1. Pendahuluan

Pembangunan Jalan Tol Yogyakarta–Bawen bertujuan untuk meningkatkan konektivitas serta mengembangkan wilayah Provinsi Jawa Tengah dan Provinsi Daerah Istimewa Yogyakarta, pada pelaksanaannya terdapat beberapa penyesuaian rencana usaha termasuk perubahan rencana pengoperasian sehingga diperlukan suatu penyesuaian rencana usaha salah satunya dengan melakukan usulan penyesuaian tarif tol. Penetapan tarif tol yang tepat penting untuk menjaga keseimbangan antara kelayakan investasi dan minat pengguna. Tarif yang terlalu rendah menurunkan pendapatan, sedangkan tarif terlalu tinggi mengurangi volume lalu lintas. Kajian terdahulu menunjukkan tarif berpengaruh signifikan terhadap kinerja lalu lintas dan aspek finansial, namun studi mengenai

^* Penulis Korespondensi: wisanggeni.teguh@gmail.com

tarif optimum pada Jalan Tol Yogyakarta–Bawen masih terbatas. Penelitian ini bertujuan menganalisis sensitivitas tarif terhadap volume lalu lintas dan menentukan tarif optimum yang menyeimbangkan kepentingan pengguna serta badan usaha.

Penelitian ini meninjau pengusahaan pada fase setelah dilakukan tender investasi jalan tol yaitu pada evaluasi operasional pasca penetapan Perjanjian Pengusahaan Jalan Tol (PPJT). Oleh karena itu, analisis yang dilakukan adalah evaluasi respons pengguna terhadap variasi tarif optimum dalam konteks maksimum pendapatan operasional (maximum revenue).

2. Tinjauan Pustaka

2.1. Konsep jalan tol

Menurut PP No. 15 Tahun 2005, jalan tol merupakan bagian dari jaringan jalan nasional yang penggunaannya dikenakan biaya. Jalan tol berfungsi mempercepat distribusi barang, menghubungkan pusat produksi dengan pasar, serta memberikan manfaat berupa pengurangan waktu tempuh, peningkatan keselamatan, dan efisiensi biaya operasi kendaraan. Penetapan tarif tol perlu disesuaikan dengan manfaat yang diterima pengguna, termasuk kualitas jalan, kenyamanan, dan fasilitas yang tersedia.

2.2. Formulasi model Bi-Level

Perancangan tarif tol optimal dapat dilakukan dengan pendekatan bi-level optimization, yang mempertimbangkan interaksi antara operator jalan tol dan pengguna (Fan Wei, 2015). Model ini relevan diterapkan pada wilayah dengan kepadatan lalu lintas tinggi karena mampu menyeimbangkan biaya dari sisi operator dan respon pengguna, sehingga kebijakan tarif lebih efektif dalam mengoptimalkan pendapatan (Grange et al., 2017). Secara umum, model bi-level terdiri dari dua tingkatan, yaitu upper level (operator) dan lower level (pengguna). Selain itu, pendekatan bi-level dalam konteks jaringan jalan berbayar terbukti efektif untuk mengevaluasi keseimbangan antara optimasi pendapatan dan distribusi lalu lintas pada kondisi permintaan elastis (Gupta et al., 2020).

2.2.1. Upper level

Pada tingkat atas (upper level), model bi-level berfokus pada penetapan kebijakan tarif dari sisi pengelola jalan tol dengan tujuan memaksimalkan pendapatan sekaligus menjaga volume lalu lintas tetap memadai. Formulasi ini dinyatakan dalam bentuk fungsi objektif

\[\max \left[ \sum_{k \in K} (v_k^*(y_k) y_k) \right] \tag{1}\]

\[y_k^{\min} \le y_k \le y_k^{\max}, k \in \overline{K}\]

\[y_k = 0, k \notin \overline{K} \text{ and } k \in K\]

Di mana:

v_k*(y_k) : arus kendaraan pada link (ruas) k pada saat tarif y_k diberlakukan pada kondisi equilibrium (hasil assigntment user equlibrium)

y_k : tarif tol pada link (ruas) k

2.2.2. Lower level

Pada tingkat bawah (lower level), model bi-level merepresentasikan respons pengguna jalan terhadap kebijakan tarif melalui pemilihan rute, dengan mempertimbangkan perbandingan biaya perjalanan dan manfaat yang diperoleh. Formulasi ini dinyatakan dalam fungsi objektif.

