Machine Translated by Google

Material Jalan dan Desain Perkerasan

ISSN: 1468-0629 (Cetak) 2164-7402 (Online) Beranda jurnal: http://www.tandfonline.com/loi/trmp20

Biaya siklus hidup deterministik dan probabilistik

analisis lapisan perkerasan jalan dengan kondisi pra-
lapisan yang berbeda

Hao Wang & Zilong Wang

Mengutip artikel ini: Hao Wang & Zilong Wang (2017): Biaya siklus hidup deterministik dan probabilistik
analisis lapisan perkerasan dengan kondisi pra-lapisan yang berbeda, Material Jalan dan Perkerasan
Desain, DOI: 10.1080/14680629.2017.1374996
Untuk menautkan ke artikel ini: http://dx.doi.org/10.1080/14680629.2017.1374996

Diterbitkan secara online: 12 Sep 2017.

Kirimkan artikel Anda ke jurnal ini

Lihat artikel terkait

Lihat data Tanda Silang

Syarat & Ketentuan lengkap akses dan penggunaan dapat ditemukan di

http://www.tandfonline.com/action/journalInformation?journalCode=trmp20

Unduh oleh: [Perpustakaan Universitas Sussex] Tanggal: 12 September 2017, Pukul: 12:26
 Machine Translated by Google

Desain Material dan Perkerasan Jalan, 2017

https://doi.org/10.1080/14680629.2017.1374996

Analisis biaya siklus hidup deterministik dan probabilistik pada

pelapisan perkerasan dengan kondisi pra-pelapisan yang berbeda
Hao Wangaÿ dan Zilong Wangb

aDepartemen Teknik Sipil dan Lingkungan, Rutgers, The State University of New Jersey, New Brunswick, NJ, AS
bGemini Technologies, Inc., Egg Harbor, NJ, AS

(Diterima 21 Maret 2017; diterima 22 Agustus 2017)

Penelitian ini bertujuan untuk mengevaluasi pengaruh kondisi pra-pelapisan terhadap kinerja perkerasan
dan mengembangkan pendekatan deterministik dan probabilistik untuk menganalisis efektivitas biaya
alternatif pelapisan perkerasan. Data kondisi perkerasan yang dikumpulkan dari Sistem Manajemen
Perkerasan digunakan untuk menganalisis masa pakai lapisan atas perkerasan dengan berbagai kondisi
pra-lapisan dan ketebalan lapisan atas. Analisis biaya siklus hidup deterministik dan probabilistik (LCCA)
pertama kali dilakukan untuk membandingkan biaya siklus hidup (LCC) dari perlakuan overlay yang berbeda.
Uji statistik membuktikan bahwa perkiraan umur overlay untuk rehabilitasi mayor jauh lebih tinggi
dibandingkan umur overlay untuk rehabilitasi minor. Hasil LCCA deterministik menunjukkan bahwa
terdapat ambang batas indeks distress permukaan (SDI) pra-overlay dimana LCC sama antara perawatan
rehabilitasi mayor dan minor. Analisis sensitivitas menunjukkan bahwa rasio biaya antara perawatan
rehabilitasi mayor dan minor mempunyai pengaruh yang signifikan terhadap ambang batas SDI. Hasil
LCCA probabilistik menunjukkan kemungkinan variasi LCC untuk perawatan rehabilitasi yang berbeda.
Indeks probabilitas diusulkan untuk mengukur probabilitas bahwa LCC rehabilitasi minor lebih besar
dibandingkan LCC rehabilitasi mayor. Hasil analisis menunjukkan bahwa indeks probabilitas menurun
seiring dengan meningkatnya nilai SDI pra-overlay atau rasio biaya antara perawatan rehabilitasi mayor
dan minor. Efektivitas biaya perawatan rehabilitasi dapat dianalisis menggunakan pendekatan LCCA
yang dikembangkan dalam penelitian ini dengan mempertimbangkan berbagai indikator kinerja perkerasan
dan parameter analisis.

