fabian_jm,+JIME+100102+Prylita+Rombot+S2n

Jurnal Ilmiah Media Engineering Vol.10 No.1, Mei 2020 (13-20), ISSN: 2087-9334 PENGGUNAAN KENDARAAN PENYIDIK BERBASIS GPS UNTUK MEMPERKIRAKAN KEADAAN LALULINTAS. Prylita Rombot 1), Semuel Y. R. Rompis 2), Joice E. Waani 2) 1) Mahasiswa Prodi Teknik Sipil Pascasarjana Unsrat Manado 2) Staf Pengajar Prodi Teknik Sipil Pascasarjana Unsrat Manado email: [email protected] ABSTRACT Indirect vehicle growth rate will increase the risk of traffic problems, one of the problems caused by congestion that resulted in disruption of a trip. One of the parameters that can be used to estimate traffic situation is speed, the lower traffic speed means the worse traffic conditions on the road. Speed information is required as input on the traffic information system as speed data has a big impact on congestion. The research methods in this study use the data information obtained from Global Positioning System (GPS) data via GPS-based test vehicles. When the test vehicle position data from control centre can connect directly to the road network information system, the average traffic speed on the various road segments can be known in real time. After knowing the average speed, the approach and prediction of a traffic condition on a road network using Greenshield, Greenberg, and Underwood modelling using data taken from traffic light survey in the first field, forecasting speed data is repaid in the equation gained from the selected modelling so that the data volume and density of forecasting speed data can be known. The research conducted a survey of the field traffic twice, where the traffic survey data in the second field was taken as a comparator to correct the errors and inaccuracies of forecasting data and field data. The accuracy of the GPS forecasting data and in-field data is measured by using a root approach of the average quadratic error Root Mean Square Error (RMSE) and the absolute value of Mean Absolute Error (MAE), which is largely the result of the RMSE and MAE < from 15% which means that the data can be used. Keywords : traffic, speed, investigation, vechicles, estimate. PENDAHULUAN Rumusan Masalah Berdasarkan latar belakang yang telah Latar Belakang Tingkat pertumbuhan kendaraan yang dijelaskan diatas, maka pertanyaan-pertanyaan yang akan dijawab melalui penelitian ini adalah: semakin meningkat memperbesar resiko 1. Bagaimana karakteristik lalu lintas di lokasi tumbuhnya masalah lalu lintas yaitu kemacetan. Salah satu parameter yang digunakan untuk studi mengatasi kemacetan yaitu kecepatan, data 2. Bagaimana model lalu lintas dilokasi studi kecepatan berpengaruh besar terhadap 3. Bagaimana menggunakan data GPS berupa kemacetan semakin rendah kecepatan lalulintas semakin buruk kondisi arus lalulintas begitupun trajektori lalu lintas dan model arus lalu sebaliknya. Kecepatan lalulintas diukur lintas untuk meramalkan kondisi arus lalu menggunakan informasi yang diperoleh dari data lintas Global Positioning System (GPS). Tujuan Penelitian Pada penelitian ini kendaraan uji Adapun tujuan yang ingin dicapai dalam menggunakan instrument Global Positioning System (GPS), kecepatan lalulintas rata-rata penelitian ini adalah: pada berbagai segmen jalan tersebut dapat 1. Menggambarkan karakteristik arus lalu diketahui secara real time. lintas di lokasi studi 2. Membuat model arus lalu lintas 13

