skripsi sistem penunjang keputusan untuk …
TRANSCRIPT
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
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
iii
iv
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
Arah Pasar Ciputat ke Pasar Jumat ....................................................................... 46
Gambar 4.5 Volume Kendaraan Akhir Pekan
Arah Pasar Jumat ke Pasar Ciputat ....................................................................... 47
Gambar 4.6 Kepadatan Kendaraan Hari Kerja
Arah Pasar Jumat ke Pasar Ciputat ....................................................................... 49
Gambar 4.7 Kepadatan Kendaraan Hari Kerja
xiv
Arah Pasar Ciputat ke Pasar Jumat ....................................................................... 50
Gambar 4.8 Kepadatan Kendaraan Akhir Pekan
Arah Pasar Ciputat ke Pasar Jumat ....................................................................... 50
Gambar 4.9 Kepadatan Kendaraan Akhir Pekan
Arah Pasar Jumat ke Pasar Ciputat ....................................................................... 51
Gambar 4.10 Tundaan Geometri Hari Kerja
Arah Pasar Jumat ke arah Pasar Ciputat ............................................................... 55
Gambar 4.11 Tundaan Geometri Akhir Pekan
Arah Pasar Jumat ke Pasar Ciputat ....................................................................... 56
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
(Rosa & Shalahuddin, 2013)
xix
Simbol Class Diagram
Simbol Keterangan
Kelas
Asosiasi / Association
Asosiasi berarah / Directed
Association
Generalisasi
Ketergantungan / Dependency
Agregasi / Aggregation
(Rosa & Shalahuddin, 2013)
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
(Rosa & Shalahuddin, 2013)
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
iv
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
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.
8
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.
36
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
Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Ringan Motor Kendaraan Berat
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));
ek2=Math.sqrt(Math.pow(besarDariSatu[n],2)+(2*g*max2));
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
Math.sqrt(Math.pow(besarDariSatu[n],2)+(2*g*max2)); untuk
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;
max4 = (flow4*besarDariSatu[n])-baseMomentum;
max5 = (flow5*besarDariSatu[n])-baseMomentum;
// pengalian dengan energi konservasi
ek3=Math.sqrt(Math.pow(besarDariSatu[n],2)+(2*g*max3));
ek4=Math.sqrt(Math.pow(besarDariSatu[n],2)+(2*g*max4));
ek5=Math.sqrt(Math.pow(besarDariSatu[n],2)+(2*g*max5));
// 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
Math.sqrt(Math.pow(besarDariSatu[n],2)+(2*g*max3)); untuk
mendapatkan nilai ek3, persamaan
Math.sqrt(Math.pow(besarDariSatu[n],2) + (2*g*max4));
untuk mendapatkan nilai ek4, dan persamaan
Math.sqrt(Math.pow(besarDariSatu[n],2)+(2*g*max5)); untuk
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.
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.
74
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.
97
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.
99
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
Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Ringan Motor Kendaraan Berat
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
Rata-Rata Kendaraan 84,65 526,55 5,45
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
Rata-Rata Kendaraan 78,00 246,00 8,00
Data Kendaraan Per 5 Menit Akhir Pekan Jalur Pasar Ciputat – Pasar Jumat
Waktu/Jenis
Kendaraan Kendaraan Ringan Motor Kendaraan Berat
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
Rata-Rata Kendaraan 76,62 243,62 3,12
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
Kendaraan Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Kendaraan Ringan Motor Kendaraan Berat
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
Kendaraan Kendaraan Ringan Motor Kendaraan Berat
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
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: 11,70 11,70
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
113
Perhitungan Kapasitas Arus Lalu Lintas Hari Kerja Jalur Pasar Ciputat – Pasar Jumat
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: 177,00 177,00
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 6.072,00 smp/jam
Perhitungan Kapasitas Arus Lalu Lintas Akhir Pekan Jalur Pasar Ciputat – Pasar Jumat
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: 101,00 101,00
FCsf (Faktor Penyesuaian akibat hambatan samping): 1,00 1,00
FCcs (Kapasitas untuk ukuran kota) : 1,00-3,00= 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 6.072,00 smp/jam
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
Perhitungan 100,00 100,00
Fuzzy
Contraflow
Variabel 2 2
Prossedur
Rumus
Hasil
Perhitungan 5,55 5,55
Waterflow
Eliminate U-
turn
Variabel 6 6
Prossedur
Rumus
Hasil
Perhitungan 10,24 10,24
Waterflow
Contraflow
Variabel 6 6
Prossedur
Rumus
Hasil
Perhitungan 34,52 34,52
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
125
126
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