Ringkasan Eksekutif — Disertasi Doktor Ilmu Teknik, Universitas Sriwijaya
Pemodelan Volume Lalu Lintas Terkini dengan Validasi Informasi Prediksi Kemacetan dari Waktu Tempuh Google Traffic
Muhammad Imaduddin — Program Doktor Ilmu Teknik, Fakultas Teknik, Universitas Sriwijaya (2026).
Dibimbing oleh Prof. Dr. Eng. Ir. Joni Arliansyah, M.T. (Promotor) dan Dr. Edi Kadarsa, S.T., M.T. (Ko-Promotor).
Pemodelan volume lalu lintas konvensional bergantung pada survei lapangan yang mahal, lambat, dan terbatas cakupannya. Penelitian ini mengembangkan dan memvalidasi pemanfaatan data waktu tempuh Google Traffic — ditarik melalui API setiap 5–15 menit — sebagai sumber utama estimasi volume lalu lintas terkini di Kota Palembang, melalui empat tahap penelitian yang saling menyambung.
Latar Belakang
Pencacahan manual mahal, lambat, dan terbatas cakupannya. Google Traffic menyajikan kecepatan lalu lintas dari agregasi jutaan sinyal GPS pengguna, tetapi ambang kemacetan dan keandalan volumenya belum pernah dikalibrasi terhadap ground truth lapangan sebelum penelitian ini.
Tujuan Penelitian
Menghasilkan model volume lalu lintas dari kecepatan Google Traffic yang tervalidasi terhadap pengukuran lapangan (speed gun, GPS ekor antrian, pencacahan manual), lalu menerapkannya dengan model Greenshields pada jaringan jalan kota.
Kebaruan
Kalibrasi empiris ambang kecepatan macet (25 km/jam), identifikasi “paradoks resolusi” — estimasi volume paling akurat justru saat macet — dan faktor koreksi panjang kemacetan berbasis GPS (×0.55).
Empat Tahap Penelitian
Tahap I
Validasi Zona Kemacetan
Kecepatan Google Traffic pada posisi ekor antrian (GPS) bermedian 25.4 km/jam — ambang zona macet dikalibrasi pada 25 km/jam. Panjang kemacetan berkorelasi kuat dengan GPS lapangan (r = 0.76, R² = 0.58, MAE 81 m dari 409 pasangan).
Tahap II
Pemodelan Volume Rezim Kemacetan
Model linier q = a + b·v mengestimasi volume dengan MAPE 5.9% dan korelasi 0.93 terhadap pencacahan lapangan. Ditemukan "paradoks resolusi": ketidakpastian estimasi naik dari 13–14% saat macet menjadi ~75% saat arus bebas.
Tahap III
Pemodelan Greenshields pada 26 Ruas Jalan
Diterapkan pada 26 ruas (52 arah, 4 tipe jalan) di Kota Palembang: volume model berkorelasi kuat dengan survei (R² = 0.87, Pearson 0.93), kesesuaian terbaik pada tipe jalan 6/3 D.
Tahap IV
Peningkatan Model dengan K-means & Response Surface
Untuk kelas jalan 2/2 UD, model permukaan respon kuadratik (K-means k=4, silhouette 0.452) menjelaskan 90.9% variasi volume (MAPE 16.4%) dari kecepatan arus bebas dan kecepatan macet saja.
Kesimpulan Utama
- Data Google Traffic yang terkalibrasi layak menjadi sumber utama estimasi volume lalu lintas yang berkelanjutan, efektif, dan efisien.
- Keandalan tertinggi justru pada kondisi kemacetan — kondisi yang paling dibutuhkan datanya untuk pengelolaan lalu lintas.
- Akurasi ditentukan oleh rezim lalu lintas dan resolusi spasial-temporal data, bukan oleh akurasi kecepatan itu sendiri.
Publikasi terkait: Imaduddin dkk., “Comparison of Traffic Volume Estimates from Greenshield Modeling Using Google Traffic Data and Field Survey Results in Palembang City, Indonesia”, Civil Engineering and Architecture (2025).
Lihat Model Ini Bekerja Secara Langsung
Jelajahi peta monitoring kemacetan (data sintetis real-time) dan dashboard pemodelan interaktif yang dibangun langsung dari alur penelitian ini.