\[\max z(\tau_{wp}) = \sum_{k \in K} \int_0^{vk} C_k (v_k, y_k) dv_k\] (2)

\[v_k = \sum_{w \in W} \sum_{p \in P_w} f_p^w \times \delta_{kp}^w, k \in K\]

Di mana:

\(\tau_{wp}\) : Arus asal-tujuan (pasangan OD) w pada rute p

C_k( v_k,y_k) : Fungsi biaya perjalanan di ruas jalan k dengan arus v_k dan tarif tol yk.

v_k : Aliran lalu lintas di ruas k.

\(f_p^{\,\mathrm{w}}\) : Aliran pada jalur p untuk pasangan asal tujuan w.

δ_kpw : Variabel biner yang bernilai 1 jika ruas k digunakan di jalur p untuk w, dan 0 jika tidak.

Fungsi biaya perjalanan pada ruas k dapat diformulasikan secara umum sebagai berikut:

\[C_k(v_k,y_k) = t_{0k} \left( 1 + \alpha \left( \frac{v_k}{\text{Cap}_k} \right)^{\beta} \right) + \frac{y_k}{\text{VOT}}\]

Di mana

\(t_{0k}\): Waktu perjalanan bebas hambatan di ruas k.

\(\alpha\) dan \(\beta\): Koefisien empiris untuk fungsi BPR (biasanya \(\alpha\)=0.15 dan \(\beta\)=4).

Cap_k : Kapasitas maksimum ruas k.

2.2.3. Skenario Maximum Revenue

Menurut Grange et al. (2017), skenario maximum revenue (MR) mengoptimalkan pendapatan tol dengan menetapkan tarif optimum per segmen, mempertimbangkan respons pengguna terhadap

perubahan tarif. Tarif ditetapkan cukup tinggi untuk meningkatkan pendapatan, namun tetap menjaga jumlah pengguna, dengan memperhatikan hubungan kecepatan, kepadatan, aliran lalu lintas, serta kapasitas jalan. Pendekatan ini menyeimbangkan tujuan pendapatan dengan kenyamanan pengguna. Konsep MR pada jalan tol sesuai dengan teori ekonomi transportasi yang menyatakan bahwa tarif optimum tidak selalu identi dengan tarif tertinggi, melainkan berada pada titik keseimbangan antara tarif dan volume lalu lintas (Small & Verhoef, 2007).

2.3. Konsep nilai waktu

Nilai waktu perjalanan (Value of Time/VOT) adalah jumlah uang yang rela dibayarkan seseorang untuk menghemat waktu perjalanan, dan menjadi indikator penting dalam studi kelayakan transportasi karena mencerminkan manfaat ekonomis bagi pengguna (Tamin, 2000; Handayani et al., 2012). VOT mencakup biaya kesempatan yang diproksikan melalui pendapatan serta ketidaknyamanan relatif dari perjalanan (Hensher, 1989). Estimasi VOT umumnya dilakukan dengan income approach, yang mengasumsikan kesebandingan dengan pendapatan per kapita, atau behavioural approach melalui stated preference yang menilai kesediaan membayar atas penghematan waktu (Lubis et al., 2001; Imamah et al., 2023). Selain itu, nilai waktu juga merupakan komponen utama dalam analisis manfaat ekonomi transportasi dan kebijakan tarif berbasis efisiensi jaringan (Small & Verhoef, 2007). Dalam konteks jalan berbayar, nilai waktu berperan langsung dalam membentuk respons pengguna terhadap perubahan tarif dan kemacetan (Litman, 2022)

2.4. Hubungan tarif terhadap nilai waktu dan volume lalu lintas

Hubungan tarif dengan nilai waktu dan volume lalu lintas dapat dianalisis melalui metode stated preference yang menilai preferensi individu terhadap alternatif perjalanan (Handayani et al., 2012). Peningkatan nilai waktu cenderung meningkatkan pendapatan tol, karena pengguna berpendapatan tinggi lebih bersedia membayar demi penghematan waktu (Fan Wei, 2015; Caesariawan et al., 2015). Di sisi lain, kenaikan tarif dapat menurunkan volume lalu lintas, namun selama penurunannya tidak signifikan, pendapatan tol tetap dapat meningkat (Prasetyo & Zuraida, 2020). Hal ini menegaskan pentingnya penetapan tarif yang seimbang untuk menjaga kelancaran lalu lintas sekaligus keberlanjutan investasi jalan tol.

