝐶𝑜) jalan perkotaan 1.650 SMP/jam per-

lajur. Terbagi 2 lajur menjadi 3.300 SMP/jam. Kapasitas lebar jalur lalu lintas

(𝐹𝐶𝑤) Ir. H. Juanda adalah empat jalur terbagi (4/2) dan 3m per-lajur. Kapasitas

lebar jalur lalu lintas jalan perkotaan MKJI sebesar 0,92 per-lajur. Terbagi 2 lajur

menjadi 1,84. Kapasitas pemisahan arah (𝐹𝐶𝑠𝑝) Ir. H. Juanda adalah jalan

perkotaan, empat lajur (4/2), dan pemisahan arah 50-50 (dalam %). Kapasitas

pemisahan arah MKJI sebesar 1,00. Kapasitas untuk hambatan samping (𝐹𝐶𝑠𝑓) Ir.

H. Juanda setelah dikalikan faktor bobot adalah 19 untuk pejalan kaki, 8 untuk

kendaraan parkir atau berhenti, 8,4 untuk kendaraan keluar masuk, dan 8 untuk

kendaraan lambat. Hasil perhitungan faktor bobot 43,4, kelas hambatan samping

sangat rendah, kode kelas VL, jumlah bobot kejadian < 100, dan kondisi khas jalan

perkotaan pemukiman; jalan dengan jalan samping. Setelah diketahui kelas

hambatan samping, selanjutnya ditentukan faktor penyesuaian kapasitas untuk

hambatan samping, yaitu tipe jalan 4/2 D, kelas hambatan samping VL, dan faktor

penyesuaian akibat hambatan samping 1,01 (jarak ke kereb penghalang/Wg >= 2).

Kapasitas untuk ukuran kota (𝐹𝐶𝑐𝑠) Ir. H. Juanda khusus untuk jalan perkotaan

sebesar 1,0-3,0 juta penduduk. Kapasitas untuk ukuran kota MKJI sebesar 1,00.

Detail kapasitas lalu lintas dapat dilihat pada Lampiran 1.

Untuk perhitungan derajat kejenuhan menggunakan persamaan (2.4).

𝐷𝑆 = 𝑞

𝐶

Dimana:

53

𝐷𝑆 = Derajat kejenuhan

𝑞 = Arus lalu lintas (smp/jam)

𝐶 = Kapasitas (smp/jam)

Dari hasil perhitungan, diketahui nilai (𝑞) atau nilai arus lalu lintas diambil

dari keseluruhan nilai jenis kendaraan yang melewati jalan Ir. H. Juanda untuk

rentan waktu 1 (satu) jam. Nilai (𝐶) adalah nilai kapasitas arus lalu lintas di jalan

Ir. H. Juanda.

𝑞 = 𝑀𝐶 + 𝐿𝑉 + 𝐻𝑉

Dimana:

𝑞 = Arus lalu lintas (smp/jam)

𝑀𝐶 = Kendaraan bermotor (smp/jam)

𝐿𝑉 = Kendaraan ringan (smp/jam)

𝐻𝑉 = Kendaraan Berat (smp/jam)

Pada perhitungan ini diambil contoh perhitungan nilai (𝑞) di hari Senin jam

06.00 - 07.00 WIB. Untuk kendaraan bermotor jumlah kendaraan sebesar 2.436

smp/jam. Untuk kendaraan ringan sebesar 684 smp/jam dan kendaraan berat

sebesar 36 smp/jam.

𝑞 = 2.436 + 684 + 36 = 3.156 𝑠𝑚𝑝/𝑗𝑎𝑚

Nilai arus lalu lintas (𝑞) dibagi oleh nilai kapasitas (𝐶) yaitu sebesar 6.132

smp/jam untuk mendapatkan nilai derajat kejenuhan pada hari Senin pukul 06.00 -

07.00 WIB.

𝐷𝑆 = 3.156 𝑠𝑚𝑝/𝑗𝑎𝑚

6.132 𝑠𝑚𝑝/𝑗𝑎𝑚= 0,51

Hasil keseluruhan perhitungan didapatkan rata-rata derajat kejenuhan pada

arah Pasar Ciputat ke Pasar Jumat sebesar 1,222 pada hari kerja dan 0,639 pada

akhir pekan. Untuk arah sebaliknya, rata-rata derajat kejenuhannya di hari kerja

sebesar 0,83 dan pada akhir pekan sebesar 0,65. Data selengkapnya dapat dilihat

pada Lampiran 1.

54

Selanjutnya, tundaan geometri lalu lintas (𝐷𝐺𝑗) dihitung dengan persamaan

(2.5). Tundaan geometri rerata masing-masing pendekat akibat perlambatan dan

percepatan ketika menunggu giliran pada suatu simpang dan atau ketika dihentikan

oleh lampu merah. Rasio kendaraan terhenti pada pendekat (𝑃𝑠𝑣) didapat dengan

cara menghitung angka henti (𝑁𝑆). Rasio kendaraan berbelok atau keluar masuk

(𝑃𝑡) didapat dari kapasitas untuk hambatan samping (𝐹𝐶𝑠𝑓) yang akan dibahas pada

bagian kapasitas.

𝐷𝐺𝑗 = (1 − 𝑃𝑠𝑣) × 𝑃𝑡 × 6 + (𝑃𝑠𝑣 × 4) (2.5)

Angka henti (𝑁𝑆) masing-masing pendekat yang didefinisikan sebagai

jumlah rerata berhenti per-satuan-mobil-penumpang (selanjutnya disebut dengan

SMP) dihitung dengan persamaan (2.6). Angka henti adalah fungsi dari jumlah

kendaraan antri (𝑁𝑄) dibagi dengan waktu siklus.

𝑁𝑆 = 0.9 ×𝑁𝑄

𝑄×𝐶× 3600 (2.6)

Jumlah kendaraan antri (𝑁𝑄) dihitung dengan persamaan (2.7). Jumlah

SMP yang tersisa dari fase hijau sebelumnya (𝑁𝑄1) jika derajat kejenuhan (𝐷𝑆) >

0,5 dihitung dengan persamaan (2.8). Jika 𝐷𝑆 ≤ 0,5; 𝑁𝑄1 = 0. Jumlah SMP yang

tersisa dari fase merah (𝑁𝑄2) dihitung dengan persamaan (2.9).

𝑁𝑄 = 𝑁𝑄1 + 𝑁𝑄2 (2.7)

𝑁𝑄1 = 0,25 × 𝐶 × [ (𝐷𝑆 − 1) + √(𝐷𝑆 − 1)2 +8 × (𝐷𝑆 −0,5)

𝐶 ] (2.8)

𝑁𝑄2 = 𝑐 × 1−𝐺𝑅

1−𝐺𝑅×𝐷𝑆×

𝑄

3600 (2.9)

Waktu siklus (𝐶) didapat dari observasi. Rasio hijau (𝐺𝑅) adalah waktu

hijau dibagi siklus. Arus maksimum (𝑄) didapat dari derajat kejenuhan.

Pada gambar 4.10 menunjukan hasil perhitungan tundaan geometri di hari kerja

pada arah Pasar Jumat ke arah Pasar Ciputat. Pada hari pertama atau hari Senin,

rata-rata tundaan lalu lintasnya sebesar 4,95 detik atau sebesar 0,0014 jam. Pada

hari kedua atau hari Selasa, rata-rata tundaan geometri didapatkan sebesar 5,69

detik atau sebesar 0,0016 jam. Pada hari ketiga atau hari Rabu, rata-rata tundaan

55

geometri sebesar 3,62 detik atau sebesar 0,0010 jam. Pada hari empat atau hari

Kamis, rata-rata tundaan geometri yang didapatkan sebesar 5,97 detik atau 0,0017

jam. Pada hari kelima atau hari Jumat, rata-rata tundaan geometri sebesar 4,93 detik

atau 0,0014 jam. Nilai rata-rata tundaan geometri keseluruhan di hari kerja sebesar

5,03 detik atau sebesar 0,0013 jam. Untuk data selengkapnya dapat dilihat pada

Lampiran 1.

Gambar 4.10 Tundaan Geometri Hari Kerja Arah Pasar Jumat ke arah Pasar Ciputat

Pada gambar 4.11 menunjukkan tundaan geometri pada arah Pasar Jumat ke

arah Pasar Ciputat di akhir pekan didapat. Pada hari Sabtu, rata-rata tundaan

geometri yang didapatkan sebesar 4,93 detik atau sebesar 0,0014 jam. Pada hari

Minggu didapatkan rata-rata tundaan geometri sebesar 4,75 detik atau sebesar

0,0013 jam. Untuk data selengkapnya dapat dilihat pada Lampiran 1.

0.0014

0.0016

0.0010

0.0017

0.0014

0.0000

0.0002

0.0004

0.0006

0.0008

0.0010

0.0012

0.0014

0.0016

0.0018

1 2 3 4 5

Har

i/ J

am

56

Gambar 4.11 Tundaan Geometri Akhir Pekan Arah Pasar Jumat ke Pasar Ciputat

Pada gambar 4.12 menunjukan hasil perhitungan tundaan lalu lintas pada

hari kerja. Hari kerja pada penelitian ini diambil selama 5 (lima) hari dari senin

hingga jumat. Pada hari pertama atau hari Senin, rata-rata tundaan lalu lintasnya

sebesar 289,2 detik atau sebesar 0,080 jam. Pada hari kedua atau hari Selasa, rata-

rata tundaan lalu lintas didapatkan sebesar 471,7 detik atau sebesar 0,131 jam. pada

hari ketiga atau hari Rabu, rata-rata tundaan lalu lintas sebesar 239,3 detik atau

sebesar 0,066 jam. Pada hari empat atau hari Kamis, rata-rata tundaan lalu lintas

yang didapatkan sebesar 625,9 detik atau 0,174 jam. pada hari kelima atau hari

Jumat, rata-rata tundaan lalu lintas sebesar 498,1 detik atau 0,138 jam. Hasil nilai

tundaan lalu lintas pada hari kerja ini diambil pada jam 06.00-10.00 WIB. Nilai

rata-rata tundaan lalu lintas keseluruhan di hari kerja sebesar 424,9 detik atau

sebesar 0,118 jam.

0.0014

0.0013

0.0013

0.0013

0.0013

0.0013

0.0013

0.0013

0.0014

0.0014

0.0014

0.0014

Sabtu Minggu

Har

i / J

am

57

Gambar 4.12 Tundaan Lalu Lintas Hari Kerja

Pada gambar 4.13 menunjukkan grafik batang tundaan lalu lintas akhir

pekan. Untuk perhitungan tundaan lalu lintas di akhir pekan ini hanya 2 (dua) hari

yaitu hari Sabtu dan Minggu. Pada hari Sabtu, rata-rata tundaan lalu lintas yang

didapatkan sebesar 45,13 detik atau sebesar 0,01 jam. Pada hari Minggu didapatkan

rata-rata tundaan lalu lintas sebesar 9,6 detik atau sebesar 0,002 jam. Untuk data

lebih lengkapnya dapat dilihat pada Lampiran 1.

Gambar 4.13 Tundaan Lalu Lintas Akhir Pekan

4.1.2 Perbandingan Data Lalu Lintas Motor Akhir Minggu dengan Hari Kerja

Motor, sebagai kendaraan terbanyak yang melewati lokasi penelitian hari

Senin – Jumat memiliki jumlah yang lebih banyak jika dibandingkan dengan motor

0.080

0.131

0.066

0.174

0.138

0.000

0.020

0.040

0.060

0.080

0.100

0.120

0.140

0.160

0.180

0.200

1 2 3 4 5

Har

i / J

am

0,012

0,002

0

0.002

0.004

0.006

0.008

0.01

0.012

0.014

Sabtu Minggu

Har

i / J

am

58

yang hanya melewati lokasi penelitian pada akhir minggu, hari Sabtu atau Minggu

dimana, jumlah terbesar (dalam 5 menit) motor pada akhir minggu hanya sebesar

263 motor yang melewati lokasi penelitian pada hari Sabtu sedangkan, jumlah

terbesar motor pada hari kerja sebesar 371 motor yang melewati lokasi penelitian

pada hari Kamis berdasarkan data kendaraan arus lalu lintas 5 menit khususnya arah

Pasar Jumat ke Pasar Ciputat. Terdapat selisih 108 motor yang lebih banyak

melewati lokasi penelitian pada hari kerja, yaitu hari Kamis. Untuk lebih jelas dapat

dilihat di Lampiran 1.

4.2 Konstruksi Sistem

4.2.1 Jenis Pengguna Sistem

Sistem ini bertujuan untuk digunakan oleh local government dengan

interaksi yang dijelaskan pada Lampiran 1. Pengguna disini adalah stakeholder

yang dapat berinteraksi langsung dengan interface sistem melalui web browsher.

Sedangkan usecase menjelaskan hubungan interaksi yang dilakukan antara

pengguna dengan sistem.

4.2.2 Influence Diagram

Gambaran umum dan keterkaitan antara metode dengan lalu lintas dan

pemodelannya dapat dijelaskan melalui influence diagram pada Gambar 4.14. Dari

Gambar 4.14 dapat diketahui bahwa untuk membuat keputusan rekaya lalu lintas

(Traffic Engineering) didukung oleh dua fungsi utama Traffic Model (WFA) dan

Optimization berdasarkan dua metode (WFA dan Fuzzy). Alternatif keputusan juga

dibuat untuk menghilangkan atau mengurangi kemacetan. Kecepatan lalu lintas

akan tergantung pada parameter yang mempengaruhi kecepatan. Kecepatan lalu

lintas pada penelitian ini dipengaruhi oleh tiga parameter inti, yaitu Geometry

Delay, Traffic Density, dan Saturation Degree. Tujuan dari penelitian ini yaitu

membuat alternatif keputusan yang tepat berdasarkan pada proses optimasi melalui

metode WFA dan fuzzy logic untuk mengurangi kemacetan atau Congestion.