Jurnal Ilmiah Media Engineering Vol.10 No.1, Mei 2020 (13-20), ISSN: 2087-9334 3. Memprediksi keadaan lalu lintas pada ruas hubungan matematis antara Kecepatan– jalan di lokasi studi dengan menggunakan Kepadatan bukan merupakan fungsi linear model arus lalu lintas dan data rekam jejak melainkan fungsi logaritmik (Tamin, 2000). kendaraan dari data GPS, serta meng- evaluasi apakah kendaraan penyidik bisa .………...…..... (3) digunakan untuk memperkirakan kondisi arus lalu lintas di lokasi studi. Model Underwood Underwood mengasumsikan bahwa Manfaat Penelitian Diharapkan penelitian ini dapat bermanfaat hubungan matematis antara Kecepatan – Kepadatan bukan merupakan fungsi linear untuk: melainkan fungsi eksponensial (Tamin, 2000). 1. Pengambilan keputusan dalam meminimal- Persamaan dasar model Underwood dapat dinyatakan melalui persamaan (4). kan kemacetan dilokasi studi. 2. Dapat menghasilkan suatu metode yang .................... (4) tepat dalam memberikan informasi lalulintas Global Positioning System (GPS) dalam waktu nyata kepada pengguna jalan. GPS adalah singkatan dari Global LANDASAN TEORI Positioning System, yang merupakan sistem navigasi dengan menggunakan teknologi Rekayasa Lalu Lintas satelit yang dapat menerima sinyal dari Menurut Homburger & Kell (1981), satelit. Rekayasa Lalu Lintas adalah suatu penangganan GPS receiver dapat menyimpan yang berkaitan dengan perencanaan, informasi track, seperti total perjalanan yang perancangan geometrik dan operasi lalu lintas sudah pernah dilakukan, kecepatan rata-rata, jalan raya serta keterkaitannya dengan mode kecepatan paling tinggi, kecepatan paling transportasi lain. rendah, waktu/jam sampai tujuan, dan sebagainya. (Wishnu, 2012) Volume lalu lintas adalah banyaknya kendaraan yang melewati suatu titik atau Akurasi GPS Posisi yang ditunjukkan garis tertentu pada suatu penampang oleh suatu GPS mempunyai faktor kesalahan melintang jalan. Data pencacahan volume atau juga disebut tingkat akurasi. Sebagai lalu lintas adalah informasi yang diperlukan contoh suatu alat GPS menunjukkan titik untuk fase perencanaan, desain, manajemen koordinat dengan tingkat akurasi 5 meter, itu sampai pengoperasian jalan (Sukirman berarti posisi pengguna bisa berada dalam 1994) range radius 5 meter dari titik yang ditunjukkan tersebut Hubungan matematis antara kecepatan, volume, dan kepadatan dapat dinyatakan dengan Indikator Uji Statistik persamaan berikut ini. Indikator statistik yang dapat digunakan V = D. S………………... (1) untuk membandingkan hasil volume peramalan Memperlihatkan bentuk umum hubungan dan volume lapangan yaitu Root Mean Square matematis antara Kecepatan-Kepadatan (S-D), Error (RMSE) dan Mean Absolute Error (MAE) Volume-Kepadatan (V-D), dan Arus-Kecepatan (V-S) Root Mean Square Error (RMSE) Akar kesalahan kuadrat rata-rata (Root Model Greenshields Greenshields merumuskan bahwa Mean Square Error) merupakan suatu ukuran kesalahan yang didasarkan pada selisih antara hubungan matematis antara Kecepatan– dua buah nilai yang besesuaian. Indikator RMSE Kepadatan diasumsikan linear (Tamin, 2000), tidak dapat membandingkan sebuah model yang seperti yang dinyatakan dalam persamaan (2). sama jika diterapkan pada wilayah studi yang berbeda.Semakin besar nilai RMSE berarti hasil .............. (2) estimasi model yang dihasilkan semakin tidak tepat bila dibandingkan dengan pengamatan. Model Greenberg Greenberg mengasumsikan bahwa 14