2.5. Sensitivitas lalu lintas terhadap perubahan tarif

Sensitivitas lalu lintas terhadap perubahan tarif dipengaruhi oleh faktor seperti panjang rute, jarak tempuh, dan waktu perjalanan (Aboudina et al., 2017). Sensitivitas ini menentukan perubahan perilaku pengguna, mulai dari pemilihan rute hingga

pembatalan perjalanan. Penelitian menunjukkan bahwa tarif yang mempertimbangkan sensitivitas pengguna lebih efektif dalam mengatur permintaan dan meningkatkan efisiensi jaringan, dibandingkan tarif yang hanya berorientasi pada pendapatan. Penetapan tarif tol tidak hanya berfungsi sebagai instrumen pengembalian investasi, tetapi juga sebagai mekanisme manajemen permintaan yang memengaruhi distribusi lalu lintas dan pemilihan rute pengguna jalan (Jin et al., 2022)

2.6. Pemodelan lalu lintas makro

Sistem transportasi makro terdiri dari sistem kegiatan, jaringan, dan pergerakan yang saling berkaitan (Tamin, 2000). Pemodelan lalu lintas berfungsi memprediksi pola pergerakan dan mengelola arus, salah satunya melalui pendekatan empat tahap (trip generation, distribution, mode choice, assignment) (Mardiati, 2014). Berdasarkan skala, model dibedakan menjadi mikro, makro, dan meso. Model makroskopik dinilai paling sesuai untuk analisis skala besar karena mampu mengevaluasi strategi jaringan secara agregat, meskipun kurang detail dalam menggambarkan kondisi dinamis (Melouk et al., 2009).

3. Metodologi

3.1. Bagan alir penelitian

Pelaksanaan penelitian akan dilaksanakan dengan tahapan sebagaimana digambarkan dalam bagan alir pada Gambar 1.

3.2. Tahapan penelitian

Penelitian ini dilakukan melalui beberapa tahapan, yaitu: (1) perumusan masalah dan tujuan berdasarkan studi literatur; (2) pengumpulan data; (3) pengolahan data meliputi perhitungan nilai waktu (ATP dan WTP) serta pemodelan transportasi makro dengan PTV Visum; (4) analisis sensitivitas lalu lintas terhadap variasi tarif; dan (5) penarikan kesimpulan serta penyusunan rekomendasi kebijakan tarif.

3.3. Lokasi penelitian

Penelitian ini berlokasi pada Jalan Tol Yogyakarta– Bawen sepanjang ±75,12 km yang menghubungkan Sleman hingga Semarang. Jalan tol ini dipilih karena perannya sebagai jalur alternatif strategis untuk mengurangi kepadatan arteri eksisting, meningkatkan konektivitas wilayah, serta pentingnya kajian tarif dan proyeksi lalu lintas guna menjamin keberlanjutan investasi dan manfaat bagi pengguna.

3.4. Identifikasi masalah

Permasalahan utama penelitian ini adalah potensi pendapatan tol yang tidak optimal akibat penetapan tarif yang kurang tepat, serta sensitivitas hubungan tarif dan volume lalu lintas yang dapat memengaruhi

jumlah pengguna.

3.5. Pengumpulan data

3.5.1. Pengumpulan data pendukung sekunder

Data sekunder yang digunakan meliputi rencana pengembangan wilayah dan transportasi, data sosialekonomi (BPS), data pengusahaan Jalan Tol Yogyakarta—Bawen, data geometrik jalan nasional dan tol, serta data asal—tujuan pergerakan orang dan kendaraan di Jawa Tengah dan DIY.

Gambar 1. Diagram Alir Penelitian

3.5.2. Pengumpulan data lalu lintas sekunder

Data lalu lintas diperoleh melalui survei lapangan yang dilakukan pada Kajian Lalu Lintas PT Jasamarga Jogja Bawen berupa wawancara stated preference untuk mengukur ATP–WTP calon pengguna, serta pencacahan volume lalu lintas harian dan jam puncak pada ruas terkait.