59

Gambar 4.14 Inlfuence Diagram System

4.2.3 Use Case Diagram

Use case diagram secara umum dapat dilihat pada Gambar 4.15. Gambar

4.15 ini menjelaskan bahwa untuk membuat sistem ini, diperlukan 3 jenis aktor,

yaitu Expert (Dishub), Local Government, dan Traffic MIS (sistem informasi

manajemen lalu lintas). Pengguna tunggal pada sistem ini adalah Local

Government. Pada sistem ini interaksi yang dapat dilakukan adalah Extracting

Data, Parameterizing, Optimizing, Making Decision, dan Reporting.

Extracting Data dilakukan oleh Traffic MIS merupakan aktor yang berupa

sistem pihak ketiga (tidak ada didalam sistem yang dibuat). Data yang

dipergunakan dalam sistem ini, diambil melalui ekstraksi dari data yang dimiliki

oleh sistem pihak ketiga (Traffic MIS). Parameterizing yang dilakukan oleh Expert

(Dishub) tujuannya adalah untuk mendapatkan pembobotan nilai yang nantinya

dipakai untuk menghitung variabel alternatif keputusan dan Optimizing. Dalam

sistem ini, bobot nilai Parameterizing sudah didapat dari ekstraksi data. Local

Goverenment dapat melihat pemodelan lalu lintas melalui data yang telah di-

Optimizing. Local Government dapat melakukan optimasi water flow eliminate u-

turn dan contraflow. Local Government melakukan Making Decision dari alternatif

keputusan yang disediakan. Local Government dapat mengakses Reporting

pemodelan dan optimasi yang telah ditampilkan di sistem.

60

Gambar 4.15 Use Case Diagram System

4.2.4 Activity Diagram

Activity diagram memberikan gambaran tentang aliran kegiatan yang

dilakukan didalam sistem. Activity diagram dibuat untuk melihat kegiatan yang

dapat dilakukan oleh aktor.

Penjelasan utama Activity diagram extracting data adalah mentrasfer data

ke dalam database sistem yang akan dibuat. Activity diagram extracting data dapat

dilihat pada Gambar 4.16. Gambar 4.16 menjelaskan bahwa untuk melakukan

proses extracting data, sistem akan melakukan Extract Traffic Road untuk

mengambil data dari traffic MIS, dimana data traffic road akan diekstrasi atau di-

load melalui Extracting Vehicle yang terdiri dari 3 jenis vehicle, yaitu: Extract Light

Vehicle, Extract Heavy Vehicle, dan Extract Motorcycle. Kemudian Extract Traffic

Road juga akan mengekstrasi data Extract Volume, Extract Velocity, Extract

Density, Extract Capacity, Extract Saturation Degree, Extract Delay, dan Extract

UTurn.

61

Gambar 4.16 Activity Diagram Extracting Data

Activity diagram parameterizing dapat dilihat pada Gambar 4.17. Gambar

4.17 menjelaskan bahwa pada proses parameterizing melakukan Initiate Parameter

kemudian Read Parameter dan Read Membership Function. Selanjutnya Fuzzy

Process, De-Fuzzy Process, dan Determine Fuzzy Coefficient.

62

Gambar 4.17 Activity Diagram Parameterizing

Activity diagram optimizing secara berurut tahapan digambarkan seperti

pada Gambar 4.18. Gambar 4.18 menjelaskan bahwa tahapan untuk melakukan

optimizing terdiri dari tujuh proses, yaitu: Initiate Parameter, Calculate Flow

Merging, jika terdapat pemisahan arus maka proses selanjutnya adalah Calculate

Flow Splitting, dilanjutkan dengan Calculate Flow Merging, apabila hasil yang

didapat lebih besar dari best value¸ sistem akan Update Velocity Solution, sistem

akan menentukan tabulist dengan Check Next Parameter. Kemudian, jika masih

ada kecepatan lain yang ingin dihitung sistem akan kembali ke Calculate Flow

Splitting, proses terakhir adalah Obtain Velocity Solution.

63

Gambar 4.18 Activity Diagram Optimizing

64

Activity diagram making decision prosesnya dapat dilihat pada Gambar

4.19. Gambar 4.19 menjelaskan bahwa local government Read Best Alternative

Value yang ada, kemudian local government akan Making Decision berdasarkan

hasil yang ditampilkan oleh sistem.

Gambar 4.19 Activity Diagram Making Decision

Activity diagram reporting dapat dilihat pada Gambar 4.20. Gambar 4.20

menunjukkan hasil dari seluruh operasi yang dilakukan oleh sistem. Terdapat

sepuluh hasil perhitungan yang ditampilkan oleh sistem, operasi tersebut yaitu:

operasi Display Volume, Display Velocity, Display Density, Display Capacity,

Display Saturation, Display Delay. Optimasi yang terdiri dari dua operasi yakni

operasi Display Velocity Solution dan Display Crisp End Value. Selanjutnya

Display Uturn, dan yang terakhir adalah sistem akan menampilkan operasi Display

Best Decision Alternative Value.

65

Gambar 4.20 Activity Diagram Reporting

66

4.2.5 Sequence Diagram

Sequence diagram menggambarkan attribute apa saja yang digunakan

dalam setiap operasi yang telah dijelaskan pada activity diagram. Sequence

diagram extracting data, dapat dilihat pada Gambar 4.21 yang menunjukkan

interaksi antar operasi ketika proses extracting data dilakukan. Gambar 4.21

menjelaskan bahwa untuk melakukan operasi extracting data memerlukan

keterlibatan banyak attribute. Terdapat sembilan operasi yang terlibat dalam

operasi extracting data, dimana operasi itu sendiri digambarkan dengan simbol

panah ke arah kanan, dan masing-masing operasi akan memberikan feedback, apa

saja attribute yang dibutuhkan ketika operasi dijalankan. Proses extracting data

hanya dapat dilakukan oleh traffic MIS. Terdapat sembilan operasi yang terlibat,

yaitu TrafficRoad, Vehicle, RoadVolume, Road Velocity, RoadDensity,

RoadCapacity, RoadSaturationDegree, GeometryRoadDelay, dan Uturn.

67

Gambar 4.21 Sequence Diagram Extracting Data

68

Sequence diagram parameterizing dapat dilihat pada Gambar 4.22. Dimana

Gambar 4.22 menjelaskan bahwa untuk melakukan proses parameterizing, nilai

yang telah diberikan Expert (Dishub) dari kuesioner akan dijadikan parameter

startCrispValue melalui operasi FuzzyWaterFlowOptimization, setelah

startCrispValue didapatkan, dilakukan operasi selanjutnya hingga menghasilkan

endCrispValue. Operasi itu sendiri dapat dilakukan dengan menggunakan dua

objek yaitu FuzzyWaterFlowOptimization dan TriangularMembershipFunction.

Local Government akan membaca hasil yang ditampilkan oleh sistem setelah

operasi selesai.

69

Gambar 4.22 Sequence Diagram Parameterizing

70

Sequence diagram optimizing dapat dilihat pada Gambar 4.23. Gambar 4.23

menjelaskan interaksi yang terjadi untuk melakukan proses optimizing, dimana

Local Government akan berinteraksi dengan operasi FuzzyWaterFlowOptimization

untuk meng-generate data parameterizing, dan menampilkan grafik serta nilai

untuk pertimbangan keputusan.

Gambar 4.23 Sequence Diagram Optimizing

Sequence diagram making decision dapat dilihat pada Gambar 4.24.

Gambar 4.24 menjelaskan bahwa untuk melakukan proses making decision¸ Local

Government akan membuat keputusan berdasarkan alternatif keputusan yang sudah

dibuat yang di-generate dari objek Decision.

Gambar 4.24 Sequence Diagram Making Decision

Sequence diagram reporting, dapat dilihat pada Gambar 4.25. Gambar 4.25

menjelaskan bahwa untuk menampilkan hasil, sistem sudah otomatis mengambil

data dari hasil perhitungan dan menampilkan RoadVolume, RoadVelocity,

71

RoadDensity, RoadCapacity, RoadSaturationDegree, GeometryRoadDelay,

optimasi FuzzyWaterFlowOptimization, Uturn, dan BestDecisionAlternative. Local

Government dapat mengakses semua hasil melalui dashboard sistem.

72

Gambar 4.25 Sequence Diagram Reporting

73

4.2.6 Class Diagram

Secara umum, sistem penunjang keputusan untuk mengurai kemacetan

melalui rekayasa tata letak u-turn kendaraan dapat dilihat pada class diagram

Gambar 4.26. Dalam class diagram pada Gambar 4.26, dijelaskan bahwa class

utama dari diagram ini adalah TrafficRoad yang merupakan properties dari jalan

lalu lintas penelitian. Class TrafficRoad beragregasi dengan class Vehicle yang

beroperasi menyimpan sekumpulan data kendaraan dari perekaman video per 5

menit dalam 1 jam. Class LightVehicle, HeavyVehicle, dan Motorcycle merupakan

generalisasi dari class Vehicle. Uturn untuk mendata jumlah u-turn yang ada di

tempat penelitian. RoadVolume mengkalkulasi volume di jalan. RoadVelocity

mengkalkulasi kecepatan di jalan. RoadDensity mengkalkulasi kepadatan di jalan.

RoadCapacity mengkalkulasi kapasitas jalan. RoadSaturationDegree

mengkalkulasi kejenuhan di jalan. GeometryRoadDelay mengkalkulasi tundaan

geometri di jalan. Untuk menghitung tundaan geometri dibutuhkan class

QueueLength atau panjang antrian dan class StoppedVehicle atau kendaraan

terhenti.

Terdapat class yang juga berasosiasi dengan class TrafficRoad yaitu, class

Day yang beragregasi dengan class Time untuk membedakan hari dan jam saat

dilakukannya perekaman dan class Decision yang merepresentasikan pengambilan

keputusan. Class BestDecisionAlternatives juga bagian dari class Decision yang

bertujuan untuk menyimpan nilai akhir optimasi. Selanjutnya terdapat class

FuzzyWaterflowOptimizing yang berisi parameter dan operasi untuk optimasi.

Untuk optimasi fuzzy yang membutuhkan MembershipFunction dan LimitValue

maka dibuatlah class yang beragregasi dengan FuzzyWaterFlowOptimizing. Setiap

class juga memiliki multiplicity yang sama yaitu, one-to-one, terkecuali

generalisasi. Class TrafficRoad dengan Uturn (one-to-many) dan class Day dengan

Time (one-to-many).

74

Gambar 4.26 Class Diagram System

4.2.7 Mapping Database

Mapping database digunakan untuk menjembatani antara perancangan

MySql database ke format relation database management system, yang dapat

dilihat pada Gambar 4.27. Tabel sengaja dibuat senormal mungkin guna

memudahkan dalam pengoperasiannya. Fungsi utama database untuk penyimpanan

data. Terdapat 11 tabel yang dibuat untuk menyimpan data sistem penunjang

keputusan untuk mengurai kemacetan melalui rekayasa tata letak u-turn.

Diantaranya adalah tb_traffic_road, tb_hour, tb_date, tb_capacity, tb_delay,

tb_volume, tb_velocity, tb_density, tb_saturation, tb_fuzzy, dan tb_waterflow.

75

tb_volume

PK volumeID

volumeValue

FK1 roadID

FK2 hourID

FK3 dateID

tb_velocity

PK velocityID

velocityValue

FK1 roadID

FK2 hourID

FK3 dateID

tb_density

PK densityID

densityValue

FK1 roadID

FK2 hourID

FK3 dateID

tb_capacity

PK capacityID

baseCapacity

roadWideCapacity

directionSeparationCapacity

sideConstrainCapacity

sizeOfCityCapacity

capacityValue

FK1 roadID

tb_saturation

PK saturationID

saturationValue

FK1 roadID

FK2 hourID

FK3 dateID

tb_delay

PK delayID

delayValue

FK1 roadID

FK2 hourID

FK3 dateID

tb_waterflow

PK wfID

wfOptimizing

wfValue

tb_traffic_road

PK roadID

roadName

roadLength

roadWidth

tb_hour

PK hourID

hourResearch

tb_date

PK dateID

dateResearch

tb_fuzzy

PK fuzzyID

fuzzyOptimizing

fuzzyValuehourID

dateID

roadID

hourID

roadID

dateID

dateID

hourID

roadID

roadID

hourID

roadID

roadID

dateID

dateID

hourID

Gambar 4.27 Mapping Database

4.3 Model Optimasi

Model optimasi bertujuan untuk menampilkan bagaimana hasil yang

didapatkan setelah dilakukan proses optimasi dari pemodelan lalu lintas serta

temuannya. Terdapat dua metode (WFA dan fuzzy logic) yang dipergunakan dalam

penelitian ini. Penelitian mencoba penggabungan dari dua metode tersebut yang

diberi nama fuzzy water flow algoritm (FWFA).

76

4.3.1 Model Optimasi WFA

Sub-bab ini hanya akan membahas hasil dan temuan, serta beberapa koding

yang digunakan dalam penelitian. Untuk mengetahui variabel lalu lintas yang

dijadikan parameter dan dipergunakan dalam WFA, dapat dilihat di Lampiran 1.

WFA bertujuan untuk mengetahui seberapa banyak tundaan yang berkurang dan

kecepatan lalu lintas yang bertambah (VSolution) jika u-turn di Ir. H. Juanda ditutup

atau ditiadakan. Sedikitnya, terdapat 8 u-turn yang terbuka dari total 15 u-turn

sepanjang jalan Ir. H. Juanda.