Kata Kunci: lapisan perkerasan jalan; kondisi pra-lapisan; analisis biaya siklus hidup; indeks marabahaya
permukaan; pendekatan deterministik dan probabilistik
[Perpustakaan
Universitas
September
Diunduh
Sussex]

Perkenalan
12:26
2017
pada
oleh
12

Pemahaman tentang kinerja pelapisan perkerasan sangat penting bagi instansi jalan raya karena pelapisan
perkerasan yang tepat waktu dapat memaksimalkan manfaat bagi pengguna sesuai anggaran instansi yang terbatas.
Ruas perkerasan setelah dilakukan pelapisan ulang biasanya mempunyai kapasitas struktur yang berbeda
dibandingkan dengan ruas perkerasan baru. Tergantung pada kondisi perkerasan eksisting dan perlakuan pelapisan
ulang, kinerja pelapisan ulang perkerasan dapat bervariasi secara signifikan pada beban lalu lintas dan kondisi
lingkungan yang serupa.
Sejumlah penelitian sebelumnya telah menyelidiki kinerja pelapisan perkerasan dengan mempertimbangkan
pengaruh lalu lintas, suhu, ketebalan, kondisi sebelum pelapisan ulang, material, dan ketebalan pelapisan
ulang. Kandil (2001) menyelidiki pengaruh ketebalan lapisan beton aspal dan jenis campuran (perawan vs.
daur ulang) terhadap kinerja perkerasan jangka panjang di Kanada dan menemukan pengaruh yang terbatas

*Penulis yang sesuai. Email: hwang.cee@rutgers.edu

© 2017 Informa UK Limited, diperdagangkan sebagai Taylor & Francis Group

 Machine Translated by Google

2 H. Wang dan Z. Wang

pada umur layanan yang diharapkan dalam kondisi tertentu. Hall, Correa, dan Simpson (2003) menganalisis
data kinerja perkerasan yang dikumpulkan di AS dan menemukan bahwa pengaruh jenis campuran lapisan luar (vir-
gin vs. daur ulang) dan persiapan pra-lapisan ulang (dengan atau tanpa penggilingan) terhadap kinerja lapisan atas
tidak signifikan dan temuannya tidak konsisten. Sousa, Pais, dan Way (2005) menganalisis
pengembangan retak reflektif untuk bagian uji lapangan di AS dan Eropa dan usulan metode desain pelapisan
perkerasan berbasis mekanis dengan mempertimbangkan kondisi sebelum pelapisan ulang. Minhoto,
Pais, Pereira, dan Picado-Santos (2005) dan Minhoto, Pais, dan Pereiraand (2008) mengevaluasi
kinerja pelapisan aspal terkait dengan lalu lintas, material (campuran panas aspal karet vs. campuran konvensional),
dan variasi suhu untuk desain pelapisan perkerasan komposit di
Portugal. Baek, Ozer, Wang, dan Al-Qadi (2010) menganalisis pengaruh kondisi antarmuka
pelat beton eksisting termasuk kekakuan antar muka dan kekuatan rekat pada retak reflektif
perkembangan.
Li dan Wen (2014) mengevaluasi pengaruh metode perbaikan pra-pelapisan dan kondisi perkerasan terhadap
kinerja lapisan aspal. Hasil analisis statistik menunjukkan bahwa penggilingan
lebih efektif untuk perkerasan aspal; sedangkan untuk perkerasan komposit, perkerasan beton
patching lebih efektif. Hung, Rezaei, dan Harvey (2014) menyelidiki dampak perbaikan,
kondisi pra-lapisan, jenis permukaan, dan jenis pengikat pada kehalusan lapisan awal dan menemukannya
Indeks Kekasaran Internasional (IRI) pra-overlay dan ketebalan overlay mempunyai pengaruh yang signifikan
terhadap IRI pasca-overlay. Sarwar dan Anastasopoulos (2016) menggunakan kuadrat terkecil tiga tahap
(3SLS) model untuk mengevaluasi pengaruh karakteristik lalu lintas, kondisi pra-overlay, perlakuan dan
karakteristik permukaan, drainase, dan kondisi lingkungan pada IRI, kedalaman alur, dan peringkat kondisi
perkerasan. Dibandingkan dengan persamaan regresi tradisional, model 3SLS menyediakan
akurasi yang lebih baik untuk prediksi kinerja perkerasan dengan mempertimbangkan persamaan silang. Dong dan
Huang (2012) mengevaluasi pengaruh berbagai faktor terhadap efektivitas biaya rehabilitasi perkerasan dan
menemukan bahwa lapisan atas yang tipis, tingkat lalu lintas yang tinggi, dan kondisi perkerasan yang buruk sebelumnya
rehabilitasi meningkatkan tingkat kerusakan lapisan baru. Wang dan Wang (2013) menganalisis peningkatan
ketahanan selip perkerasan dalam jangka pendek dan jangka panjang tergantung pada kondisi yang berbeda.
perawatan pelestarian.
Karena keterbatasan anggaran, instansi jalan raya negara sedang mencari panduan mengenai hal tersebut
waktu dan jenis perawatan terbaik untuk pemeliharaan perkerasan jalan. Analisis ekonomi, seperti
analisis biaya siklus hidup (LCCA), telah banyak digunakan untuk menentukan waktu optimal perawatan rehabilitasi
dalam hal efektivitas biaya dan rasio manfaat-biaya perawatan. Santos
dan Ferreira (2013a, 2013b) merumuskan kerangka analisis siklus hidup di tingkat proyek dan
mempelajari alternatif desain perkerasan di Portugal menggunakan model optimasi dengan mempertimbangkan
[Perpustakaan
Universitas
September