3.5.2.1. Pengolahan data

Data yang telah didapatkan kemudian diolah melalui perhitungan, klasifikasi, dan analisis deskriptif, yang kemudian menjadi input utama untuk analisis dan pemodelan transportasi.

3.5.2.2. Pemodelan lalu lintas makro

Pemodelan lalu lintas makro dilakukan dengan perangkat lunak PTV Visum untuk mensimulasikan

arus di koridor Jalan Tol Yogyakarta–Bawen. Pemodelan mencakup jaringan jalan di Jateng dan DIY dengan zona internal dan eksternal, meliputi tahapan pembangunan jaringan, penentuan zona, konversi tarif tol ke fungsi hambatan, serta penyusunan matriks asal-tujuan. Validasi model dilakukan melalui perbandingan hasil simulasi dengan survei lalu lintas menggunakan koefisien determinasi (R²).

Nilai R² dihitung dengan persamaan sebagai berikut:

\[R^2 = \frac{\Sigma(\dot{Y}_1 \cdot \dot{Y}_1)^2}{\Sigma(\dot{Y}_1 \cdot \dot{Y}_1)^2} \tag{4}\]

Keterangan

Ýi = nilai hasil y pemodelan

Yi = nilai y hasil observasi

Ŷ = rata-rata nilai y

= koefisien determinasi

Pada penelitian ini disyaratkan R² lebih besar dari 0.50.

Analisis data 3.6.

Analisis data meliputi tiga tahap: (1) perhitungan nilai waktu berdasarkan ATP dan WTP, (2) proyeksi volume lalu lintas melalui pemodelan makro menggunakan PTV Visum, dan (3) analisis sensitivitas volume terhadap berbagai skenario tarif untuk menentukan respon pengguna jalan serta tingkat sensitivitas terhadap perubahan tarif.

Pengumpulan dan Pengolahan Data

4.1. Pengumpulan dan pengolahan data

Data penelitian diperoleh dari PT Jasa Marga (Persero) Tbk dan PT Jasamarga Jogia Bawen berdasarkan Kajian Lalu Lintas PT Jasamarga Jogja Bawen (2023), data kemudian diolah menjadi parameter perhitungan sebagai dasar analisis.

4.1.1. Ability to Pay dan Willingness to Pay

Nilai ATP dan WTP diperoleh dari survei stated preference terhadap 300 responden pengguna potensial Jalan Tol Yogyakarta - Bawen yang dilakukan dalam Kajian Lalu Lintas PT Jasamarga Jogja Bawen (2023). Hasil studi menunjukkan nilai ATP sebesar Rp21.715/jam dan Rp2.204/km. Sementara itu, nilai WTP diperoleh melalui analisis

Tabel 1. Perbandingan data ATP dan WTP

Tabel 2. Data nilai waktu

Nilai waktu didasarkan pada hasil analisis willingness to pay (WTP) dan kalibrasi berdasarkan benchmark beberapa ruas tol di Pulau Jawa dalam model milik PT Jasa Marga (Persero) Tbk seperti

stated preference menggunakan model logit untuk mengukur trade-off waktu dan biaya, dengan hasil peluang pemilihan jalan tol. Peluang terpilihnya jalan tol berdasarkan hasil studi PT Jasamarga Jogja Bawen adalah sebagai berikut.

\[P_{tol} = \frac{exp(1,62318 + (-9,6609E - 06)X_1 + (-0,00302)X_2)}{1 + exp(1,62318 + (-9,6609E - 06)X_1 + (-0,00302)X_2)}\]

Berdasarkan kurva sensitivitas pada Gambar 2, nilai WTP ditetapkan pada 50% pengguna. Pada jarak 76,3 km diperoleh tarif Rp167.610 atau Rp2.196/km

Gambar 2. Sensitivitas Perubahan Potensi Pengguna Jalan Tol Terhadap Perubahan Tarif

4.1.2. Nilai waktu

Nilai waktu perjalanan atau Value of Time (VoT) merepresentasikan kesediaan pengguna membayar untuk menghemat waktu. Nilai tersebut tergambar dari hasil WTP yang telah dilakukan oleh PT Jasa Marga (Persero) Tbk khususnya pada ruas di wilayah Pulau Jawa sebagai berikut:

diatas ini

Nilai waktu ini kemudian digunakan sebagai parameter utama dalam fungsi hambatan (impedance) pada pemodelan dengan PTV Visum.