Hitung rerata mingguan dari kecepatan dan tundaan yang telah dihitung

sebelumnya. Hitung tundaan u-turn dengan persamaan (4.1). Kemudian hitung

kecepatan (𝑉) dikurangi tundaan (∑ 𝐷𝑢𝑡) u-turn menjadi kecepatan saat ini (𝑣𝑖)

dengan persamaan (4.2).

rerata mingguan tundaan

3600×jumlah 𝑈𝑇𝑢𝑟𝑛 (4.1)

𝑣𝑖 =𝑉

1−∑ 𝐷𝑢𝑡×𝑗𝑚𝑙ℎ 𝑒𝑙𝑖𝑚𝑖𝑛𝑎𝑡𝑒 𝑈𝑇𝑢𝑟𝑛 (4.2)

Implementasi WFA untuk menentukan apakah terdapat splitting pada arus

lalu lintas yang macet disebabkan oleh putaran u-turn, diuraikan pada persamaan

jumlah subflow (𝑛𝑖) (4.3).

𝑛𝑖 = 𝑚𝑖𝑛 {𝑚𝑎𝑥 {1, 𝑖𝑛𝑡 (𝑚𝑖𝑣𝑖

𝑇)} , �̃�} (4.3)

Jika nilai 𝑛𝑖 kurang atau sama dengan 1 nilai kecepatan solusi (VSolution)

sudah langsung didapatkan. VSolution merupakan nilai akhir yang diperoleh dari

hasil perhitungan WFA. Jika nilai 𝑛𝑖 lebih dari 1, berarti memungkinkan adanya

splitting dan merging yang disebabkan oleh arus lalu lintas yang macet di putaran

u-turn. Pertama, hitung jumlah splitting berdasarkan berapa banyak jumlah

subflow. Kedua, gunakan persamaan merging guna menyatukannya kembali.

Perhitungan untuk splitting diuraikan pada persamaan splitting (4.4).

Kemudian, hitung kecepatan sebuah subflow yang terpisah bersamaan dengan

energi konservasi (pengguanaan energi dengan efisiensi dan rasional tanpa

mengurangi penggunaan energi yang memang benar-benar diperlukan),

77

menggunakan persamaan energi konservasi (4.5). Didalam persamaan energi

konservasi terdapat 𝑔 yang merupakan akselarasi gravitasi dan δ yaitu sebuah nilai

yang didapatkan dari menghitung nilai min atau max suatu kecepatan dengan

menggunakan persamaan akselerasi gravitasi (4.6).

(𝑛𝑖+1 −𝑘

∑ 𝑟𝑛𝑖𝑟=1

) 𝑚𝑖, 𝑘 … = 1,2, … 𝑛𝑖 (4.4)

√𝑉𝑖² + 2𝑔𝛿𝑖𝑘 (4.5)

𝑓(𝑋𝑖) − 𝑓(𝑈𝑖𝑘)

𝑓(𝑈𝑖𝑘) − 𝑓(𝑋𝑖) (4.6)

Untuk mendapatkan VSolution hitung penggabungan arus menggunakan

persamaan merging (4.7) yang terdapat di Lampiran 1. Merging dilakukan untuk

menyatukan beberapa arus yang sengaja dipecah guna mempercepat waktu

pengerjaan sebagaimana telah dijelaskan pada sub-bab sebelumnya.

(𝑊11𝜇11)+(𝑊11𝜇11)

(𝑊11+𝑊12) (4.7)

Setelah merging dilakukan, tahapan selanjutnya yaitu evaporation dan

precipitation. Precipitation atau pengendapan tidak menggunakan persamaan

apapun, melainkan hanya mengajukan pertanyaan: apakah nilai batas iterasi

optimasi (𝑃) masih ada?. Jika iya, tahapan akan terus diulang hingga 𝑃 habis dan

kembali ke tahap pencarian jumlah subflow (𝑁𝑖) dengan perbedaan penerapan

evaporation atau penguapan, yaitu mengganti nilai kecepatan rata-rata lalu lintas

(𝑣𝑖) dengan VSolution sebelumnya. Jika tidak, berarti semua nilai VSolution dari

semua nilai batas iterasi optimasi telah didapatkan.

Sebagai bahan perbandingan untuk optimasi WFA, juga dilakukan

penelitian terhadap contraflow. Dibutuhkan perhitungan nilai kecepatan dasar dari

contraflow dengan menggunakan persamaan fungsi tujuan (4.8) (Utama, 2016).

Fungsi tujuan merupakan fungsi yang sengaja dibuat dengan menggunakan aturan

dasar optimisasi. Persamaan ini berhubungan antara drajat kejenuhan dan kecepatan

lalu lintas dimana 𝑄

𝐶 , 𝑄 adalah arus maksimum, dan 𝐶 adalah kapasitas jalan. Arus

78

maksimum mingguan yang telah dihitung dimasukkan kedalam 𝑄. Logika

contraflow mengaruskan pelebaran arus lalu lintas di salah satu ruas jalan, sehingga

menyebabkan penyempitan kapasitas. 𝐶 dapat dihitung dengan persamaan (4.9).

Hasil perhitungan kecepatan contraflow sebesar 25.39 km/jam.

max 𝑓(𝑄, 𝐶) =𝑄

𝐶 − 1.746

−0.047 (4.8)

𝐶 = (𝐶

2+ 𝐶) (4.9)

Perhitungan metode WFA pada contraflow dilakukan menggunakan nilai

kecepatan awal (𝑣𝑖) contraflow sebesar 25.39 km/jam. Hasil WFA eliminate u-turn

dan contraflow dapat dilihat pada Gambar 4.28. Hasil berupa tabel juga dapat

dilihat di Lampiran 1. Angka 0, 1, 2, dst melambangkan jumlah u-turn yang

dieliminasi, sedangkan CF melambangkan contraflow. Dari Gambar 4.28 terbukti

nilai CF jauh lebih efektif dibandingkan hasil optimasi seluruh eliminasi u-turn.

Hasil akhir WFA eliminate u-turn dan contraflow ini akan dipergunakan untuk

optimasi menggunakan metode FWFA.

Gambar 4.28 WFA Eliminate U-turn & Contraflow

Banyak bagian yang dipisahkan di dalam proses pengkodingan, guna

menerapkan prinsip object oriented programming (OOP) dan mempercepat kinerja

0 1 2 3 4 5 6 7 8 CF

V 8.64 8.74 8.95 9.27 9.72 10.32 11.09 12.07 13.31 34.52

0.00

5.00

10.00

15.00

20.00

25.00

30.00

35.00

40.00

Ke

cep

atan

79

sistem dalam mengeksekusi setiap baris kode yang digunakan. Sistem

pengkodingan sebagian besar menggunakan bahasa pemrograman javascript yang

dinamis. Walaupun, ada beberapa bahasa pemrograman berbasis OOP lain yang

diterapkan pada sistem, guna mendukung keefektifannya.

Metode WFA membuat optimasi eliminate u-turn dan contraflow dari

rekayasa lalu lintas. Untuk menerapkannya dalam koding, dibutuhkan algoritma

pemrograman yang kuat sehingga dapat memahami alur dari WFA. Sebuah metode

WFA digambarkan dengan aturan pengkodean yang terpisah. Beberapa baris

koding yang dapat ditampilkan untuk menghitung kecepatan awal adalah seperti

tertuang pada Kode 1.

Kode 1. Menghitung Kecepatan Awal

// menghitung semua kecepatan awal sebanyak p

for (var i = 0; i < p; i++)

{

var nilai = vs[i-1]/(1-(d*p));

vs.push(nilai);

}

Baris kode diatas menjelaskan proses perhitungan kecepatan awal (𝑣𝑖)

dengan persamaan vs[i-1]/(1-(d*p)); , dimana hasil dari perhitungan akan

dimasukkan kedalam sebuah penyimpanan data sementara berbentuk array dengan

kode vs.push(nilai);. Untuk mengecek semua data telah dihitung digunakan

for (var i = 0; i < p; i++), kode tersebut akan terus berulang sampai

semua data dipastikan telah terhitung.

Kode 2. Menghitung Momentum Dasar

// menghitung semua momentum dasar

for (var j = 0; j < p; j++)

{

var nilai2 = (m*vs[j])/baseMomentum;

mivi.push(nilai2);

}

Baris Kode 2 menjelaskan proses perhitungan momentum dasar (𝑇) dengan

persamaan (m*vs[j])/baseMomentum; , dimana hasil dari perhitungan akan

dimasukkan kedalam sebuah penyimpanan data sementara berbentuk array dengan

kode mivi.push(nilai2);. Untuk mengecek semua data telah dihitung

80

digunakan for (var j = 0; j < p; j++), kode tersebut akan terus berulang

sampai semua data dipastikan telah terhitung.

Kode 3. Menghitung Jumlah Subflow

// menghitung jumlah subflow

for (var k = 0; k < p; k++)

{

var subflow = 0;

if (parseInt(mivi[j]) > 1)

{

subflow = parseInt(mivi[j]);

if (parseInt(mivi[j]) > 3)

{

subflow = 3;

subflow = parseInt(mivi[j]);

}

}

}

Baris Kode 3 menjelaskan proses perhitungan jumlah subflow (𝑛𝑖) dengan

mengecek semua data agar tidak ada yang terlewat menggunakan for (var k

= 0; k < p; k++), kode akan menyaring semua jumlah subflow lebih besar

dari 1 menggunakan if (parseInt(mivi[j]) > 1), kemudian dimasukkan

kedalam sebuah penyimpanan data sementara berbentuk array dengan kode

subflow = parseInt(mivi[j]);. Jika jumlah subflow lebih dari 3, nilai

tersebut dirubah menjadi 3 dan dimasukkan kembali kedalam array sehingga tidak

ada jumlah subflow yang lebih besar dari 3. Setiap jumlah subflow yang kurang dari

atau sama dengan satu, sudah pasti nilai VSolution didapatkan. Namun, jumlah

subflow yang lebih dari 1 dan kurang dari 4 akan dilakukan splitting dan merging.

Untuk jumlah subflow sama dengan 2, bentuk Kode 4 yang dipergunakan.

Kode 4. Menghitung Jumlah Subflow 2

if (parseInt(besarDariSatu[n]) == 2)

{

// splitting

flow1 = ((2+1-1)/(1+2))*m;

flow2 = ((2+1-2)/(1+2))*m;

// menghitung energi konservasi dengan rumus MIN MAX

max1=(flow1*besarDariSatu[n])-baseMomentum;

max2=(flow2*besarDariSatu[n])-baseMomentum;

// pengalian dengan energi konservasi

ek1=Math.sqrt(Math.pow(besarDariSatu[n],2)+(2*g*max1));


81

// merging

merginggg=((flow1*ek1)+(flow2*ek2))/(flow1+flow2);

for (var o; o < indexSplitting.length; o++)

{

vs[indexSplitting[o]] = merginggg;

}

}

Baris Kode 4 menjelaskan apa yang dilakukan WFA ketika jumlah subflow

sama dengan 2 dengan koding if (parseInt(besarDariSatu[n]) ==

2) menyaring semua jumlah subflow sama dengan 2. Splitting dilakukan dengan

persamaan ((2+1-1)/(1+2))*m; untuk flow 1 dan ((2+1-2)/(1+2))*m;

untuk flow 2. Untuk mendapatkan nilai energi konservasi dibutuhkan persamaan

max dengan koding (flow1*besarDariSatu[n])-baseMomentum;

menggunakan flow 1 sebagai bagian dari persamaan dan koding

(flow2*besarDariSatu[n])-baseMomentum; juga menggunakan flow

2 sebagai bagian dari persamaan. Kemudian, energi konservasi dikalikan dengan

persamaan

Math.sqrt(Math.pow(besarDariSatu[n],2)+(2*g*max1)); untuk

mendapatkan nilai ek1 dan persamaan


mendapatkan nilai ek2. Setelah masing – masing energi konservasi didapatkan,

dilakukan merging untuk menggabungkan kembali arus subflow menggunakan

koding persamaan ((flow1*ek1)+(flow2*ek2))/(flow1+flow2);.

Dimana, nilai flow dikalikan dengan nilai energi konservasi dan dibagi dengan

jumlah total flow. Seluruh nilai yang telah di-merging dimasukkan kedalam array

untuk mendapatkan nilai VSolution setelah merging dengan koding

vs[indexSplitting[o]] = merginggg;. Jumlah subflow sama dengan

3, bentuk Kode 5 dipergunakan.

Kode 5. Menghitung Jumlah Subflow 3

else if (parseInt(besarDariSatu[n]) == 3)

{

// splitting

flow3 = ((3+1-1)/(1+2+3))*m;

flow4 = ((3+1-2)/(1+2+3))*m;

flow5 = ((3+1-3)/(1+2+3))*m;

82

// menghitung energi konservasi dengan rumus MIN MAX

max3 = (flow3*besarDariSatu[n])-baseMomentum;



// pengalian dengan energi konservasi




// merging

mergingggg=((flow3*ek3)+(flow4*ek4)+(flow5*ek5))/flow

3+flow4+flow5);

for (var q; q < indexSplitting.length; q++)

{

vs[indexSplitting[q]] = mergingggg;

}

}

Ketika jumlah subflow sama dengan 3, dengan koding else if

(parseInt(besarDariSatu[n]) == 3) WFA menyaring semua jumlah

subflow sama dengan 3. Splitting dilakukan dengan persamaan ((3+1-

1)/(1+2+3))*m; untuk flow 1, ((3+1-2)/(1+2+3))*m; untuk flow 2, dan

((3+1-3)/(1+2+3))*m; untuk flow 3. Mendapatkan nilai energi konservasi

dibutuhkan persamaan max dengan koding (flow3*besarDariSatu[n])-

baseMomentum; menggunakan flow 1 sebagai bagian dari persamaan, koding

(flow4*besarDariSatu[n])-baseMomentum; juga menggunakan flow 2

sebagai bagian dari persamaan, dan koding (flow5*besarDariSatu[n])-

baseMomentum; menggunakan flow 3 sebagai bagian dari persamaan.