kinerja perkerasan. Analisis sensitivitas dilakukan untuk mengevaluasi pengaruh tingkat diskonto
Diunduh
Sussex]

LCCA. Mirzadeh, Butt, Toller, dan Birgisson (2014) menganalisis kontribusi item biaya fundamental, biaya terkait
12:26
2017
pada
oleh
12

energi dan waktu dengan indeks inflasi yang berbeda, dalam LCCA
perkerasan aspal di Swedia. Wang dan Wang (2017a) memperoleh waktu perkerasan yang optimal
pelestarian dengan meminimalkan biaya agensi dan biaya pengguna secara terpisah.
Baru-baru ini, telah ditekankan bahwa LCCA probabilistik harus digunakan untuk mempertimbangkan
variasi statistik dari parameter masukan (mean, varians, dan distribusi probabilitas).
nilai deterministik untuk menangkap variasi acak data kinerja perkerasan
(Li & Madanu, 2009; Swei, Gregory, & Kirchain, 2013; Tighe, 2001). Salem, Abou Rizk, dan
Ariaratnam (2003) mengembangkan model biaya siklus hidup (life-cycle cost/LCC) berbasis risiko untuk setiap
alternatif rehabilitasi perkerasan jalan dan mengevaluasi tingkat ketidakpastian dalam perkiraan LCC. Lidicker, Sathaye,
Madanat, dan Horvath (2013) mengevaluasi kebijakan pelapisan ulang perkerasan dengan mempertimbangkan
trade-off antara meminimalkan LCC dan emisi gas rumah kaca. Harvey, Rezaei, dan Lee (2012)
mengembangkan model LCCA probabilistik dan membandingkan beberapa skenario pemeliharaan perkerasan
dibandingkan dengan kasus kontrol.
 Machine Translated by Google

Material Jalan dan Desain Perkerasan 3

Namun, hanya sedikit penelitian yang telah dilakukan untuk mempertimbangkan pengaruh kondisi perkerasan
eksisting terhadap kinerja pelapisan perkerasan dalam pemilihan tindakan rehabilitasi. Secara khusus, analisis
ekonomi terhadap pilihan pengobatan yang berbeda perlu dilakukan dalam siklus hidup pengobatan untuk
memberikan informasi yang lebih baik dalam pengambilan keputusan.