4.1.3. Besar keuntungan biava operasi kendaraan

Berdasarkan PP No. 23 Tahun 2024, penetapan tarif tol awal memperhitungkan kemampuan bayar, nilai waktu, serta Besar Keuntungan Biaya Operasi Kendaraan (BKBOK). Formula perhitungan BKBOK yang digunakan adalah sebagai berikut:

\[\begin{array}{l} BKBOK = (BOK_{jalan \ non\text{-tol}} - BOK_{jalan \ tol}) - (NW_{jalan \ non\text{-tol}} - NW_{jalan \ tol}) \end{array}\]

Hasil kajian ruas Tol Yogyakarta–Bawen (2023) menunjukkan nilai BKBOK Rp 218.530 atau Rp 2.864/km, dengan 70% BKBOK setara Rp Tabel 3. Hasil Perhitungan BKBO Jalan Tol Yogyakarta – Bawen

4.2. Perhitungan kapasitas dan kecepatan arus bebas

4.2.1. Kapasitas jalan luar kota

Kapasitas jalan luar kota dihitung dengan rumus: C=C^o x FCw x FCsp x FCsf. Pada penelitian ini digunakan asumsi: tipe jalan 4 lajur 2 arah terbagi (4/2D), alinyemen datar, lebar jalur 3,5 m, pemisahan arah 50–50, kelas hambatan samping tinggi, serta lebar bahu efektif <0,5 m

Tabel 4. Faktor Penyesuaian Kapasitas Jalan

Sehingga kapasitas Jalan Luar Kota adalah: C=1.900×1,00×1,00×0,99 =1881 smp/jam/lajur

4.2.2. Kapasitas jalan bebas hambatan

Kapasitas dari jalan bebas hambatan dapat dicari dengan rumus: C= C⁰ ×FCW×FCSP.

Sehingga kapasitas Jalan Bebas Hambatan adalah: C=2.300×1,00×1,00 =2300 smp/jam

4.2.3. Kecepatan arus bebas jalan luar kota

Kecepatan Arus Bebas dari jalan luar kota dapat

2.004/km. Hasil Perhitungan BKBOK Jalan Tol Yogyakarta – Bawen dapat dilihat pada Tabel 3.

dicari dengan rumus:

FV=(FVO+FVW)×FFVSF×FFVRC

Beberapa asumsi yang akan diambil adalah:

Tabel 5. Faktor Penyesuaian Kecepatan Arus Bebas Jalan Luar Kota

Kecepatan arus bebas pada jalan perkotaan adalah FV=൫78+(0)൯×0,98×1,00 = 76 km/jam.

4.2.4. Kecepatan arus bebas jalan bebas hambatan

Kecepatan arus Jalan Bebas Hambatan dapat dicari dengan rumus: FV= FV0+FV^W

Sehingga kapasitas Jalan Bebas Hambatan adalah FV=88+0,80 =88 km/jam.

4.3. Pemodelan eksisting

4.3.1. Pemodelan eksisting

Pemodelan jaringan jalan dengan PTV Visum dilakukan untuk lima jenis kendaraan (MC, CAR, LGV, MGV, HGV) dengan nilai ekivalen mobil penumpang (emp) 0,5; 1,0; 1,0; 1,5; dan 2,16. Jaringan dimodelkan melalui node dan link yang mencakup jalan nasional dan jalan tol di Jawa Tengah serta DIY.

4.3.2. Zona

Pemodelan lalu lintas dibagi ke dalam 44 zona, terdiri atas 40 zona internal (kabupaten/kota di Jawa Tengah dan DIY) dan 4 zona eksternal, yaitu DKI Jakarta–Banten, Jawa Barat, Jawa Timur bagian utara, serta Jawa Timur bagian selatan.