Kemudian, energi konservasi dikalikan dengan persamaan


mendapatkan nilai ek3, persamaan

Math.sqrt(Math.pow(besarDariSatu[n],2) + (2*g*max4));

untuk mendapatkan nilai ek4, dan persamaan


mendapatkan nilai ek5. Setelah masing – masing energi konservasi didapatkan,

dilakukan merging untuk menggabungkan kembali arus subflow menggunakan

koding persamaan

((flow3*ek3)+(flow4*ek4)+(flow5*ek5))/(flow3+flow4+flow

5);. Dimana, nilai flow dikalikan dengan nilai energi konservasi dan dibagi dengan

83

jumlah total flow. Seluruh nilai yang telah di-merging dimasukkan kedalam array

untuk mendapatkan nilai VSolution setelah merging dengan koding

vs[indexSplitting[q]] = mergingggg;.

Kode 6. Pengembalian Nilai

for (var r = 0; r < vs.length; r++)

{

return isArray(vs[r]);

}

Pengembalian nilai yang dilakukan dengan Kode 6 untuk mengirim nilai

hasil dari splitting dan merging kembali kedalam database. Dimana, nilai tersebut

nantinya akan digunakan dalam optimasi FWFA yang menggabungkan kedua

metode tersebut dan ditampilkan dalam sistem berbentuk diagram batang. for

(var r = 0; r < vs.length; r++) digunakan untuk memastikan tidak

ada data yang terlewat untuk dikembalikan, koding akan terus berulang sampai

semua data dipastikan terbaca. Mengembalikan seluruh isi array dengan koding

return isArray(vs[r]);.

4.3.2 Fuzzy Multi Expert Judgement

Fuzzy logic juga hanya menjelaskan hasil, temuan, dan koding dari sistem.

Cara menghitung fuzzy logic telah dijelaskan sebelumnya pada bab 2. Fuzzy logic

pada dasarnya dibagi dalam tiga tahapan, pencarian semua sumbu 𝑌2 menggunakan

fungsi keanggotaan, fuzifikasi, dan defuzzifikasi. Nilai bobot mentah hasil dari

wawancara dengan mengajukan kuesioner kepada pakar (Dishub) untuk eliminate

u-turn adalah 100 (pakar 1), 100 (pakar 2), dan 100 (pakar 3). Nilai bobot mentah

contraflow adalah 10 (pakar 1), 10 (pakar 2), dan 20 (pakar 3). Nilai rerata

defuzzifikasi untuk eliminate u-turn adalah 100 dan 5.55 untuk contraflow. Hasil

defuzzifikasi ini yang dipergunakan untuk optimasi menggunakan metode FWFA,

dapat dilihat lebih jelas di Lampiran 1. Pakar sangat merekomendasikan alternatif

keputusan untuk mengeliminasi putaran balik (eliminate u-turn). Contraflow dalam

sudut pandang pakar dinilai kurang efektif dengan alasan mempersempit kapasitas

ruas jalan yang tidak cocok diterapkan pada jalan Ir. H. Juanda.

Fuzzy logic merupakan salah satu metode inti yang digunakan pada

peneltian ini. Fuzzifikasi dan defuzzifikasi merupakan bagian dari metode fuzzy

84

logic untuk mendapatkan nilai crisp awal dan crisp akhir. Fuzzifikasi merupakan

tahapan awal setelah mendapatkan nilai dari fungsi keanggotaan. Tahapan setelah

fuzzifikasi yaitu defuzzifikasi, menggabungkan nilai crisp awal untuk mendapatkan

crisp akhir, yaitu nilai hasil dari metode fuzzy logic. Koding fuzzifikasi dan

defuzzifikasi yang dipergunakan dalam sistem ditentukan dengan aturan Kode 7 &

8.

Kode 7. Menghitung Fuzzifikasi

function fuzzifikasi(x1,x2,x3,y1,y3)

{

var y2;

y2 = ((x1-x2)(y3-y1)/(x3-x1))+y1;

return y2;

}

Kode 8. Menghitung Defuzzifikasi

function defuzzifikasi(w1,x1,w2,x2)

{

var wm;

wm = ((w1*x1)+(w2*x2))/w1+w2;

return wm;

}

Function digunakan untuk membuat sebuah method bernama fuzzifikasi

dan defuzzifikasi, yang keduanya mempunyai parameter dan inputan yang berbeda

dan dapat dipanggil di bagian sistem manapun. Fuzzifikasi menggunakan parameter

(𝑥1, 𝑥2, 𝑥3, 𝑦1, 𝑑𝑎𝑛 𝑦3), fungsinya menerima input setelah diketahui nilai

berdasarkan fungsi keanggotaannya dan mencari nilai 𝑦2 atau yang disebut dengan

crisp awal. Defuzzifikasi menggunakan parameter (𝑤1, 𝑥1, 𝑤2, 𝑥2) dengan fungsi

yang sama seperti fuzzifikasi, hanya berbeda pada perhitungan persamaan (untuk

mencari crisp akhir) dan variabel atau objek (𝑤𝑚) yang dibuat untuk dijadikan

penyimpanan sementara nilai hasil perhitungan defuzzifikasi. Var digunakan untuk

membuat objek baru, dan return digunakan untuk mengembalikan nilai hasil

perhitungan yang sebelumnya telah disimpan kedalam masing – masing objek yang

telah dibuat.

85

4.3.3 Model Optimasi FWFA U-turn dan Contraflow

Pada Gambar 4.29 dijelaskan alur model optimasi FWFA. Cari nilai akhir

dari setiap metode (defuzzification fuzzy & WFA best solution) menggunakan

masing-masing persamaan. Selanjutnya, kedua metode akan digabungkan dengan

cara membuat koefisien (creating coefisien) dari rerata fuzzy multi expert judgement

yang telah didefuzzifikasikan dapat dilihat pada persamaan (4.3) untuk kemudian

dikalikan dengan nilai akhir WFA yang disebut dengan VSolution (multiplying each

WFA best solution with coefisien). Setelah dikalikan, VSolution dibuatkan tabulist

untuk menggantikan nilai yang lebih kecil dari VSolution sebelumnya (sort the

values from the smallest to the largest).

Gambar 4.29 Flowchart FWFA

Koefisien fuzzy multi expert judgement dapat dibuat dengan persamaan (4.3)

dimana, nilai fuzzy crisp akhir dari eliminate u-turn dan contraflow dibagi dengan

penjumlahan kedua crisp akhir (eliminate u-turn dan contraflow).

𝐶𝑟𝑖𝑠𝑝 𝐴𝑘ℎ𝑖𝑟

∑ 𝐶𝑟𝑖𝑠𝑝 𝐴𝑘ℎ𝑖𝑟𝑖𝑛𝑖=0

(4.3)

86

Nilai hasil tabulist terbesar eliminate u-turn dan contraflow dapat dilihat

pada Gambar 4.30 dimana, setelah digabungkan dan dibandingkan kedua optimasi

berdasarkan metode FWFA nilai kecepatan lalu lintas contraflow menjadi tidak

lebih baik dari eliminate u-turn. Nilai eliminate 8 u-turn lah yang menjadikan

kecepatan lalu lintas meningkat.

Gambar 4.30 Tabulist Terbesar Eliminate U-turn dan Contraflow

4.4 Perancangan Interface

Dalam tahapan ini, akan dirancang tampilan interface dari sistem yang

dibuat, dengan tujuan untuk menggambarkan bagaimana tampilan sistem nanti.

Perancangan interface dibagi menjadi beberapa halaman sesuai dengan proses yang

ada.

Landing page interface, merupakan tampilan yang pertama keluar ketika

sistem penunjang keputusan untuk mengurai kemacetan melalui rekayasa tata letak

u-turn kendaraan dijalankan yang dapat dilihat pada Gambar 4.31.

eliminate 8 UTurn contraflow

V 12.61 1.82

0

2

4

6

8

10

12

14

Ke

cep

atan

87

Gambar 4.31 Landing Page Interface

Dashboard DSS interface, akan menampilkan seluruh laporan yang telah

dihasilkan oleh sistem, ditunjukkan dengan Gambar 4.32.

Gambar 4.32 Dashboard DSS Interface

Sidebar optimizing interface, dapat dilihat pada Gambar 4.33. Gambar 4.33

akan memunculkan nilai alternatif keputusan setelah optimasi fuzzy water flow

berdasarkan button yang di klik.

88

Gambar 4.33 Sidebar Optimizing Interface

Sidebar volume interface, menampilkan data yang sudah dihitung

berdasarkan persamaan volume lalu lintas dengan rerata per hari dan durasi per jam,

rancangan tampilan volume dapat dilihat pada Gambar 4.34.

Gambar 4.34 Volume Interface

Optimizing dashboard pop up modal interface, merupakan interface yang

menampilkan laporan optimizing dalam bentuk pop up, yang ditunjukkan pada

Gambar 4.35.

89

Gambar 4.35 Optimizing Dashboard Pop Up Interface

Daily volume dashboard pop up modal interface, merupakan interface yang

menampilkan laporan volume harian dalam bentuk pop up, yang ditunjukkan pada

Gambar 4.36.

Gambar 4.36 Volume Daily Dashboard Interface

Volume weekly dashboard pop up modal interface, merupakan interface

yang menampilkan laporan volume mingguan dalam bentuk pop up, yang

ditunjukkan pada Gambar 4.37.

90

Gambar 4.37 Volume Weekly Dashboard Modal Interface

4.5 Interface Sistem

Dalam sub-bab ini akan ditampilkan interface sistem sebagai perwujudan

dari perancangan interface yang sebagian besar dibuat menggunakan bantuan

aplikasi pingendo (www.pingendo.com). Pingendo merupakan software bootstrap

editor yang dibuat untuk memudahkan pengguna framework bootstrap. Dalam

sistem ini menggunakan framework bootstrap 3.3 sehingga interface yang

diciptakan lebih interaktif dan memanjakan mata pengguna sistem.

Landing page interface, merupakan interface yang pertama keluar ketika

sistem dijalankan yang dapat dilihat pada Gambar 4.38. Menampilkan background

dari lalu lintas jalan Ir. H. Juanda (depan UIN JKT) yang diambil melalui ketinggian

20m dari permukaan tanah menggunakan drone. Terdapat penjelasan singkat apa

yang akan didapatkan pengguna sebelum memilih lalu lintas tempat dilakukan

penelitian.

http://www.pingendo.com/

91

Gambar 4.38 Landing Page Interface

Dashboard DSS interface, akan menampilkan seluruh laporan yang telah

dihasilkan oleh sistem, ditunjukkan dengan Gambar 4.39. Pengguna dapat melihat

lokasi penelitian lengkap dengan mengklik button view location. Selain itu,

pengguna juga bisa melihat seluruh pemodelan lalu lintas yang telah dibuat atau

ingin langsung memilih alternatif keputusan melalui interface dashboard DSS.

Terdapat sidebar menu yang juga dapat diakses oleh pengguna jika hanya ingin

melihat rerata lalu lintas harian saja. Jika ingin mengganti lalu lintas penelitian,

pengguna dapat mengklik menu di pojok kanan atas dan mengklik select flow,

pengguna akan dikembalikan ke landing page.

Gambar 4.39 Dashboard DSS Interface

92

Sidebar optimizing Interface, dapat dilihat pada Gambar 4.40. Gambar 4.40

akan memunculkan grafik batang beserta nilai alternatif keputusan setelah optimasi

fuzzy water flow berdasarkan button yang diklik. Nilai hasil dari optimasi berupa

alternatif keputusan yang dijadikan bahan pertimbangan pengguna dalam

menentukan keputusan. Button clear data akan me-reset seluruh grafik dan nilai

menjadi NULL.

Gambar 4.40 Sidebar Optimizing Interface

Sidebar volume interface, menampilkan data yang sudah dihitung

berdasarkan persamaan volume lalu lintas dengan rerata per hari dan durasi per jam,

interface volume dapat dilihat pada Gambar 4.41. Selain volume, pemodelan yang

lain seperti velocity, density, capacity, saturation, dan geometry delay juga terdapat

pada sidebar menu.

93

Gambar 4.41 Sidebar Volume Interface

Optimizing dashboard pop up modal interface, merupakan interface yang

menampilkan hal yang sama seperti sidebar optimizing, hanya saja dalam bentuk

pop up, yang ditunjukkan pada Gambar 4.42.

Gambar 4.42 Optimizing Dashboard Pop Up Interface

Daily volume pop up modal interface, merupakan interface yang

menampilkan laporan pemodelan volume lalu lintas harian dalam bentuk pop up,

yang ditunjukkan pada Gambar 4.43.

94

Gambar 4.43 Daily Volume Pop Up Interface

Weekly volume pop up modal interface, merupakan interface yang

menampilkan laporan pemodelan volume mingguan dalam bentuk pop up, yang

ditunjukkan pada Gambar 4.44.

