Perpustakaan Digital ITB

Ketidakrataan permukaan jalan merupakan salah satu indikator dalam penilaian kinerja fungsional perkerasan. Ketidakrataan permukaan jalan memengaruhi keamanan dan kenyamanan pengguna jalan, serta memengaruhi kebutuhan penanganan dalam kegiatan preservasi jalan. International Roughness Index (IRI) digunakan sebagai ukuran kuantitatif ketidakrataan jalan dalam satuan m/km. Di Indonesia, data IRI dikumpulkan secara periodik per semester sehingga dapat dimanfaatkan untuk meninjau perubahan ketidakrataan dari waktu ke waktu. Ketersediaan data tersebut membuka peluang untuk mengevaluasi kesesuaian hasil prediksi IRI terhadap IRI observasi pada periode yang sama. Salah satu metode yang dapat digunakan untuk melakukan prediksi IRI adalah metode Paterson. Metode ini mempertimbangkan IRI awal, kapasitas struktural perkerasan dan tanah dasar, beban lalu lintas kumulatif, koefisien lingkungan, serta waktu. Meskipun demikian, kesesuaian metode Paterson terhadap data observasi perlu diukur karena model empiris tidak selalu mampu merepresentasikan variasi kondisi lapangan secara langsung. Penelitian ini bertujuan untuk menganalisis perbandingan IRI prediksi metode Paterson terhadap IRI observasi berdasarkan pengukuran kesalahan prediksi dan menentukan faktor pengali dalam persamaan prediksi IRI metode Paterson yang lebih sesuai berdasarkan kalibrasi. Ruas tinjauan terdiri atas 3 (tiga) ruas jalan nasional di Jawa Barat, yaitu Ruas Bagbagan – Jampang Kulon, Ruas Cikembang – Bagbagan, dan Ruas Sewo – Lohbener. Data yang digunakan meliputi data IRI tahun 2023 semester 1 – tahun 2025 semester 1, data Falling Weight Deflectometer (FWD) tahun 2023 semester 1, data tes pit, dan data lalu lintas tahun 2023 semester 1. Data IRI tahun 2023 semester 1 digunakan sebagai IRI awal, sedangkan data IRI tahun 2023 semester 2 – tahun 2025 semester 1 digunakan sebagai IRI observasi pembanding. Data FWD dan tes pit diolah untuk memperoleh kapasitas struktural perkerasan dan tanah dasar, sedangkan data lalu lintas diolah untuk memperoleh beban lalu lintas kumulatif. Tahapan penelitian meliputi pengumpulan data, pengolahan data IRI, FWD, tes pit, dan lalu lintas, segmentasi jalan berdasarkan progresi IRI, prediksi IRI menggunakan metode Paterson, pengukuran kesalahan prediksi, kalibrasi faktor pengali, serta penarikan implikasi penggunaan metode Paterson. Segmentasi jalan dilakukan untuk memilih segmen yang memiliki nilai IRI berprogresi selama periode tinjauan. Pengukuran kesalahan prediksi dilakukan menggunakan koefisien determinasi (R-squared), Mean Error (ME), dan Mean Absolute Percentage Error (MAPE). Koefisien determinasi digunakan untuk menilai kemampuan IRI prediksi metode Paterson dalam menjelaskan variasi IRI observasi. ME digunakan untuk menilai arah bias prediksi. MAPE digunakan untuk menilai besar kesalahan relatif prediksi. Kalibrasi faktor pengali dilakukan dengan meminimalisasi Sum of Squared Errors (SSE) antara IRI prediksi terkalibrasi dan IRI observasi. Hasil penelitian menunjukkan bahwa IRI prediksi metode Paterson cenderung meningkat secara bertahap seiring bertambahnya periode tinjauan pada seluruh lajur tinjauan. Namun, peningkatan tersebut relatif kecil dan tidak selalu sesuai dengan peningkatan IRI observasi yang lebih variatif. Nilai koefisien determinasi cenderung menurun seiring bertambahnya periode tinjauan pada sebagian besar lajur tinjauan. Hal ini menunjukkan bahwa kemampuan IRI prediksi metode Paterson dalam menjelaskan variasi IRI observasi melemah seiring bertambahnya periode tinjauan. Pada beberapa lajur tinjauan lainnya, koefisien determinasi bernilai negatif selama periode tinjauan, yang berkaitan dengan keterbatasan jumlah segmen analisis dan keterbatasan rentang variasi IRI observasi. Nilai ME cenderung bergerak ke arah negatif seiring bertambahnya periode tinjauan. Kecenderungan tersebut menunjukkan bahwa IRI prediksi semakin rendah dibandingkan IRI observasi, sehingga metode Paterson menghasilkan prediksi IRI yang cenderung optimis. Sementara itu, nilai MAPE cenderung meningkat seiring bertambahnya periode tinjauan, tetapi masih berada pada kategori prediksi sangat baik sampai baik. Kalibrasi menunjukkan bahwa faktor pengali yang lebih sesuai bernilai lebih besar dibandingkan faktor pengali awal senilai 1,04. Faktor pengali terkalibrasi senilai 1,071 pada seluruh segmen analisis, senilai 1,070 pada Ruas Bagbagan – Jampang Kulon, senilai 1,045 pada Ruas Cikembang – Bagbagan, dan senilai 1,120 pada Ruas Sewo – Lohbener. Perbedaan nilai tersebut menunjukkan bahwa besarnya faktor pengali dipengaruhi oleh karakteristik dan variabilitas dari set data lokal tinjauan. Secara keseluruhan, kalibrasi faktor pengali memperbaiki nilai ME, tetapi tidak memperbaiki nilai koefisien determinasi secara signifikan dan cenderung sedikit meningkatkan nilai MAPE. Dengan demikian, kalibrasi faktor pengali belum memperbaiki performa prediksi IRI menggunakan metode Paterson secara utuh. Kesimpulan penelitian ini menunjukkan bahwa metode Paterson layak digunakan sebagai pendekatan awal dalam prediksi IRI untuk jangka waktu analisis yang relatif pendek dengan mempertimbangkan keterbatasan yang ada. Namun, kecenderungan prediksi yang optimis perlu diperhatikan karena dapat memengaruhi prediksi RSL dan penetapan bentuk penanganan preservasi. Penelitian selanjutnya disarankan menggunakan jumlah segmen analisis yang lebih banyak, rentang IRI observasi yang lebih bervariasi, periode tinjauan yang lebih panjang, data FWD dan data lalu lintas dengan interval yang lebih rapat, serta kalibrasi terhadap faktor pengali hubungan beban lalu lintas yang direduksi oleh kapasitas struktural perkerasan dan tanah dasar.