4.3.3. Matriks asal tujuan

Matriks asal-tujuan (MAT) pada pemodelan menggunakan data Kajian Review dan Sinkronisasi Pemodelan Lalu Lintas Pulau Jawa (PT Jasa Marga, 2023), dibedakan berdasarkan jenis kendaraan (MC, CAR, LGV, MGV, HGV) dalam satuan kendaraan/jam dan dihubungkan ke jaringan jalan melalui konektor zona pada PTV Visum.

Validasi 4.3.4.

Validasi jaringan dilakukan dengan membandingkan volume hasil pemodelan (tahun dasar 2023) terhadap data traffic counting di 13 titik sampel pada koridor

Jalan Tol Yogyakarta-Bawen, dengan tingkat akurasi diukur menggunakan koefisien determinasi (R2). Hasil grafik regresi linier antara volume hasil pemodelan dengan volume hasil traffic counting ditunjukkan pada gambar berikut.

Gambar 3. Validasi Model

Tabel 6. Skenario Tarif Tahun 2029

Hasil validasi menunjukkan nilai determinasi (\(R^2\)) = 0,7922 (>0,7), sehingga model dinyatakan cukup baik dalam memprediksi kondisi arus lalu lintas pada koridor Jalan Tol Yogyakarta-Bawen.

Analisis dan Pembahasan 5.

5.1. Kinerja lalu lintas skenario eksisting

Pemodelan lalu lintas tahun dasar

Tol Yogyakarta-Bawen menunjukkan Jalan meningkatkan kinerja jaringan dengan kenaikan kecepatan rata-rata dari 35,14 menjadi 35,32 km/jam dan penurunan VCR dari 0,69 menjadi 0,63, yang menandakan perbaikan efisiensi lalu lintas.

5.2. Proyeksi lalu lintas skenario tahun 2029

Proyeksi MAT untuk lalu lintas 2029 dihitung dengan metode Furness, dengan asumsi Jalan Tol Yogyakarta-Bawen sudah beroperasi penuh. Dari proyeksi tersebut dilakukan running model berdasarkan skenario tarif pada Tabel 6.

Nilai tarif dimasukkan ke dalam model sebagai fungsi impedance.

Fungsi Tarif Impedance = \[\frac{Tarif Rp/km}{1.000}\]/Nilai Waktu

Pemodelan skenario dilakukan dua kali, yakni dengan asumsi nilai waktu tetap (Rp1.250/menit) dan nilai waktu meningkat akibat inflasi 3%/tahun hingga 2029 (Rp1.493/menit).

Hasil Output Running Visum untuk Volume Lalu Lintas tahun 2029 untuk masing-masing skenario tarif dapat dilihat pada Tabel 7 dan Tabel 8.

Tabel 7. Proyeksi Lalu Lintas Tahun 2029 (Tanpa Kenaikan Nilai Waktu)

Weighted Average 6740 5612 4678 3618 2884 2502 2165

Tabel 8. Proyeksi Lalu Lintas Tahun 2029 (Nilai Waktu Sesuai Inflasi)

5.3. Proyeksi lalu lintas skenario tahun 2039

Proyeksi MAT untuk lalu lintas tahun 2039 dilakukan dengan metode Furness. Dari proyeksi tersebut dilakukan running model berdasarkan skenario tarif sebagai berikut.

Tabel 9. Skenario Tarif Tahun 2039

Skenario 4 2000 3000 4000 Skenario 5 2350 3525 4700 Skenario 6 2500 3750 5000 Skenario 7 2700 4050 5400

Proyeksi 2039 dilakukan dengan dua asumsi nilai waktu: tetap Rp1.250/menit dan naik menjadi Rp2.006/menit akibat inflasi 3% per tahun, dengan tarif tol eksisting diasumsikan tetap.

Hasil Output Running Visum untuk Volume Lalu Lintas tahun 2039 untuk masing-masing skenario tarif dapat dilihat pada Tabel 10 dan Tabel 11.

Tabel 10. Proyeksi Lalu Lintas Tahun 2039 (Tanpa Kenaikan Nilai Waktu)

Tabel 11. Proyeksi Lalu Lintas Tahun 2039 (Nilai Waktu Sesuai Inflasi)

5.4. Analisis sensitivitas volume lalu lintas terhadap tarif

Perubahan volume lalu lintas dalam penelitian ini dipengaruhi oleh perubahan besaran tarif dan nilai waktu perjalanan. Hasil pemodelan menunjukan bahwa volume lalu lintas tahun 2039 lebih tinggi dibandingkan tahun 2029 pada tingkat tarif yang sama. Penurunan volume yang terjadi sebagai respons atas kenaikan tarif, menunjukkan elastisitas permintaan pengguna terhadap perubahan biaya perjalanan.