Gambar 4.44 Weekly Volume Pop Up Interface

4.6 Verifikasi dan Validasi

4.6.1 Verifikasi

Dari hasil verifikasi sebanyak dua bagian model, maka dapat dinilai

verifikasi total sebesar 1,00 (tidak ada simpangan) dengan verifikasi (𝑁𝑣) dibagi

95

jumlah model (∑ Bp) yang menghasilkan 0,05 (1

2). Nilai verifikasi model total sebesar

1,00 berarti model yang dibuat adalah benar, karena secara keseluruhan 𝜎 ≤ 0,05

(ketidaksesuaian model yang dibuat dengan teori yang ada tidak lebih dari 5%).

Hasil penilaian verifikasi model lalu lintas dan optimasi dapat dilihat di Lampiran

1.

4.6.2 Validasi

Hasil dari penilaian validasi model dengan menggunakan besaran, dapat

dilihat di Lampiran 1. Nilai variabel, nilai, dan hasil tes dengan value TP = 1, artinya

model memiliki 100% jenis variabel yang benar, dan tidak terdapat variabel yang

memiliki kesalahan nama dan nilai. Hasil validasi dihitung dengan metode

perhitungan sensitivitas dan spesifisitas. 𝑠𝑒𝑛𝑠𝑖𝑡𝑖𝑣𝑖𝑡𝑦 =27

27+0= 1 = 100% dan

𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑡𝑦 =0

0+0= 0.

4.7 Diskusi

Diskusi berisi perbandingan temuan atau hasil penelitian dengan review

beberapa referensi, terutama jurnal. Diskusi juga membahas persamaan atau

perbedaan penelitian dengan referensi yang patut digarisbawahi. Terdapat tiga buah

jurnal yang akan dibandingkan.

Balakrishnan dan Sivanandan (2015) melakukan penelitian di bidang

transportasi lalu lintas menggunakan media pengamatan video pada pukul 03.00 –

07.00 waktu setempat. Penelitian ini dilakukan untuk mengetahui nilai kecepatan

bebas hambatan kendaraan di India menggunakan metode pengelompokan

kendaraan sesuai jenis dan kelasnya. Persamaan pada penelitian ini, salah satu

media pengamatan yang dipergunakan juga rekaman video. Dengan rentang waktu

pengamatan satu minggu, mulai pukul 06.00 – 10.00 WIB di ruas jalan Ir. H.

Juanda. Pengamatan juga dilakukan untuk mengetahui dan mengelompokkan

kendaraan sesuai jenis dan kelasnya untuk kepentingan penelitian.

Mahmoud dan Akmal (2015) menyimpulkan bahwa simpangan diikuti

dengan u-turn lebih disarankan untuk meminimalisir tundaan yang terjadi akibat

meluapnya volume kendaraan yang akan berbelok melalui simpangan tersebut.

Begitu pula dengan u-turn yang diikuti dengan simpangan. Perbedaan pada

96

penelitian rekayasa tata letak u-turn ini, terdapat kesimpulan yang mana jika u-turn

yang ditutup (eliminasi) lebih banyak, maka kecepatan lalu lintas juga semakin

meningkat. Sejalan dengan penelitian yang kami lakukan, yang sama–sama

membahas fasilitas u-turn, namun berbeda hasil penelitian. Terbukti bahwa dengan

menggunakan pemodelan FWFA, menghilangkan u-turn mengakibatkan kecepatan

lalu lintas membesar dimana, total u-turn yang terbuka dari 15 u-turn jalan Ir. H.

Juanda adalah 8. Berarti, kecepatan terbesar diperoleh jika seluruh u-turn yang

terbuka di jalan Ir. H. Juanda ditutup (8 u-turn di-eliminate). Maka bisa disimpulkan

melalui penelitian rekayasa tata letak u-turn, simpangan akan lebih besar kecepatan

lalu lintasnya jika tidak diikuti oleh u-turn.

97

BAB V

PENUTUP

5.1 Kesimpulan

Terdapat lima simpulan yang diambil dari penelitian skripsi ini.

1. Pemodelan lalu lintas ruas jalan Ir. H. Juanda, Tangerang Selatan yang

dilewati oleh u-turn, dapat diidientifikasi melalui grafik perhitungan

volume, kecepatan, kepadatan, kapasitas, derajat kejenuhan, dan tundaan

geometri.

2. Rekayasa arus lalu lintas di jalan Ir. H. Juanda diterapkan dengan cara

delapan (8) u-turn terbuka dimodelkan untuk kemudian dieliminasi atau

ditutup satu persatu guna meningkatkan kecepatan kendaraan dan

mengurangi tundaan di ruas jalan tersebut. Pemodelan contraflow juga

dilakukan sebagai bahan perbandingan. Namun, hasil yang didapatkan tidak

lebih baik dari eliminasi u-turn.

3. Rerata terbesar motor pada akhir minggu hanya sebesar 263 motor pada hari

Sabtu. Sedangkan, rerata terbesar motor pada hari kerja sebesar 371 motor

pada hari Kamis. Terdapat selisih 108 motor yang lebih banyak melewati

lokasi penelitian pada hari kerja, Kamis.

4. Dari hasil rancangan SPK penggabungan dua buah metode WFA dan

metode fuzzy logic, dapat disajikan beberapa alternatif keputusan yang

berbentuk nilai akhir dan grafik batang. Alternatif tersebut dapat dijadikan

bahan pertimbangan pakar dalam pengambilan keputusan.

5. Terdapat grafik yang dapat dijadikan patokan jika u-turn dieliminasi dan

contraflow diujicoba pada jalan Ir. H. Juanda, Tangerang Selatan. Grafik

terbesar dapat dijadikan alternatif solusi keputusan. Karena, kecepatan

tersebut merupakan nilai kecepatan terbesar dari eliminasi u-turn dan

contraflow. Apabila diterapkan akan meningkatkan kecepatan lalu lintas

sebesar 4 km/jam (kecepatan eliminasi 8 u-turn 12,61 dikurangi rerata

kecepatan awal 8,61).

98

5.2 Saran

Terdapat tiga jenis saran yang dapat diberikan untuk melakukan penelitian

berikutnya, khususnya bidang jalan raya.

1. Keterbatasan alat atau perlengkapan yang digunakan untuk penelitian di

jalan raya menjadi kendala utama dalam penelitian ini. Hendaknya alat atau

perlengkapan yang digunakan memiliki kualitas outdoor yang memumpuni

untuk penelitian lapangan.

2. Banyak sekali objek menarik untuk diteliti khususnya bidang jalan raya.

Salah satu objek menarik yang harus diteliti yaitu berapa banyak

pemungutan liar dinas pemerintahan di jalan Ir. H. Juanda, rancang bangun

flyover di jalan Ir. H. Juanda, penertiban jalan (pedagang kaki lima) di

kawasan kampus UIN, dan lain sebagainya.

3. Menurut pendapat para pakar (Dishub), akan lebih mengatasi permasalahan

kemacetan lalu lintas di jalan Ir. H. Juanda jika dibangun flyover sepanjang

jalan tersebut dimana, flyover akan membagi laju kendaraan menjadi

beberapa bagian dan tentu memperlebar kapasitas jalan tersebut.

99

DAFTAR PUSTAKA

Balakhrishnan, S., Sivanandan, R. 2015. Influence of lane and vehicle subclass on

free-flow speeds for urban roads in heterogeneous traffic. Transportation

Reseacrh Procedia, Vol.10, pp. 166-175.

BSD-Bidang Statistik Distribusi. 2015. Statistik Transportasi DKI Jakarta 2015.

DKI Jakarta: Badan Pusat Statistik Provinsi DKI Jakarta.

Booch, G., Maksimchuk, R.A, Engle, M.W., Young, B.J., Conallen, J., Houston,

K.A. 2007. Object oriented analysis and design with applications (3rd

Edition). Boston: Addison-Wesley.

Bourgeois, D.T. 2014. Information System for Business and Beyond. The Saylor

Foundation, Textbook Equality.

Daganzo, C.F. 1994. The cell transmission model: a dynamic representation of

highway traffic consistent with the hydrodynamic theory. Transportation

Research Part B: Methodological , Vol. 28 No. 4, pp. 269-287.

Direktoral Jendral Bina Marga. 1997. Manual Kapasitas Jalan Indonesia (MKJI).

Jakarta: Direktorat Bina Jalan Kota, Direktorat Bina Marga RI dan

SWEROAD.

Devijer, P.A., Kittler, J. 1982. Pattern Recognition: A Statistical Approach.

London: Prentice-Hall.

Dinas Perhubungan, Komunikasi, dan Informatika. 2013. Sumber Primer.

Tangerang Selatan.

Ditsuwan, V., Veerman, J.L., Bertram, M., Vos, T. 2013. Cost-effectiveness of

reducing road traffic injuries related to driving under the influence of alcohol.

Value In Health , Vol. 16, pp. 23-30.

Druzdzel, M.J., Flynn, R.R. 2002. Decision Support System. Encyclopedia of

Library and Information Science. New York: A. Kent, Marcel Dekker, Inc.

Fowler, M. 2003. UML Distilled, 3rd Edition. Addison – Wesley Professional,

ISBN: 978-0321193681.

Francello, G.M., Carta, M., Fadda, P. 2014. A modelling tool for measuring the

performance of urban road networks. Procedia - Social and Behavioral

Sciences , Vol. 111, pp. 559-566.

100

Fum, D., Del, M.F., Stocco, A. 2007. The cognitive modeling of human behavior:

Why a model is (sometimes) better than 10,000 words. Cognitive Systems

Research, Vol. 8, No. 3, pp. 135-142.

Geisser, S. 1993. Predictive Inference. New York: Chapman and Hall.

Hermawan, J. 2005. Membangun Decision Support System. Yogyakarta: ANDI.

Jao, C.S. 2010. Decission Support System. Croatia: Intech.

Kabashkin, I. 2016. Heuristic based decision support system for choice of

alternative routes in the large-scale transportation transit system on the base

of petri net model. Procedia - Engineering , Vol. 134, pp. 359-364.

Kadir, A. 2003. Pengenalan Sistem Informasi. Jakarta: Andi.

Kendall, K.E., Kendall, J.E. 2011. System Analysis and Design (8th ed). New

Jersey: Prentice Hall.

Kreinovich, V., Quijas, J., Gallardo, E., Lopes, C.D.S., Kosheleva, O. 2015. Simple

linear interpolation explains all usual choices in fuzzy techniques:

membership functions, t-norms, t-c onorms, and defuzzification.

Departmental Technical Reports (CS) , Vol. 922.

Leu, G., Curtis, J.N., Abbass, H. 2015. Modelling and evolving human behaviors

and emotions in road traffic networks. Procedia - Social and Behavioral

Sciences , Vo. 54, pp. 999-1009.

Li, B., Zou, M., Guo, Y. 2014. Business process analysis and optimization on road

traffic law enforcement of the beijing intelligent traffic management.

Procedia - Social and Behavioral Sciences , Vol. 138, pp. 748-756.

Lozano, A., Granados, F., Guzmán, A. 2014. Impacts of modifications on urban

road infrastructure and traffic management: a case study. Procedia - Social

and Behavioral Sciences , Vol. 162, pp. 368-377.

Mikolaj, J., Remek, L. 2015. Traffic flow modelling based on the ISOHDM Study.

Procedia Engineering , Vol. 111, pp. 522-529.

Munawar, A. 2004. Manajemen Lalu Lintas Perkotaan . Yogyakarta: Beta Offset.

Nutt, G. 1972. Evaluation Nets for Computer Systems Performance Analysis.

Proceedings of the Fall Joint Computer Conference , Vol. 41 No. 1, pp. 279-

286.

101

Plaia, A., Carrie, A. 1995. Application and assessment of IDEF3-process flow

description capture method . International Journal of Operations &

Production Management , Vol. 15 No. 1, pp. 63-73.

Pelanek, R. 2008. Model Classifications and Automated Verification in Formal

Methods for Industrial Critical Systems. Nĕmecko: Springer.

Raicu, S., Costescu, D., Raicu, R., Popa, M. 2016. Traffic risk generated by large

urban commercial centers. Transportation Research Procedia , Vol. 12, pp.

911-924.

Rosa, A.S., Shalahuddin, M. 2013. Rekayasa Perangkat Lunak Terstruktur dan

Berorientasi Objek. Bandung: INFORMATIKA.

Ross, T.J. 2010. Fuzzy Logic with Engineering Aplications, Third Edition. USA:

John Wiley & Sons, Ltd, ISBN: 978-0-470-74376-8.

Rustichini, A. 2009. Neuroeconomics: formal models of decision making and

cognitive neuroscience, In: Neuroeconomics: Decision making and the brain,

P.W. Glimcher, C.F. Camerer, E. Fehr, R.A. Poldrack (Ed.), pp. 33-46,

London: Academic Press, ISBN 978-0-12-374176-9.

Sauter, V.L. 2010. Decision Support Systems for Business Intelligence. Canada:

John Wiley & Sons, Inc.

Sicilia, A.J., Royo, B., Larrode, E., Fraile, A. 2014. A decision support system for

a long-distance routing problem based on the ant colony optimization

metaheuristic. Procedia - Social and Behavioral Science , Vol. 111, pp. 1035-

1044.

Slinn, M., Matthews, P., Guest, P. 2005. Traffic Engineering Design principles and

practice. Elsevier’s Butterworth-Heinemann Science and Technology Rights

Department Oxford, London: Oxford.

Stiel, F., Michel, T., Teuteberg, F. 2016. Enhancing manufacturing and

transportation decision suppport systems with LCA add-ins. Journal of

Cleaner Production , Vol. 110, pp. 85-98.

Sutanta, E. 2011. Basis data dalam Tinjauan Konseptual. Yogyakarta: ANDI.

Taha, M.A., Abdelfatah, A.S. 2015. Impact of u-turns as alternatives to direct left-

turns on the operation of signalized intersections. Journal of Traffic and

Logistics , Vol. 3, No. 1.

