Latent Class Analysis Faktor Sosio Demografi dan Persepsi Pengguna Kereta Rel Listrik (Krl) Tentang Alternatif Tarif dan Layanan Studi Kasus : Jakarta, Bogor, Depok, Tangerang dan Bekasi (Jabodetabek)
Gagas Dwi Pambudi1, Siti Malkhamah1*, Muhammad Zudhy Irawan1
1Departemen Teknik Sipil dan Lingkungan, Universitas Gadjah Mada, Yogyakarta, INDONESIA
*Corresponding author: malkhamah@ugm.ac.id
INTISARI
Peningkatan penumpang KRL di Jabodetabek harus diimbangi dengan kualitas pelayanan yang baik. Berdasarkan kondisi tersebut penelitian ini bertujuan mengidentifikasi karakteristik sosio demografi dan preferensi tarif berdasarkan persepsi pengguna KRL. Metode yang digunakan adalah Latent Class Analysis (LCA) untuk memetakan kelas pengguna berdasarkan sosio demografi dan Regresi Multinomial Logistik yang digunakan untuk menghitung probabilitas pemilihan alternatif tarif dan layanan (tujuh alternatif/skenario tarif). Sampel penelitian sebanyak 384 responden. Hasil dari penelitian ini terdapat 3(tiga) bentuk kelas/kelompok berdasarkan hasil LCA yaitu kelompok 1 (satu) dengan preferensi tarif Rp8.000, terdapat jaminan kebersihan dan kenyamanan, adanya keterpaduan jadwal dengan moda lain, kelompok kedua dengan preferensi tarif Rp13.000, terdapat jaminan kebersihan dan kenyamanan, keterpaduan jadwal dengan moda lain, dan kelompok ketiga dengan preferensi tarif Rp15.000, waktu tempuh lebih cepat, terdapat integrasi tiket dan jadwal, dan adanya jaminan kebersihan serta kenyamanan. Selanjutnya faktor yang berpengaruh berdasarkan alternatif yang ditawarkan adalah tarif, jaminan kebersihan dan kenyamanan, waktu tempuh serta keterpaduan jadwal. Secara keseluruhan jika tarif berubah sebanyak 88% pengguna tetap menggunakan KRL dengan tarif Rp8.000, waktu tempuh seperti eksisting, jaminan kebersihan dan kenyamanan serta keterpaduan jadwal.
REFERENSI
Casey Ignatius, F., Linggasari, D., & Hokbyan Angkat, dan. (2020). Analisis ATP-WTP terhadap Tarif KRL Lintas
Tanah Abang-Rangkasbitung (Studi Kasus: Stasiun Jurang Mangu).
Fraley, C., & Raftery, A. E. (1998). How many clusters? Which clustering method? Answers via model-based cluster
analysis. The computer journal, 41(8), 578–588.
Magidson, J., & Vermunt, J. K. (2004). Latent class models. The Sage handbook of quantitative methodology for the
social sciences, 175–198.
Nathanael, J., Linggasari, D., & Angkat, H. (2021). ANALISIS ATP-WTP PENUMPANG KERETA REL LISTRIK
LINTAS BOGOR-JAKARTA KOTA. JMTS: Jurnal Mitra Teknik Sipil, 4, 65.
https://doi.org/10.24912/jmts.v0i0.10454
Nylund, K. L., Asparouhov, T., & Muthén, B. O. (2007). Deciding on the number of classes in latent class analysis
and growth mixture modeling: A Monte Carlo simulation study. Structural equation modeling: A
multidisciplinary Journal, 14(4), 535–569.
Santoso, I. (1996). Perencanaan Prasarana Angkutan Umum. Bandung: Pusat Transportasi dan Komunikasi. Institut
Teknologi Bandung.
Sugiyono. (2017). Metode Penelitian Kuantitatif, Kualitatif, dan R&D. Alfabeta.
Swarjana. (2022). POPULASI-SAMPEL, TEKNIK SAMPLING & BIAS DALAM PENELITIAN. Penerbit Andi.
https://books.google.co.id/books?id=87J3EAAAQBAJ
Vermunt, J. K. (2005). Technical Guide for Latent GOLD Choice 4.0: Basic and Advanced.
https://www.researchgate.net/publication/252115605
Vermunt, J. K., & Magidson, J. (2016). Technical Guide for Latent GOLD 5.1: Basic, Advanced, and Syntax 1.
http://www.statisticalinnovations.comhttp://www.statisticalinnovations.comorcontactusat
Vrieze, S. I. (2012). Model selection and psychological theory: a discussion of the differences between the Akaike
information criterion (AIC) and the Bayesian information criterion (BIC). Psychological methods, 17(2), 228.
Yulianti, E. (2014). Analisis Pengaruh Perubahan Tarif Terhadap Potensi Permintaan KRL Jabodetabek.