Jurnal Ilmiah Media Engineering Vol.10 No.1, Mei 2020 (13-20), ISSN: 2087-9334 √∑ ̂ …………..(5) Dimana: Data Awal (Data Sebenarnya) ̂ = Data Akhir (Data Estimasi) n = Jumlah Data Mean Absolute Error (MAE) Nilai mutlak dari kesalahan rata-rata (Mean Absolute Error) adalah merupakan bentuk ukuran kesalahan yang paling sederhana. Nilai MAE kurang sensitif terhadap nilai mutlak kesalahan yang besar dibandingkan dengan RMSE. Semakin besar nilai MAE, maka hasil estimasi model semakin tidak tepat dibandingkan dengan pengamatan. ∑̂ ……..….(6) Gambar 1. Diagram Alir Penelitian Dimana: Nilai Hasil Peramalan 4. Kalibrasi data tersebut dalam pemodelan ̂ (Data Estimasi) Greenshields, Greenberg, dan underwood Nilai Sebenarnya kemudian didapatkan karakteristik dari S- Yi = (Data Sebenarnya) D, V-D, V-S Jumlah Data n= 5. Subtitusi data kecepatan peramalan pada pemodelan yang dipilih untuk METODE PENELITIAN mendapatkan data volume peramalan dan data kepadatan peramalan. Diagram Alir Penelitian Dalam penelitian ini dibuat diagram alir 6. Bandingkan data V peramalan yang didapat melalui pemodelan yang dipilih penelitian dimana dapat menggambarkan proses dengan V data lapangan. penelitian, dimulai dari proses pengambilan data dan pengolahan yang akan dilakukan, seperti 7. Koreksi data V peramalan dan V lapangan yang ditunjukkan pada gambar 1. dengan pendekatan RMSE dan MAE Data dan Metode Pengumpulan Data 8. Kesimpulan dan memberikan saran. Metode penelitian yang digunakan dalam HASIL DAN PEMBAHASAN penelitian ini adalah Penelitian survey, berikut adalah langkah-langkah yang akan dilakukan Perhitungan Volume Lalu Lintas dalam penelitian ini: Saat survey di lapangan, jenis kendaraan 1. Mempersiapkan Alat dan bahan survey dibagi berdasarkan tiga jenis yaitu sepeda motor untuk melakukan survey yaitu berupa (motorcycle), kendaraan ringan (light vehicle), GPS, dan Alat ukur Panjang. dan kendaraan berat (heavy vehicle). Dimana dalam hal ini terdapat dua ruas A dan B. Setelah 2. Pengambilan data peramalan yaitu survey dilakukan, diperoleh jumlah dari jenis kecepatan rata-rata melalu kendaraan kendaraan masing-masing setiap 15 menit, penyidik berbasis GPS kemudian jumlah tadi dikalikan dengan nilai ekivalensi mobil penumpang. 3. Pengambilan data Kecepatan dan Volume dilapangan Adapun perbandingan nilai ekivalensi mobil penumpang kendaraan. Ekivalensi mobil penumpang (emp) masing masing kendaraan 15