102

Turban, E., Aronson, J.E., Liang, T.P. 2005. Decision Support System and

Intelligent Systems - 7th Ed. Jilid 1. Yogyakarta: ANDI.

Utama, D.N. 2012. Sistem Perencanaan Manajemen Rantai Pasok Cerdas Industri

Bioenergi untuk Mendukung Klaster Industri Hilir Kelapa Sawit. Bogor:

Sekolah Pascasarjana Institut Pertanian Bogor.

Utama, D.N., Zaki, F.A., Munjeri, I.J., Putri, N.U. 2016a. A water flow algorithm

based optimizing model for road traffic engineering. International

Conference on Advanced Coputer Science and Information Systems , Malang,

Indonesia.

Utama, D.N., Zaki, F.A., Munjeri, I.J., Putri, N.U. 2016b. FWFA optimization

based decision support system for road traffic engineering. 1st International

Conference on Computing and Applied Informatics (ICCAI) 2016 , Medan,

Indonesia, Vol. 1.

Vitale, A., Festa, C.D., Guido, G., Rogano, D. 2014. Decision support system based

on smartphone probes as a tool to promote public transport. Pocedia - Social

and Behavioral Sciences , Vol. 111, pp. 224-231.

Yang, F.C., Wang, Y.P. 2007. Water flow like algorithm for object grouping

problems. Journal of The Chinese Institute of Industrial Engineering, Vol.

24, pp. 475-488.

Ye, X., Ma, W. 2013. Influence of access traffic on the operational efficiencies of

bus lane and main road. Procedia - Social and Behavioral Sciences , Vol. 138,

pp. 446-451.

Zadeh, L.A. 1996. Fuzzy logic = computing with words. IEEE Transactions on

Fuzzy Systems , Vol. 4, No. 2.

Zhang, L., Jia, Y., Niu, Z., Li, H. 2014. Research on short-term traffic flow

forecasting for junction of isomerism road network based on dynamic

correlation. Procedia - Social and Behavioral Sciences , Vol. 138, pp. 446-

451.

Zhao, X., Xie, D., Wang, W., Geng, N. 2014. Analyzng and modelling of

expressway traffic characteristics near ramp in beijing 3rd ring road. Proceda

- Social and Behavioral Sciences , Vol. 138, pp. 94-104.

103

LAMPIRAN

104

LAMPIRAN 1

Variabel Water Flow Lalu Lintas

No. Parameter WFA Parameter Lalu Lintas Notasi 1. Nilai Batas Iterasi Nilai Batas Iterasi Optimasi P