Tujuan dan ruang

lingkup Penelitian ini berfokus pada LCCA rehabilitasi perkerasan jalan dengan menggunakan pendekatan
deterministik dan probabilistik. Dua jenis perlakuan dengan ketebalan penggilingan dan lapisan atas yang berbeda dipertimbangkan.
Pengaruh kondisi pra-overlay terhadap model kinerja overlay dipelajari menggunakan data lapangan.
Biaya tahunan seragam yang setara digunakan untuk membandingkan efektivitas biaya alternatif pelapisan
perkerasan jalan. Ambang batas indeks kondisi permukaan pra-lapisan diusulkan untuk memilih perawatan rehabilitasi
dengan LCC yang lebih sedikit.

Analisis umur lapisan perkerasan

Pengumpulan data kinerja perkerasan Data

kinerja perkerasan dari tahun 2000 hingga 2015 pada 145 ruas perkerasan dikumpulkan dari Sistem Manajemen
Perkerasan (PMS) Departemen Transportasi New Jersey (NJDOT).
Ruas-ruas tersebut semuanya merupakan perkerasan aspal yang direhabilitasi dengan lapisan aspal pada waktu
yang berbeda setelah tahun 2000. Ruas perkerasan tersebut tersebar di NJ dan mencakup jalan raya antar negara
bagian (23 ruas), jalan raya negara bagian (32 ruas), dan jalan raya NJ (90 ruas). Dua jenis pengikat aspal (PG
76-22 dan PG 64-22) digunakan pada lapisan perkerasan tergantung pada volume lalu lintas truk. Ketebalan
penggilingan bervariasi antara 2 dan 4 inci dan kisaran ketebalan lapisan atas mencakup 2–6 inci untuk perawatan
rehabilitasi yang berbeda. Perlu diketahui bahwa pelapisan ulang yang menambah ketebalan perkerasan keseluruhan
ditetapkan sebagai rehabilitasi besar, sedangkan pelapisan ulang yang tidak menambah ketebalan perkerasan
keseluruhan ditetapkan sebagai rehabilitasi minor.
NJDOT mengumpulkan data kinerja perkerasan setiap tahunnya, termasuk IRI, Surface Distress Index (SDI),
dan kedalaman alur. SDI mewakili kondisi permukaan perkerasan dengan skala 0–5. Ini menggabungkan indeks
marabahaya yang tidak berhubungan dengan beban (NDI) di luar jalur roda dan indeks marabahaya yang
berhubungan dengan beban (LDI). LDI mempertimbangkan keretakan yang berhubungan dengan beban pada jalur
roda dan kedalaman alur; sedangkan NDI mempertimbangkan keretakan yang tidak berhubungan dengan beban di
luar jalur roda. Data tingkat kerusakan retak dikumpulkan melalui survei kaca depan; sedangkan kedalaman alur
[Perpustakaan
Universitas
September

dan data IRI dikumpulkan menggunakan laser profiler. SDI rata-rata diperoleh untuk setiap bagian perkerasan yang
Diunduh
Sussex]

diaplikasikan dengan overlay dari pengukuran SDI asli yang diambil setiap 0,1 mil untuk menghilangkan variasi SDI
12:26
2017
pada
oleh
12

dalam satu bagian perkerasan yang terutama disebabkan oleh subjektivitas penilai manusia.

Berdasarkan rekomendasi dalam PMS, kondisi perkerasan dikatakan buruk jika SDI lebih kecil dari 2,4 atau IRI
lebih besar dari 170 inci/mil dan baik jika SDI lebih besar 3,5 dan IRI lebih kecil dari 95. Sebaliknya, bila Ketika
lapisan atas dipasang, SDI biasanya meningkat menjadi 5 atau mendekati 5. Melalui analisis data dan konsultasi
dengan insinyur NJDOT, SDI lebih disukai sebagai indikator kondisi perkerasan karena IRI biasanya tidak mencapai
kriteria kegagalan untuk rehabilitasi setelah 10 tahun. .

