PEMODELAN KEBUTUHAN RUANG PARKIR PADA RUMAH MAKAN (RESTAURANT) DI KOTA SURAKARTA

Abstract

Fasilitas parkir pada rumah makan (restaurant) merupakan suatu kewajiban yang harus dimiliki oleh pengelola agar tidak akan menimbulkan gangguan terhadap lalu lintas yang lewat di sekitar lokasi. Menurut Peraturan Menteri Perhubungan Republik Indonesia Nomor PM 75 Tahun 2015 tentang Penyelenggaraan Analisis Dampak Lalu Lintas rumah makan dengan minimal 100 tempat duduk harus memiliki Analisis Dampak Lalu Lintas. Pemodelan kebutuhan parkir ini sebagai pertimbangan atau dasar bagi pemerintah untuk menentukan jumlah minimal satuan ruang parkir (SRP) yang harus disediakan agar tidak mengganggu lalu lintas disekitar. Untuk itu tujuan dari penelitian ini adalah untuk mendapatkan model kebutuhan ruang parkir sepeda motor dan model kebutuhan ruang parkir mobil pada rumah makan (restaurant) di Kota Surakarta.

Variabel yang digunakan dalam penelitian berupa akumulasi parkir maksimum mobil dan sepeda motor sebagai variabel terikat (Y) didapatkan dari survei kendaraan dengan metode kordon survei. Variabel bebas terdiri dari luas bangunan (m²) (X₁), jumlah kursi (buah) (X₂), dan jumlah karyawan (orang) (X₃). Penelitian ini menggunakan analisis regresi dengan bantuan software SPSS dalam pembentukan dan pengujian model. Penelitian model dilakukan dengan dua cara, cara pertama seluruh sampel (6 lokasi) dibuat model dan dimodelkan terhadap salah satu model terbaik. Cara kedua, model dibuat dari 5 lokasi dan dimodelkan 1 lokasi untuk simulasi model..

Dari hasil analisis didapatkan model terbaik untuk cara pertama yaitu sepeda motor Y = 24,341 + 0,084X₁ dengan R² = 0,914 dengan nilai selisih rata-rata sebesar 7,2%, untuk mobil Y = -20,413 + 0,275X₂ dengan R² = 0,608 dengan nilai selisih rata-rata sebesar 16,90%. Untuk model terbaik dengan cara kedua didapatkan model untuk mobil Y = 5,7070 + 0,022X₁ dengan R² = 0,824 dengan nilai selisih 33,87%, untuk motor Y = 22,869 + 0,087X₁ dengan R² = 0,930 dengan nilai selisih 8,58%. Kedua model tersebut dipilih berdasarkan uji-uji signifikan, simultan, normalitas, linieritas, multikolinieritas. Sehingga dapat disimpulkan bahwa model memenuhi kriteria BLUE (Best Linier Unbias Estimator).