2. Massa Awal Massa rata – rata Lalu Lintas 𝑀0

3. Kecepatan Awal Kecepatan rata – rata Lalu Lintas V0

4. Momentum Dasar Momentum Awal T

5. Batas Jumlah Subflow Terpisah Batas Jumlah Subflow Terpisah �̃�

6. Jumlah Subflow Jumlah Subflow 𝑁𝑖

Data Kendaraan Arus Lalu Lintas 5 Menit Hari Kerja Jalur Pasar Jumat –

Pasar Ciputat

Waktu/Jenis

Kendaraan


Senin 06.00 WIB 57,00 203,00 3,00

Senin 07.00 WIB 101,00 377,00 1,00

Senin 08.00 WIB 92,00 429,00 2,00

Senin 09.00 WIB 96,00 301,00 11,00

Selasa 06.00 WIB 108,00 308,00 5,00

Selasa 07.00 WIB 85,00 338,00 4,00

Selasa 08.00 WIB 110,00 309,00 5,00

Selasa 09.00 WIB 76,00 360,00 12,00

Rabu 06.00 WIB 67,00 275,00 6,00

Rabu 07.00 WIB 114,00 305,00 8,00

Rabu 08.00 WIB 88,00 398,00 10,00

Rabu 09.00 WIB 88,00 225,00 6,00

Kamis 06.00 WIB 92,00 384,00 8,00

Kamis 07.00 WIB 107,00 374,00 6,00

Kamis 08.00 WIB 83,00 449,00 11,00

Kamis 09.00 WIB 74,00 276,00 11,00

Jumat 06.00 WIB 92,00 355,00 3,00

Jumat 07.00 WIB 76,00 303,00 9,00

Jumat 08.00 WIB 58,00 334,00 9,00

Jumat 09.00 WIB 87,00 273,00 16,00

Rata-Rata Kendaraan 87,55 328,80 7,30

Data Kendaraan Arus Lalu Lintas 5 Menit Hari Kerja Jalur Pasar Ciputat –

Pasar Jumat

Waktu/Jenis

Kendaraan


105

Senin 06.00 WIB 85,00 471,00 3,00

Senin 07.00 WIB 75,00 578,00 7,00

Senin 08.00 WIB 100,00 472,00 5,00

Senin 09.00 WIB 78,00 427,00 10,00

Selasa 06.00 WIB 90,00 623,00 6,00

Selasa 07.00 WIB 84,00 554,00 4,00

Selasa 08.00 WIB 80,00 490,00 10,00

Selasa 09.00 WIB 92,00 469,00 4,00

Rabu 06.00 WIB 74,00 463,00 3,00

Rabu 07.00 WIB 86,00 547,00 4,00

Rabu 08.00 WIB 88,00 483,00 3,00

Rabu 09.00 WIB 81,00 412,00 5,00

Kamis 06.00 WIB 72,00 567,00 7,00

Kamis 07.00 WIB 75,00 761,00 2,00

Kamis 08.00 WIB 86,00 648,00 1,00

Kamis 09.00 WIB 63,00 432,00 13,00

Jumat 06.00 WIB 81,00 541,00 8,00

Jumat 07.00 WIB 94,00 580,00 2,00

Jumat 08.00 WIB 116,00 514,00 7,00

Jumat 09.00 WIB 93,00 499,00 5,00


Data Kendaraan Per 5 Menit Akhir Pekan Jalur Pasar Jumat – Pasar Ciputat

Waktu/Jenis

Kendaraan Kendaraan Ringan Motor Kendaraan Berat

Sabtu 06.00WIB 80,00 208,00 14,00

Sabtu 07.00WIB 75,00 236,00 6,00

Sabtu 08.00WIB 80,00 309,00 7,00

Sabtu 09.00WIB 77,00 297,00 11,00

Minggu 06.00WIB 72,00 190,00 4,00

Minggu 07.00WIB 70,00 229,00 6,00

Minggu 08.00WIB 88,00 290,00 8,00

Minggu 09.00WIB 81,00 205,00 10,00


Data Kendaraan Per 5 Menit Akhir Pekan Jalur Pasar Ciputat – Pasar Jumat

Waktu/Jenis


Sabtu 06.00WIB 95,00 384,00 3,00

Sabtu 07.00WIB 91,00 408,00 3,00

Sabtu 08.00WIB 84,00 296,00 7,00

Sabtu 09.00WIB 125,00 395,00 7,00

Minggu 06.00WIB 51,00 203,00 0,00

Minggu 07.00WIB 50,00 211,00 1,00

106

Minggu 08.00WIB 55,00 227,00 1,00

Minggu 09.00WIB 62,00 213,00 3,00


Data Volume Arus Lalu Lintas (perjam) Hari Kerja Jalur Pasar Jumat –

Pasar Ciputat

Waktu / Jenis

Kendaraan Kendaraan Ringan Motor Kendaraan berat

Senin

06.00 – 07.00WIB 684,00 2.436,00 36,00

07.00 – 08.00WIB 1.212,00 4.524,00 12,00

08.00 – 09.00WIB 1.104,00 5.148,00 24,00

09.00 – 10.00WIB 1.152,00 3.612,00 132,00

Selasa

06.00 – 07.00WIB 1.296,00 3.696,00 60,00

07.00 – 08.00WIB 1.020,00 4.056,00 48,00

08.00 – 09.00WIB 1.320,00 3.708,00 60,00

09.00 – 10.00WIB 912,00 4.320,00 144,00

Rabu

06.00 – 07.00WIB 804,00 3.300,00 72,00

07.00 – 08.00WIB 1.368,00 3.660,00 96,00

08.00 – 09.00WIB 1.056,00 4.776,00 120,00

09.00 – 10.00WIB 1.056,00 2.700,00 72,00

Kamis

06.00 – 07.00WIB 1.104,00 4.608,00 96,00

07.00 – 08.00WIB 1.284,00 4.488,00 72,00

08.00 – 09.00WIB 996,00 5.388,00 132,00

09.00 – 10.00WIB 888,00 3.312,00 132,00

Jumat

06.00 – 07.00WIB 1.104,00 4.260,00 36,00

07.00 – 08.00WIB 912,00 3.636,00 108,00

08.00 – 09.00WIB 696,00 4.008,00 108,00

09.00 – 10.00WIB 1.044,00 3.276,00 192,00

Rata-rata 1050,60 3945,60 87,60

Data Volume Arus Lalu Lintas (perjam) Hari Kerja Jalur Pasar Ciputat –

Pasar Jumat

Waktu/Jenis


Senin

06.00-07.00 WIB 1.020,00 5.652,00 36,00

07.00-08.00 WIB 900,00 6.936,00 84,00

08.00-09.00 WIB 1.200,00 5.664,00 60,00

09.00-10.00 WIB 936,00 5.124,00 120,00

Selasa

06.00-07.00 WIB 1.080,00 7.476,00 72,00

07.00-08.00 WIB 1.008,00 6.648,00 48,00

08.00-09.00 WIB 960,00 5.880,00 120,00

09.00-10.00 WIB 1.104,00 5.628,00 48,00

107

Rabu

06.00-07.00 WIB 888,00 5.556,00 36,00

07.00-08.00 WIB 1.032,00 6.564,00 48,00

08.00-09.00 WIB 1.056,00 5.796,00 36,00

09.00-10.00 WIB 972,00 4.944,00 60,00

Kamis

06.00-07.00 WIB 864,00 6.804,00 84,00

07.00-08.00 WIB 900,00 9.132,00 24,00

08.00-09.00 WIB 1.032,00 7.776,00 12,00

09.00-10.00 WIB 756,00 5.184,00 156,00

Jumat

06.00-07.00 WIB 972,00 6.492,00 96,00

07.00-08.00 WIB 1.128,00 6.960,00 24,00

08.00-09.00 WIB 1.392,00 6.168,00 84,00

09.00-10.00 WIB 1.116,00 5.988,00 60,00

Rata-rata Kendaraan 1.015,80 6.318,60 65,40

Data Volume Arus Lalu Lintas (perjam) Akhir Pekan Jalur Pasar Jumat –

Pasar Ciputat

Waktu/Jenis


Sabtu

06.00-07.00WIB 960,00 2.496,00 168,00

07.00-08.00WIB 900,00 2.832,00 72,00

08.00-09.00WIB 960,00 3.708,00 84,00

09.00-10.00WIB 924,00 3.564,00 132,00

Minggu

06.00-07.00WIB 864,00 2.280,00 48,00

07.00-08.00WIB 840,00 2.748,00 72,00

08.00-09.00WIB 1.056,00 3.480,00 96,00

09.00-10.00WIB 972,00 2.460,00 120,00

Rata-rata 934,50 2.946,00 99,00

Data Volume Arus Lalu Lintas (perjam) Akhir Pekan Jalur Pasar Ciputat –

Pasar Jumat

Waktu/Jenis


Sabtu

06.00-07.00WIB 1.140,00 4.608,00 36,00

07.00-08.00WIB 1.092,00 4.896,00 36,00

08.00-09.00WIB 1.008,00 3.552,00 84,00

09.00-10.00WIB 1.500,00 4.740,00 84,00

Minggu

06.00-07.00WIB 612,00 2.436,00 0,00

07.00-08.00WIB 600,00 2.532,00 12,00

08.00-09.00WIB 660,00 2.724,00 12,00

09.00-10.00WIB 744,00 2.556,00 36,00

Rata-rata 919,50 3.505,50 37,50

108

Data Kepadatan Arus Lalu Lintas Hari Kerja Jalur Pasar Jumat – Pasar

Ciputat

Waktu/ Jenis


Senin

06.00 - 07.00 WIB 3.800,00 13.533,33 200,00

07.00 - 08.00 WIB 6.733,33 25.133,33 66,67

08.00 - 09.00 WIB 6.133,33 28.600,00 133,33

09.00 - 10.00 WIB 6.400,00 20.066,67 733,33

Selasa

06.00 - 07.00 WIB 7.200,00 20.533,33 333,33

07.00 - 08.00 WIB 5.666,67 22.533,33 266,67

08.00 - 09.00 WIB 7.333,33 20.600,00 333,33

09.00 - 10.00 WIB 5.066,67 24.000,00 800,00

Rabu

06.00 - 07.00 WIB 4.466,67 18.333,33 400,00

07.00 - 08.00 WIB 7.600,00 20.333,33 533,33

08.00 - 09.00 WIB 5.866,67 26.533,33 666,67

09.00 - 10.00 WIB 5.866,67 15.000,00 400,00

Kamis

06.00 - 07.00 WIB 6.133,33 25.600,00 533,33

07.00 - 08.00 WIB 7.133,33 24.933,33 400,00

08.00 - 09.00 WIB 5.533,33 29.933,33 733,33

09.00 - 10.00 WIB 4.933,33 18.400,00 733,33

Jumat

06.00 - 07.00 WIB 6.133,33 23.666,67 200,00

07.00 - 08.00 WIB 5.066,67 20.200,00 600,00

08.00 - 09.00 WIB 3.866,67 22.266,67 600,00

09.00 - 10.00 WIB 5.800,00 18.200,00 1.066,67

Rata-rata 5.836,67 21.920,00 486,67

Data Kepadatan Arus Lalu Lintas Hari Kerja Jalur Pasar Ciputat – Pasar

Jumat

Waktu/Jenis


Senin 06.00-07.00 WIB 5.666,67 31.400,00 200,00

Senin 07.00-08.00 WIB 5.000,00 38.533,33 466,67

Senin 08.00-09.00 WIB 6.666,67 31.466,67 333,33

Senin 09.00-10.00 WIB 5.200,00 28.466,67 666,67

Selasa 06.00-07.00 WIB 6.000,00 41.533,33 400,00

Selasa 07.00-08.00 WIB 5.600,00 36.933,33 266,67

Selasa 08.00-09.00 WIB 5.333,33 32.666,67 666,67

Selasa 09.00-10.00 WIB 6.133,33 31.266,67 266,67

Rabu 06.00-07.00 WIB 4.933,33 30.866,67 200,00

Rabu 07.00-08.00 WIB 5.733,33 36.466,67 266,67

Rabu 08.00-09.00 WIB 5.866,67 32.200,00 200,00

Rabu 09.00-10.00 WIB 5.400,00 27.466,67 333,33

109

Kamis 06.00-07.00 WIB 4.800,00 37.800,00 466,67

Kamis 07.00-08.00 WIB 5.000,00 50.733,33 133,33

Kamis 08.00-09.00 WIB 5.733,33 43.200,00 66,67

Kamis 09.00-10.00 WIB 4.200,00 28.800,00 866,67

Jumat 06.00-07.00 WIB 5.400,00 36.066,67 533,33

Jumat 07.00-08.00 WIB 6.266,67 38.666,67 133,33

Jumat 08.00-09.00 WIB 7.733,33 34.266,67 466,67

Jumat 09.00-10.00 WIB 6.200,00 33.266,67 333,33

Rata-rata 5.643,33 35.103,33 363,33

Data Kepadatan Arus Lalu Lintas Akhir Pekan Jalur Pasar Jumat – Pasar

Ciputat

Waktu/Jenis


Sabtu

06.00-07.00WIB 5333,33 13.866,67 933,33

07.00-08.00WIB 5000,00 15.733,33 400,00

08.00-09.00WIB 5333,33 20.600,00 466,67

09.00-10.00WIB 5133,33 19.800,00 733,33

Minggu

06.00-07.00WIB 4.800,00 12.666,67 266,67

07.00-08.00WIB 4.666,67 15.266,67 400,00

08.00-09.00WIB 5.866,67 19.333,33 533,33

09.00-10.00WIB 5.400,00 13.666,67 666,67

Rata-rata 5.191,67 16.366,67 550,00

Data Kepadatan Arus Lalu Lintas Akhir Pekan Jalur Pasar Ciputat – Pasar

Jumat

Waktu/Jenis


Sabtu

06.00-07.00WIB 6.333,33 25.600,00 200,00

07.00-08.00WIB 6.067,67 27.200,00 200,00

08.00-09.00WIB 5.600,00 19.733,33 467,67

09.00-10.00WIB 8.333,33 26.333,33 467,67

Minggu

06.00-07.00WIB 3.400,00 13.533,33 0,00

07.00-08.00WIB 3.333,33 14.066,67 67,67

08.00-09.00WIB 3.667,67 15.133,33 67,67

09.00-10.00WIB 4.133,33 14.200,00 200,00

Rata-rata 5.108,33 19.475,00 208,33

Data Kecepatan Arus Lalu Lintas Hari Kerja Jalur Pasar Jumat – Pasar

Ciputat

Waktu/ Jenis


110

Senin

06.00-07.00WIB 7,36 15,21 5,20

07.00-08.00WIB 5,91 14,37 5,40

08.00-09.00 WIB 6,29 14,13 5,36

09.00-10.00 WIB 6,19 14,79 4,43

Selasa

06.00-07.00 WIB 6,47 14,79 4,98

07.00-08.00 WIB 5,82 14,53 5,13

08.00-09.00 WIB 6,79 14,67 4,98

09.00-10.00 WIB 6,99 14,46 4,33

Rabu

06.00-07.00 WIB 5,78 14,89 4,88

07.00-08.00 WIB 6,39 14,79 4,79

08.00-09.00 WIB 6,39 14,24 4,50

09.00-10.00 WIB 3,42 15,11 4,88

Kamis

06.00-07.00 WIB 6,29 14,37 4,79

07.00-08.00 WIB 5,82 14,37 4,88

08.00-09.00 WIB 6,58 13,88 4,43

09.00-10-00 WIB 6,79 14,89 4,43

Jumat

06.00-07.00 WIB 6,29 14,46 5,20

07.00-08.00 WIB 6,79 14,79 4,69

08.00-09.00 WIB 7,22 14,53 4,69

09.00-10.00 WIB 6,39 14,89 4,28

Rata-rata 6,29 14,60 4,81

Rata-Rata Nilai keseluruhan 8,57km/jam

Data Kecepatan Arus Lalu Lintas Hari Kerja Jalur Pasar Ciputat – Pasar

Jumat

Waktu/ Jenis


Senin

06.00-07.00WIB 1,53 2,97 2,07

07.00-08.00WIB 1,27 3,38 1,23

08.00-09.00 WIB 2,72 4,38 1,48

09.00-10.00 WIB 12,72 20,8 9,00

Selasa

06.00-07.00 WIB 17,94 27,6 18,30

07.00-08.00 WIB 1,53 3,6 1,33

08.00-09.00 WIB 7,25 12,5 13,4

09.00-10.00 WIB 23,85 26,3 19,1

Rabu

06.00-07.00 WIB 2,66 3,76 2,04

07.00-08.00 WIB 1,82 3,62 1,71

08.00-09.00 WIB 2,60 6,26 1,63

09.00-10.00 WIB 3,42 5,97 2,93

Kamis

06.00-07.00 WIB 4,43 7,18 4,25

07.00-08.00 WIB 5,91 6,14 6,38

08.00-09.00 WIB 20,2 30,7 27,0

09.00-10-00 WIB 28,3 27,0 20,6

111

Jumat

06.00-07.00 WIB 1,22 2,93 1,52

07.00-08.00 WIB 2,23 3,00 2,25

08.00-09.00 WIB 3,46 6,30 2,66

09.00-10.00 WIB 9,46 13,60 7,33

Rata-rata 7,72 10,90 7,31

Rata-Rata Nilai keseluruhan 8,64km/jam

Data Kecepatan Arus Lalu Lintas Akhir Pekan Arah Pasar Jumat – Pasar

Ciputat

Waktu/Jenis


Sabtu

06.00-07.00WIB 7,56 15,55 6,50

07.00-08.00WIB 7,36 16,02 5,73

08.00-09.00WIB 7,56 18,39 5,88

09.00-10.00WIB 7,56 18,23 6,36

Minggu

06.00-07.00WIB 7,11 15,31 5,53

07.00-08.00WIB 7,04 16,02 5,73

08.00-09.00WIB 7,88 18,05 5,88

09.00-10.00WIB 7,69 15,41 6,20

Rata-rata 7,47 16,62 5,97

Rata-rata Nilai

Keseluruhan

10,02km/jam

Data Kecepatan Arus Lalu Lintas Akhir Pekan Jalur Pasar Ciputat – Pasar

Jumat

Waktu/Jenis


Sabtu

06.00-07.00WIB 25,60 41,74 16,50

07.00-08.00WIB 19,56 26,60 18,00

08.00-09.00WIB 18,91 33,54 16,07

09.00-10.00WIB 13,41 22,60 18,25

Minggu

06.00-07.00WIB 28,30 41,90 0,00

07.00-08.00WIB 29,10 38,20 25,00

08.00-09.00WIB 25,56 31,00 25,00

09.00-10.00WIB 21,00 29,90 18,00

Rata-rata 22,68 33,19 17,10

Rata-rata Nilai

Keseluruhan

24,32km/jam

112

Perhitungan Kapasitas Arus Lalu Lintas Hari Kerja Jalur Pasar Jumat – Pasar Ciputat

Kapasitas Perhitungan

Co (Kapasitas Dasar) 4/2 D : 1.650,00 perlajur x 2 = 3.300,00

FCw (Kapasitas lebar jalur lalulintas) 4/2 D: 3m = 0.92,00 perlajur x 2 = 1,84

FCsp (Kapasitas pemisahan arah) 4/2 D: 50%-50% = 1,00 1,00

FScf ( Kapasitas untuk hambatan samping) 4/2 D: 43,40 43,40

FCsf (Faktor Penyesuaian akibat hambatan samping): 1,00 1,00

FCcs (Kapasitas untuk ukuran kota) : 1.0-3.0= 1,00

Jadi; C = Co x FCw x FCsp x FCsf x FCcs C = 3.300,00*1,84*1,00*1,00*1,00 6.132,00 smp/jam

Perhitungan Kapasitas Arus Lalu Lintas Akhir Pekan Jalur Pasar Jumat – Pasar Ciputat









113

Perhitungan Kapasitas Arus Lalu Lintas Hari Kerja Jalur Pasar Ciputat – Pasar Jumat









Perhitungan Kapasitas Arus Lalu Lintas Akhir Pekan Jalur Pasar Ciputat – Pasar Jumat







FCcs (Kapasitas untuk ukuran kota) : 1,00-3,00= 1,00


114

Perhitungan Derajat Kejenuhan Hari Kerja Jalur Pasar Jumat – Pasar

Ciputat

Waktu/Jenis

Kendaraan

Arus

Maksimum

(Q)

Kapasitas

(C)

Derajat Kejenuhan

(DS)

Senin

06.00-07.00 WIB 3.156,00 6.132,72 0,51

07.00-08.00 WIB 5.748,00 6.132,72 0,94

08.00-09.00 WIB 6.276,00 6.132,72 1,02

09.00-10.00 WIB 4.896,00 6.132,72 0,80

Selasa

06.00-07.00 WIB 5.052,00 6.132,72 0,82

07.00-08.00 WIB 5.124,00 6.132,72 0,84

08.00-09.00WIB 5.088,00 6.132,72 0,83

09.00-10.00WIB 5.376,00 6.132,72 0,88

Rabu

06.00-07.00WIB 4.176,00 6.132,72 0,68

07.00-08.00WIB 5.124,00 6.132,72 0,84

08.00-09.00WIB 5.952,00 6.132,72 0,97

09.00-10.00WIB 3.828,00 6.132,72 0,62

Kamis

06.00-07.00WIB 5.808,00 6.132,72 0,95

07.00-08.00WIB 5.844,00 6.132,72 0,95

08.00-09.00WIB 6.516,00 6.132,72 1,06

09.00-10.00WIB 4.332,00 6.132,72 0,71

Jumat

06.00-07.00WIB 5.400,00 6.132,72 0,88

07.00-08.00WIB 4.656,00 6.132,72 0,76

08.00-09.00WIB 4.812,00 6.132,72 0,78

09.00-10.00WIB 4.512,00 6.132,72 0,74

Rata-rata 5.083,80 6.132,72 0,83

Perhitungan Derajat Kejenuhan Hari Kerja Jalur Pasar Ciputat – Pasar

Jumat

Waktu/Jenis

Kendaraan

Arus

Maksimum

(Q)

Kapasitas

(C)

Derajat Kejenuhan

(DS)

Senin

06.00-07.00 WIB 6.708,00 6.072,00 1,10

07.00-08.00 WIB 7.920,00 6.072,00 1,30

08.00-09.00 WIB 6.924,00 6.072,00 1,14

09.00-10.00 WIB 6.180,00 6.072,00 1,01

Selasa

06.00-07.00 WIB 8.628,00 6.072,00 1,42

07.00-08.00 WIB 7.704,00 6.072,00 1,27

08.00-09.00WIB 6.960,00 6.072,00 1,15

09.00-10.00WIB 6.780,00 6.072,00 1,12

Rabu

06.00-07.00WIB 6.480,00 6.072,00 1,07

07.00-08.00WIB 7.644,00 6.072,00 1,26

115

08.00-09.00WIB 6.888,00 6.072,00 1,13

09.00-10.00WIB 5.976,00 6.072,00 0,98

Kamis

06.00-07.00WIB 7.752,00 6.072,00 1,28

07.00-08.00WIB 10.056,00 6.072,00 1,66

08.00-09.00WIB 8.820,00 6.072,00 1,45

09.00-10.00WIB 6.069,00 6.072,00 1,00

Jumat

06.00-07.00WIB 7.560,00 6.072,00 1,25

07.00-08.00WIB 8.112,00 6.072,00 1,34

08.00-09.00WIB 7.644,00 6.072,00 1,26

09.00-10.00WIB 7.164,00 6.072,00 1,18

Rata-rata 7.399,80 6.072,00 1,22

Perhitungan Derajat Kejenuhan Akhir Pekan Jalur Pasar Jumat – Pasar

Ciputat

Waktu/Jenis Kendaraan

Arus

Maksimum

(Q)

Kapasitas

(C)

Derajat Kejenuhan

(DS)

Sabtu

06.00-07.00 WIB 3.624,00 6.132,72 0,59

07.00-08.00 WIB 3.804,00 6.132,72 0,62

08.00-09.00 WIB 4.752,00 6.132,72 0,77

09.00-10.00 WIB 4.620,00 6.132,72 0,75

Minggu

06.00-07.00 WIB 3.192,00 6.132,72 0,52

07.00-08.00 WIB 3.660,00 6.132,72 0,60

08.00-09.00WIB 4.632,00 6.132,72 0,76

09.00-10.00WIB 3.552,00 6.132,72 0,58

Rata-rata 3.979,50 6.132,72 0,65

Perhitungan Derajat Kejenuhan Akhir Pekan Jalur Pasar Ciputat – Pasar

Jumat

Waktu/Jenis Kendaraan Arus

Maksimum (Q) Kapasitas (C)