Jurnal Ilmiah Media Engineering Vol.10 No.1, Mei 2020 (13-20), ISSN: 2087-9334 menurut Manual Kapasitas Jalan Indonesia menganalisa hubungan kecepatan, volume dan (MKJI) 1997 adalah sebagai berikut : kepadatan adalah kecepatan rata-rata. Kecepatan 1. Kendaraan Berat (HV) = 1.3 rata-rata dapat diperoleh dengan menggunakan 2. Kendaraan Ringan (LH) = 1.0 persamaan: 3. Sepeda Motor (MC) = 0.4 ∑ ……….…….… (7) KECEPATAN KENDARAAN50 (KM/JAM)45 40 07.00-07.1535 07.45-08.0030 08.30-08.4525 09.15-09.3020 10.00-10.1515 10.45-11.0010 11.30-11.45 12.15-12.305 13.00-13.150 13.45-14.00 Gambar 2. Grafik Volume Ruas A, Senin 11 14.30-14.45 September 2017 15.15-15.30 16.00-16.15 Gambar 3. Grafik Volume Ruas B, Senin 11 16.45-17.00 September 2017 17.30-17.45 18.15-18.30 Tabel 1. Volume Maksimum dan Minimum 19.00-19.15 Kendaraan Pada Ruas A dan Ruas B. 19.45-20.00 20.30-20.45 INTERVAL WAKTU 9-Sep-18 10-Sep-18 11-Sep-18 Gambar 4. Grafik Kecepatan Kendaraan Ringan (LV) Ruas A KECEPATAN KENDARAAN (KM/JAM)50 07.00-07.1545 07.45-08.0040 08.30-08.4535 09.15-09.3030 10.00-10.1525 10.45-11.0020 11.30-11.4515 12.15-12.3010 13.00-13.15 13.45-14.005 14.30-14.450 15.15-15.30 16.00-16.15 16.45-17.00 17.30-17.45 18.15-18.30 19.00-19.15 19.45-20.00 20.30-20.45 INTERVAL WAKTU 9-Sep-18 10-Sep-18 11-Sep-18 Gambar 5. Grafik Kecepatan Kendaraan Ringan (LV) Ruas B Sumber: Data Hasil Penelitian. KECEPATAN KENDARAAN50 (KM/JAM)45 Nilai volume pada ruas B lebih tinggi 40 dibandingkan ruas A, untuk ruas A kemacetan 07.00-07.1535 terjadi cenderung pada waktu malam, pada 07.45-08.0030 pukul 18.30-19.45 nilai volume pada ruas jalan 08.30-08.4525 A cenderung tinggi, sedangkan nilai minimum 09.15-09.3020 pada hari sabtu dan minggu cenderung rendah 10.00-10.1515 pada waktu pagi, pukul 07.00-07.30, untuk hari 10.45-11.0010 senin ruas A nilai minimum volume terjadi pada 11.30-11.45 waktu siang yaitu pukul 13.45-14.00. 12.15-12.305 13.00-13.150 Nilai maksimum Volume pada ruas B 13.45-14.00 cenderung terjadi pada waktu sore dan malam 14.30-14.45 yaitu pada pukul 16.00-19.15, sedangkan 15.15-15.30 volume minimum terjadi pada waktu pagi dan 16.00-16.15 siang. 16.45-17.00 17.30-17.45 Perhitungan Kecepatan Kendaraan 18.15-18.30 Variabel kecepatan yang digunakan untuk 19.00-19.15 19.45-20.00 20.30-20.45 INTERVAL WAKTU 11-Sep-18 9-Sep-18 10-Sep-18 Gambar 6. Grafik Kecepatan Kendaraan Motor (MC) Ruas A 50KECEPATAN KENDARAAN 45 (KM/JAM) 40 35 07.00-07.15 30 07.45-08.00 25 08.30-08.45 20 09.15-09.30 15 10.00-10.15 10 10.45-11.00 11.30-11.45 5 12.15-12.30 0 13.00-13.15 13.45-14.00 14.30-14.45 15.15-15.30 16.00-16.15 16.45-17.00 17.30-17.45 18.15-18.30 19.00-19.15 19.45-20.00 20.30-20.45 9-Sep-18 INTERVAL WAKTU 10-Sep-18 11-Sep-18 Gambar 7. Grafik Kecepatan Kendaraan Motor (MC) Ruas B 16

Jurnal Ilmiah Media Engineering Vol.10 No.1, Mei 2020 (13-20), ISSN: 2087-9334 Kecepatan kendaraan ringan (LV) dan 25KECEPATAN 14.15-14.30 Kendaraan Motor (MC) pada ruas A cenderung 20 14.00-14.15 lebih besar daripada Kecepatan diruas B, pada 15 13.45-14.00 tabel 2 dan tabel 3 dapat dilihat rangkuman nilai 10 13.30-13.45 maksimum dan minimum diperiode waktu 13.15-13.30 tertentu pada masing-masing ruas selama 3 hari 5 13.00-13.15 penelitian.. 0 12.45-13.00 12.30-12.45 INTERVAL WAKTU12.15-12.30 Gambar 9. Kecepatan Kendaraan Penyidik Ruas B12.00-12.15 11.45-12.00 Sumber: Data Hasil Penelitian11.30-11.45 Tabel 2. Kecepatan Maksimum dan Minimum Kecepatan Lalu Lintas ruas B pada gambar 9 yang diperoleh dari survey dengan Kendaraan Ringan (LV) Pada Ruas A dan Ruas B. menggunakan kendaraan penyidik memberikan data bahwa kecepatan lalu lintas tinggi pada Hari/tanggal Ruas A Ruas B pukul 11.45-12.00 sedangkan kecepatan terendah