Dari hasil volume pemodelan lalu lintas pada tahun 2029 dan 2039 didapatkan grafik hubungan sensitivitas antara volume lalu lintas dan tarif tol seperti yang terlihat pada Gambar 4, Gambar 5, Gambar 6, dan Gambar 7.

Gambar 4. Sensitivitas Tarif terhadap Volume Lalu Lintas 2029 (Tanpa Kenaikan Nilai Waktu)

Dengan asumsi nilai waktu naik akibat inflasi (Rp1.493/menit), pemodelan 2029 menunjukkan penurunan volume lalu lintas ±900 kendaraan/jam pada tarif Rp750-Rp1.500/km, dan \(\pm 700\)kendaraan/jam pada tarif >Rp1.500/km untuk setiap

kenaikan Rp250/km.

Gambar 5. Sensitivitas Tarif terhadap Volume Lalu Lintas 2029 (Nilai Waktu Naik Sesuai Inflasi)

Dengan asumsi nilai waktu konstan (Rp1.250/menit), pemodelan 2039 menunjukkan setiap kenaikan tarif Rp350/km menurunkan volume lalu lintas \(\pm 900\) kendaraan/jam pada tarif Rp1.000– Rp2.350/km, dan \(\pm 600\) kendaraan/jam pada tarif >Rp2.350/km.

Gambar 6. Sensitivitas Tarif terhadap Volume Lalu Lintas 2039 (Tanpa Kenaikan Nilai Waktu)

Gambar 7. Sensitivitas Tarif terhadap Volume Lalu Lintas 2039 (Nilai Waktu Naik Sesuai Inflasi)

Dengan asumsi nilai waktu meningkat akibat inflasi (Rp2.006/menit), pemodelan 2039 menunjukkan setiap kenaikan tarif Rp350/km menurunkan volume lalu lintas ±800 kendaraan/jam pada tarif Rp1.000–

Rp2.700/km dengan perubahan relatif stabil.

5.5. Analisis sensitivitas pendapatan tol terhadap tarif

Pendapatan Per Seksi (Rp/jam) = Volume Lalu

Lintas Per Seksi Per Golongan (Kend/jam) x Tarif Per Golongan x Panjang km Seksi

Untuk proyeksi tahun 2029 tanpa kenaikan nilai waktu, diperoleh pendapatan tol untuk masingmasing skenario tarif sebagai berikut:

Tabel 12. Pendapatan Tol Tahun 2029 (Tanpa Kenaikan Nilai Waktu)

Gambar 8. Sensitivitas Pendapatan Terhadap Tarif Tol Tahun 2029 (Tanpa Kenaikan Nilai Waktu)

Nilai tarif awal (x) yang menghasilkan pendapatan maksimal (y) untuk tahun 2029 tanpa kenaikan nilai waktu dapat dihitung sebagai turunan dari fungsi dimaksud (titik puncak parabola):

\[Y = -209,29X^2 + 520622X + 108\]
\[dY/dX = 2*(-209,29)X + 520622\]

dY/dX = 0

X = 1.300 menghasilkan pendapatan maksimum tahun 2029

Untuk proyeksi tahun 2029 dengan asumsi nilai waktu naik sesuai inflasi, diperoleh pendapatan tol untuk masing-masing skenario tarif sebagai berikut pada Tabel 13.

Nilai tarif awal (x) yang menghasilkan pendapatan maksimal (y) untuk tahun 2029 dengan kenaikan nilai waktu sesuai inflasi dapat dihitung sebagai turunan dari fungsi dimaksud (titik puncak parabola):

\[Y = -228,11X^2 + 666437X + 8*10^7\]

\[dY/dX = 2*(-228,11)X + 666437\]

dY/dX = 0

X 1.400 menghasilkan pendapatan maksimum untuk tahun 2029 dengan kenaikan nilai

Tabel 13. Pendapatan Tol Tahun 2029 (Nilai Waktu Naik Sesuai Inflasi)

Gambar 9. Sensitivitas Pendapatan Terhadap Tarif Tol Tahun 2029 (Nilai Waktu Naik Sesuai Inflasi)

Untuk proyeksi tahun 2039 tanpa kenaikan nilai waktu, diperoleh pendapatan tol untuk masingmasing skenario tarif sebagai berikut.