Derajat

Kejenuhan

(DS)

Sabtu

06.00-07.00 WIB 5.784,00 6.072,00 0,95

07.00-08.00 WIB 6.024,00 6.072,00 0,99

08.00-09.00 WIB 4.644,00 6.072,00 0,76

09.00-10.00 WIB 6.324,00 6.072,00 1,04

Minggu

06.00-07.00 WIB 3.048,00 6.072,00 0,50

07.00-08.00 WIB 3,144,00 6.072,00 0,51

08.00-09.00WIB 3.396,00 6.072,00 0,56

09.00-10.00WIB 3.336,00 6.072,00 0,55

Rata-rata 4.462,50 6.072,00 0,73

116

Tundaan Geometri Jalur Pasar Jumat – Pasar Ciputat

Waktu

Jumlah Smp Yang

Tersisa Dari Fase

Hijau Sebelumnya

(NQ1)

Waktu

Siklus (c)

Rasio Hijau

(GR) NQ2 NQ NS DG

Senin

06.00-07.00WIB 0,03 111 0,63 53,21 53,24 0,49 7,09

07.00-08.00WIB 6,73 111 0,63 160,08 166,82 0,85 4,93

08.00-09.00WIB 89,56 111 0,63 201,55 291,11 1,35 1,85

09.00-10.00WIB 1,50 111 0,63 112,58 114,08 0,68 5,94

Selasa

06.00-07.00WIB 1,83 111 0,63 119,74 121,57 0,70 5,81

07.00-08.00WIB 2,03 111 0,63 123,35 125,38 0,71 5,74

08.00-09.00WIB 1,96 111 0,63 121,85 123,81 0,71 5,76

09.00-10.00WIB 3,03 111 0,63 136,92 139,94 0,76 5,46

Rabu

06.00-07.00WIB 0,57 111 0,63 83,35 83,92 0,59 6,51

07.00-08.00WIB 2,03 111 0,63 123,35 125,38 0,71 5,74

08.00-09.00WIB 13,85 111 0,63 174,73 188,57 0,92 4,46

09.00-10.00WIB 0,33 111 0,63 71,90 72,23 0,55 6,73

Kamis

06.00-07.00WIB 8,04 111 0,63 164,23 172,28 0,87 4,82

07.00-08.00WIB 9,05 111 0,63 166,78 175,84 0,88 4,74

08.00-09.00WIB 200,25 111 0,63 224,91 425,16 1,90 -1,50

09.00-10.00WIB 0,70 111 0,63 88,97 89,67 0,60 6,41

Jumat

06.00-07.00WIB 3,16 111 0,63 138,29 141,45 0,76 5,43

07.00-08.00WIB 1,07 111 0,63 101,74 102,81 0,64 6,16

08.00-09.00WIB 1,32 111 0,63 108,48 109,80 0,67 6,03

09.00-10.00WIB 0,89 111 0,63 95,87 96,76 0,63 6,27

Rata-rata Tundaan Geometri 5,22

Tundaan Geometri Akhir Pekan Arah Pasar Jumat – Pasar Ciputat

117

Waktu

Jumlah Smp Yang

Tersisa Dari Fase

Hijau Sebelumnya

(NQ1)

Waktu

Siklus (c)

Rasio Hijau

(GR) NQ2 NQ NS DG

Sabtu

06.00-07.00WIB 0,22 111 0,63 65,79 66,01 0,53 5,08

07.00-08.00WIB 0,32 111 0,63 71,16 71,47 0,55 5,04

08.00-09.00WIB 1,22 111 0,63 105,84 107,06 0,66 4,79

09.00-10.00WIB 1,03 111 0,63 100,24 101,26 0,64 4,83

Minggu

06.00-07.00WIB 3,16 111 0,63 138,29 141,45 0,76 4,54

07.00-08.00WIB 1,07 111 0,63 101,74 102,81 0,64 4,82

08.00-09.00WIB 1,32 111 0,63 108,48 109,80 0,67 4,77

09.00-10.00WIB 0,89 111 0,63 95,87 96,76 0,63 4,86

Rata-rata Tundaan Geometri 4,84

Tundaan Lalu Lintas Hari Kerja Jalur Pasar Ciputat – Pasar Jumat

Waktu Waktu

Siklus

Perbandingan Hijau

dan Derajat

kejenuhan (A)

Jumlah Smp Yang Tersisa Dari

Fase Hijau Sebelumnya (NQ1)

Panjang

Antrian

Tundaan

Lalu Lintas

(perdetik)

Senin

06.00-07.00WIB 111 0,22 323,67 191,90 216,87

07.00-08.00WIB 111 0,38 926,64 549,39 592,06

08.00-09.00WIB 111 0,24 430,52 255,25 282,20

09.00-10.00WIB 111 0,19 74,97 44,45 65,69

Selasa

06.00-07.00WIB 111 0,66 1.280,18 759,00 831,88

07.00-08.00WIB 111 0,34 818,85 485,48 523,37

08.00-09.00WIB 111 0,25 448,38 265,84 293,16

09.00-10.00WIB 111 0,23 359,21 212,97 238,57

118

Rabu

06.00-07.00WIB 111 0,21 212,12 125,76 148,92

07.00-08.00WIB 111 0,33 788,92 467,74 504,48

08.00-09.00WIB 111 0,24 412,67 244,66 271,27

09.00-10.00WIB 111 0,18 21,23 12,59 32,54

Kamis

06.00-07.00WIB 111 0,35 842,80 499,68 538,54

07.00-08.00WIB 111 -1,54 1.993,76 1.182,07 1.011,54

08.00-09.00WIB 111 0,81 1.376,10 815,87 906,05

09.00-10.00WIB 111 0,19 45,57 27,02 47,66

Jumat

06.00-07.00WIB 111 0,32 747,03 442,90 478,15

07.00-08.00WIB 111 0,43 1.022,48 606,21 654,29

08.00-09.00WIB 111 0,33 788,92 467,74 504,48

09.00-10.00WIB 111 0,27 549,75 325,94 355,52

Rata-rata 111 0,23 673,19 399,12 0,11

Tundaan Lalu Lintas Akhir Pekan Arah Pasar Ciputat ke Pasar Jumat

Waktu Waktu

Siklus

Perbandingan

Hijau dan Derajat

kejenuhan (A)

jumlah smp yang tersisa

dari fase hijau sebelumnya

(NQ1)

Panjang Antrian Tundaan

Lalu Lintas

Sabtu

06.00-07.00WIB 111 0,17 8,98 5,32 24,29

07.00-08.00WIB 111 0,18 28,47 16,88 37,11

08.00-09.00WIB 111 0,13 1,12 0,67 15,29

09.00-10.00WIB 111 0,20 137,92 81,77 103,83

Minggu

06.00-07.00WIB 111 0,10 0,00 28,46 39,5

07.00-08.00WIB 111 0,50 0,04 256,44 311,9

08.00-09.00WIB 111 0,50 0,13 865,84 912,3

119

09.00-10.00WIB 111 0,50 0,11 718,42 773,9

Rata-rata 111 0,28 22,10 246,72 0,61

120

Waktu Siklus Arus Lalu Lintas

Waktu Siklus

g = jumlah waktu lampu hijau (detik) = 70

Jumlah waktu lampu merah (detik) = 38

Jumlah waktu lampu kuning (detik) = 3

LTI ( Jumlah waktu lampu merah + jumlah waktu lampu kuning)

c = Σg + LTI

c = Σ70+41

111

Rasio Hijau

Rasio Hijau

g = waktu hijau = 70

c =waktu siklus = 111

= 70/111

= 0,63

Rasio Hijau dan Waktu Siklus Jika Lampu Merah Menyala Selama 0 Detik

Rasio Hijau Waktu Siklus Lampu Merah 0 detik

g = waktu hijau = 70 g = jumlah waktu lampu hijau (detik) = 70

c = waktu siklus = 73 Jumlah waktu lampu merah (detik) = 0

= 70/73 Jumlah waktu lampu kuning (detik) = 3

= 0,96 LTI (Jumlah waktu lampu merah + jumlah waktu

lampu kuning)

c = Σg + LTI

73

Eliminate U-turn Waterflow

Eliminate U-turn Eliminate U-turn Waterflow

VSolution Number of Subflow

0 8,64 1,00

1 8,74 1,00

2 8,95 1,00

3 9,27 1,00

4 9,72 1,00

5 10,32 1,00

121

6 11,09 1,00

7 12,07 1,00

8 13,31 1,00

Rerata 10,24

Contraflow Waterflow

Object Contraflow Waterflow

VSolution Number of Subflow VSolution After Merging

Contraflow 25,39 2,00 34,52

Defuzzifikasi Fuzzy Logic Multi Expert

Fuzzy Logic Multi Expert

No Object Expert 1 Expert 2 Expert 3 Rerata

1 Eliminate U-turn 100,00 100,00 100,00 100,00

2 Contraflow 16,66 0,00 0,00 5,55

Jenis Pengguna Sistem

No Pengguna Usecase Keterangan

1 Expert

(Dishub)

Parameterizing Expert (Dishub) melakukan parameterisasi

atau memberikan nilai terhadap variabel

alternatif keputusan.

2 Local

Government

Parameterizing Local goverenment dapat melihat

pemodelan lalu lintas melalui data yang

telah diekstrak dari Traffic MIS.

Optimizing Local government dapat melakukan

optimasi water flow eliminate u-turn dan

contraflow.

Making Decision Local government melakukan pengambilan

keputusan dari alternatif keputusan yang

disediakan.

Reporting Local government dapat mengakses

pemodelan dan optimasi yang telah

disediakan.

3 Traffic MIS Extracting Data Data yang dipergunakan dalam sistem ini,

diambil melalui ekstraksi data yang dimiliki

oleh sistem pihak ketiga (Traffic MIS).

Penilaian Verifikasi Model Lalu Lintas dan Optimasi (Perhitungan Excel)

Model Sistem Referensi Kesesuaian

1 Model Lalu

Lintas

Kepadatan

(Kec/Km)

Variabel 2 2

Prossedur

Rumus

Hasil

Perhitungan 9.414,44 9.414,44

Volume

(Kec/Jam)

Variabel 2 2

Prossedur

122

Rumus

Hasil

Perhitungan 1.694,60 1.694,60

Derajat

Kejenuhan

(SMP/Jam)

Variabel 2 2

Prossedur

Rumus

Hasil

Perhitungan 0,83 0,83

Kapasitas

(SMP/Jam)

Variabel 5 5

Prossedur

Rumus

Hasil

Perhitungan 6.132,72 6.132,72

2 Model

Optimasi

Fuzzy

Eliminate U-

turn

Variabel 2 2

Prossedur

Rumus

Hasil


Fuzzy

Contraflow

Variabel 2 2

Prossedur

Rumus

Hasil


Waterflow

Eliminate U-

turn

Variabel 6 6

Prossedur

Rumus

Hasil


Waterflow

Contraflow

Variabel 6 6

Prossedur

Rumus

Hasil


123

Penilaian Validasi Model Lalu Lintas dan Optimasi (Perhitungan Excel)

Model Variabel Sistem Referensi Variabel Nilai Hasil Tes

T F T F TP FP TN FN

1 Model Lalu Lintas

Kepadatan

(Kec/Km)

N 9.414,44 9.414,44 1 1 1

L 0,01 km 0,01 km 1 1 1

Volume

(Kec/Jam)

N 1.694,60 1.694,60 1 1 1

T 5 menit 5 menit 1 1 1

Derajat Kejenuhan

(SMP/Jam)

Q 5.084 5.084 1 1 1

C 6.132,72 6.132,72 1 1 1

Kapasitas

(SMP/Jam)

Co 3.300,00 3.30,00 1 1 1

FCw 1,84 1,84 1 1 1

FCsp 1,00 1,00 1 1 1

FCsf 1,01 1,01 1 1 1

FCcs 1,00 1,00 1 1 1

2 Model Optimasi

Fuzzy

Eliminate U-turn

Fuzzy Awal 100,00 100,00 1 1 1

Fuzzy Akhir 100,00 100,00 1 1 1

Fuzzy

Contraflow

Fuzzy Awal 13,33 13,33 1 1 1

Fuzzy Akhir 5,55 5,55 1 1 1

Waterflow Eliminate U-

turn

𝑃 9 9 1 1 1

𝑀0 5.528 5.528 1 1 1

𝑉0 8,64 8,64 1 1 1

𝑇 47.762 47.762 1 1 1

�̃� 3 3 1 1 1

𝑛𝑖 1 1 1 1 1

Waterflow Contraflow

𝑃 1 1 1 1 1

𝑀0 5.528 5.528 1 1 1

𝑉0 25,39 25,39 1 1 1

𝑇 47.762 47.762 1 1 1

�̃� 3 3 1 1 1

𝑛𝑖 2 2 1 1 1

124

LAMPIRAN 2

KUESIONER PENELITIAN OPTIMASI METODE FUZZY

127

LAMPIRAN 3

SURAT KETERANGAN IZIN PENELITIAN

128

LAMPIRAN 4

SURAT SK BIMBINGAN

129

LAMPIRAN 5

SURAT IZIN PENELITIAN

130

LAMPIRAN 6

SCREENSHOOT KEMACETAN DI JALAN I.r. H. JUANDA

SCREENSHOOT HASIL REKAMAN PENGAJUAN KUISIONER OLEH

PAKAR

skripsi sistem penunjang keputusan untuk …

Documents