terjadi pada pukul 13.30-13.45. Maks Min Maks Min Analisis Hubungan antara Volume, Sabtu, (07.30-07.45) (19.30-19.45) (09.15-09.30) (18.30-18.45) Kecepatan, dan Kepadatan 9 30.17 km/jam 9.64 km/jam 30.41 km/jam 4.12 km/jam Analisis hubungan antara volume, September (07.00-07.15) (20.30-20.45) kecepatan, dan kepadatan di ruas A dan ruas B 2017 36.56 km/jam 13,9 km/jam (09.00-09.15) (20.00-20.15) menggunakan 3 model yaitu Greenshields, 39.57 km/jam 18.24 km/jam Greenberg, dan Underwood. Minggu, 10 Tabel 4. Hubungan Volume, Kecepatan dan Kepadatan Lalu Lintas Pada Ruas Jalan A. September 2017 Sumber: Hasil Analisis Data Tabel 5. Hubungan Volume, Kecepatan dan Senin, (07.00-07.15) (17.30-17.45) (07.45-08.00) (15.45-16.00) Kepadatan Lalu Lintas Pada Ruas Jalan A. 11 30.8 km/jam 8.21 km/jam 35.7 km/jam 5.3 km/jam September 2017 Sumber: Data Hasil Penelitian Tabel 3. Kecepatan Maksimum dan Minimum Kendaraan Motor (MC) Pada Ruas A dan Ruas B. Hari/tanggal Ruas A Ruas B Sabtu, Maks Min Maks Min 9 September (07.45-08.00) (19.30- (09.00-09.15) (18.15-18.30) 2017 39.6 km/jam 19.45) 36.42 km/jam 11.5 km/jam Minggu, 10 September 11.87 2017 km/jam Senin, (09.15-09.30) (18.30- (07.45-08.00) (18.15-18.30) 11 September 40.87 km/jam 24.07 km/jam 46.08 km/jam 18.45) 2017 16.22 km/jam (07.00-07.15) (19.45- (07.30-07.45) (15.30-15.45) 40.85 km/jam 12.73 km/jam 36.11 km/jam 20.00) 8.64 km/jam Sumber: Data Hasil Penelitian Dari tabel 2 dan 3 kecepatan maksimum sering terjadi pada waktu pagi dan siang hari sedangkan kecepatan minimum sering terjadi pada waktu sore hari dan malam hari. Kecepatan yang didapat dari Survey kendaraan Penyidik Berbasis GPS. Kecepatan lalu lintas pada ruas jalan A berdasarkan survey kecepatan dengan menggunakan kendaraan penyidik dapat dilihat pada gambar 8. Dimana nilai kecepatan lalu lintas tertinggi pada waktu siang hari yaitu pukul 14.15-14.30. KECEPATAN 20 15 10 5 0 14.15-14.30 14.00-14.15 13.45-14.00 13.30-13.45 13.15-13.30 13.00-13.15 12.45-13.00 12.30-12.45 12.15-12.30 12.00-12.15 11.45-12.00 11.30-11.45 INTERVAL WAKTU Sumber: Data Hasil Penelitian. Gambar 8. Kecepatan Kendaraan Penyidik Ruas A Sumber: Data Hasil Penelitian 17

Jurnal Ilmiah Media Engineering Vol.10 No.1, Mei 2020 (13-20), ISSN: 2087-9334 Dari hasil kalibrasi model Greenshields, MAE antara Volume Peramalan dan Greenberg, dan Underwood maka diperoleh Volume Lapangan ruas A pada tabel 7. hubungan volume, kecepatan, dan kepadatan Menunjukkan perbedaan yang tidak terlalu besar yang dapat dilihat pada tabel 4 dan 5. yaitu sekitar 5,52% dan kurang dari 15%. Perbandingan antara Volume Lapangan dan 6000 Volume Ramalan 5000 4000 Volume lapangan didapat dari hasil survey 3000 dan volume ramalan didapat dari data GPS yang 2000 kemudian disubtitusikan pada pemodelan yang 1000 dipilih yaitu pemodelan Greenshield. 