Tabel 14. Pendapatan Tol Tahun 2039 (Tanpa Kenaikan Nilai Waktu)

2350 767 058 229

Nilai tarif awal (x) yang menghasilkan pendapatan maksimal (y) untuk tahun 2039 tanpa kenaikan nilai waktu dapat dihitung sebagai turunan dari fungsi dimaksud (titik puncak parabola):

\[Y = -166,56X^2 + 668945X + 10^8\]

\[dY/dX = 2*(-166,56)X + 668945\]

\[dY/dX = 0\]

1.900 menghasilkan pendapatan maksimum untuk tahun 2039

Gambar 10. Sensitivitas Pendapatan Terhadap Tarif Tol Tahun 2039 (Tanpa Kenaikan Nilai Waktu)

Untuk proyeksi tahun 2039 dengan asumsi nilai waktu naik sesuai inflasi, diperoleh pendapatan tol untuk masing-masing skenario tarif sebagai berikut:

Tabel 15.Pendapatan Tahun 2039 Tal (Nilai Waktu Naik Sesuai Inflasi)

Gambar 11. Sensivitas Pendapatan Terhadap Tarif Tahun 2039 (Nilai Waktu Naik Sesuai Inflasi)

Nilai tarif awal (x) yang menghasilkan pendapatan maksimal (y) untuk tahun 2039 dengan kenaikan nilai waktu sesuai inflasi dapat dihitung sebagai turunan dari fungsi dimaksud (titik puncak parabola):

\[Y = -209,39X^2 + 886824X + 4*10^7\]

\[dY/dX = 2*(-209,39)X + 886824\]

\[dY/dX = 0\]

X = 2.130 menghasilkan pendapatan maksimum untuk tahun 2039 dengan kenaikan nilai waktu

5.6. Analisis maksimum revenue

Hasil perbandingan tarif dan estimasi pendapatan tol adalah sebagai berikut pada Tabel 16.

Tabel 16. Daftar Tarif dan Pendapatan Masing-Masing Skenario

Gambar 12. Pendapatan vs Tarif Tol Tahun 2029

Berdasarkan penelitian, analisis menunjukkan tarif optimum untuk memaksimalkan pendapatan Tol Yogyakarta-Bawen sebesar Rp1.400/km (2029) dan Rp2.130/km (2039) untuk kendaraan Golongan I.

Kesimpulan

Pada penelitian ini terdapat beberapa kesimpulan sebagai berikut:

Perubahan tarif tol berpengaruh signifikan terhadap volume lalu lintas; semakin tinggi tarif, semakin rendah volume, dengan tarif optimum cenderung lebih kecil pada awal operasi.

Pendapatan tol dipengaruhi oleh kombinasi tarif dan volume; tarif terlalu tinggi tidak selalu menghasilkan pendapatan maksimum.

Kenaikan nilai waktu meningkatkan volume lalu lintas dalam model dan mendorong kenaikan tarif optimum. Hasil penelitian pada ruas Jalan Tol Yogyakarta-Bawen menunjukkan:

Tahun 2029: tarif optimum Rp1.400/km (VoT inflasi) dan Rp1.300/km (VoT tetap).

Tahun 2039: tarif optimum Rp2.130/km (VoT inflasi) dan Rp1.900/km (VoT tetap).

Penerapatan tarif yang tinggi pada awal operasi dan kenaikan tarif yang tinggi saat jalan tol sudah beroperasi belum tentu menghasilkan pendapatan tol yang maksimum. Evaluasi penetapan tarif dapat dilakukan dengan mempertimbangkan variabelvariabel lain di luar nilai waktu dan besaran tarif antara lain perilaku pengguna jalan, pengembangan sistem jaringan jalan, rencana pengoperasian, pertumbuhan ekonomi, serta faktor lain yang dapat mempengaruhi arus lalu lintas dan tarif.