0 4000 3000 2000 1000 0 VOLUME VOLUME 14.15-14.30WAKTU 14.00-14.15 13.45-14.00 13.30-13.45 13.15-13.30 13.00-13.15 12.45-13.00 12.30-12.45 12.15-12.30 12.00-12.15 11.45-12.00 11.30-11.45 14.15-14.30 14.00-14.15 13.45-14.00 13.30-13.45 13.15-13.30 13.00-13.15 12.45-13.00 12.30-12.45 12.15-12.30 12.00-12.15 11.45-12.00 11.30-11.45 Volume Peramalan Volume Lapangan Gambar 11. Perbandingan volume ruas B Sumber: Hasil Analisis Data. WAKTU Volume Peramalan Tabel 8. RMSE Volume Kendaraan Ruas B volume lapangan ������ ������ ^2 Gambar 10. Perbandingan volume ruas A Sumber: Hasil Analisis Data Tabel 6. RMSE Volume Kendaraan Ruas ������ ������ ^2 Sumber: Hasil Analisis Data. Sumber: Hasil Analisis Data. Perhitungan RMSE pada Tabel 8 memberikan data bahwa nilai rata-rata RMSE volume lapangan dan volume perbedaan antara volume ramalan dan volume ramalan tabel 19. Memberikan data ruas A lapangan yaitu sekitar 635 kendaraan/jam. memiliki rata-rata 360 smp/jam. Nilai MAE dari perbandingan volume Tabel 7. MAE Volume Kendaraan Ruas peramalan dan volume lapangan ruas jalan B yaitu 14.79% (Tabel 9). Tabel 9. MAE Volume Kendaraan Ruas B Sumber: Hasil Analisis Data. Sumber: Hasil Analisis Data 18

Jurnal Ilmiah Media Engineering Vol.10 No.1, Mei 2020 (13-20), ISSN: 2087-9334 PENUTUP berarti ketiga model tersebut dapat dipakai untuk merepresentasikan model arus Kesimpulan lalulintas dilokasi studi. Dalam penelitian ini Kesimpulan yang dapat diambil: model yang terpilih adalah Greenshields hal ini dilakukan dengan mempertimbangkan 1. Data parameter lalulintas yang diperoleh kelemahan dan kekurangan dari model dari penelitian ini menunjukkan bahwa, jam Greenberg dan Underwood. sibuk pada lokasi studi ruas jalan Jendral 3. Kondisi lalulintas suatu jalan dapat Ahmad Yani (Ruas A) adalah jam 18.30- diramalkan menggunakan data kendaraan 18.45, jumlah kendaraan bermotor penyidik berbasis GPS dengan tingkat didominasi oleh LV ( 52,34%), diikuti oleh keakuratan dapat diterima hasil penelitian MC (47.02%) dan yang paling kecil HV menunjukkan nilai MAE dan RMSE lebih (0,64%), volume lalu lintas maksimum 3364 kecil dari 15%. smp/jam dan volume minimum 1848 smp/jam. Jam sibuk pada lokasi ruas B yaitu Saran jalan Pierre Tendean adalah jam 16.00- 1. Hasil Penelitian ini dapat memberikan solusi 16.15, jumlah kendaraan bermotor didominasi oleh LV (56,94%), diikuti oleh bagi penguna jalan yang ingin melakukan MC (42,45%), dan yang paling kecil HV perjalanan dalam memilih akses yang ingin (0,61%), Volume lalu lintas maksimum dilalui guna untuk menghindari kemacetan. 4340,8 smp/jam dan volume minimum 2. Penggunaan kendaraan penyidik berbasis 1939,2 smp/jam. GPS untuk memperkirakan keadaan arus lalulintas diharapkan dapat memberikan 2. Dari hasil pemodelan arus lalu lintas kontribusi kepada pengembangan ilmu Greenshields, Greenberg, dan Underwood teknik sipil dalam bidang transportasi. untuk ketiga model memiliki R2 > 0,75 yang DAFTAR PUSTAKA Anonim, 2017. Panduan Penulisan Tesis. Program Studi Teknik Sipil Pascasarjana Universitas Sam Ratulangi Manado. Anonim, 1997. Manual Kapasitas Jalan Indonesia. Direktorat Jendral Bina Marga, Departemen Pekerjaan Umum. Homburger, W. S., Kell, J. H., 1981. Fundamental Traffic Engineering, Institute of Transportation Studies, University of California Sukirman, S., 1994. Dasar-Dasar Perencanaan Geometrik Jalan, Nova, Bandung. Tamin, O. Z., 2000. Perencanaan dan Pemodelan Transportasi, Penerbit ITB, Bandung. Wishnu, 2012. GPS pada Android. Jasakom, Jakarta. 19

Jurnal Ilmiah Media Engineering Vol.10 No.1, Mei 2020 (13-20), ISSN: 2087-9334 Halaman ini sengaja dikosongkan 20