Sifat material perkerasan diperkirakan mempengaruhi kinerja perkerasan, serta faktor-faktor lainnya. Model
kinerja perkerasan yang ideal harus merupakan fungsi dari semua faktor yang mempengaruhi (bahan, struktur, lalu
lintas, dan lingkungan). Namun, hal ini tidak realistis untuk model kinerja perkerasan yang dikembangkan pada
tingkat jaringan. Dalam studi ini, kinerja perkerasan diasumsikan sebagai fungsi umur perkerasan setelah konstruksi
atau rehabilitasi. Asumsi ini
 Machine Translated by Google

4 H. Wang dan Z. Wang

Hal ini sah mengingat struktur perkerasan dengan desain material yang berbeda dirancang untuk mempunyai
umur perkerasan yang serupa di bawah lalu lintas desain. Diharapkan bahwa sifat material secara rinci akan
dipertimbangkan dalam tingkat proyek desain lapisan atas.

Perhitungan umur lapisan perkerasan

Meskipun format model yang berbeda (model linier, eksponensial, polinomial, dll.) telah digunakan untuk
menggambarkan data kondisi perkerasan, banyak di antaranya yang tidak membatasi kurva agar sesuai
dengan batas, sehingga tidak dapat mensimulasikan pembangunan. tren SDI secara akurat. Model sigmoidal
(bentuk S) dipilih dalam penelitian ini karena dapat memberikan akurasi pemasangan yang tinggi serta
membatasi kurva pemasangan dalam batas kondisi perkerasan (Jackson, Deighton, & Huft, 1996). Model
sigmoidal telah direkomendasikan oleh beberapa penelitian untuk memprediksi kerusakan perkerasan karena
memenuhi kriteria model kinerja (Chen, Cacalline, Thompson, & Ogunro, 2011; Chen & Mastin, 2016; Sotil &
Kaloush, 2004; Wang, Wang , Hawar, & Sheehy, 2015).

Model sigmoidal (bentuk S) yang diusulkan ditunjukkan pada Persamaan (1), dimana koefisien b1 dan c1 dapat
menggambarkan proses kerusakan. Koefisien b1 menunjukkan tingkat kerusakan antar bagian perkerasan yang
berbeda; sedangkan koefisien c1 menjelaskan perubahan laju kerusakan seiring berjalannya waktu.

SDI = SDI0 ÿ exp(a1 ÿ b1 × c1 (ln(1/Umur))), (1)

dimana SDI adalah indeks marabahaya permukaan; SDI0 adalah indeks marabahaya permukaan pada tahun
nol (biasanya 5); Usia adalah tahun sejak awal pembangunan perawatan rehabilitasi terakhir; dan a1, b1, c1
merupakan koefisien model dengan a = ln(SDI0) dan SDIterminal = 2.4.
Analisis regresi nonlinier dengan metode kuadrat terkecil dilakukan untuk memperoleh tiga parameter model
untuk setiap bagian perkerasan. Untuk membangun model yang andal, outlier SDI diidentifikasi dan dikeluarkan
dari model regresi. Outlier adalah titik data yang secara signifikan lebih besar atau lebih kecil dibandingkan titik
data di dekatnya. Misalnya, jika perubahan SDI lebih besar dari tiga dalam satu tahun tanpa alasan tertentu,
maka data tersebut dianggap tidak valid dan dikeluarkan dari analisis. Rata-rata, ada delapan titik data SDI di
setiap seksi. Nilai rata-rata R-kuadrat dari fungsi penyesuaian untuk semua bagian adalah 72%, yang
menunjukkan bahwa secara umum model sigmoidal cocok dengan tren penurunan SDI.

Berdasarkan analisis regresi, umur pelapisan perkerasan dilakukan untuk setiap bagian ketika SDI mencapai
2,4. Ruas perkerasan tersebut meliputi 112 ruas dengan rehabilitasi minor dan 33 ruas dengan rehabilitasi
[Perpustakaan
Universitas
September

mayor. Gambar 1(a) menunjukkan distribusi umur layanan lapisan atas yang dihitung untuk seluruh bagian
Diunduh
Sussex]

perkerasan. Tes Anderson – Darling digunakan untuk menilai apakah suatu sampel berasal dari distribusi
12:26
2017
pada
oleh
12

tertentu. Berdasarkan hasil pengujian statistik, distribusi umur overlay ditemukan berdistribusi log-normal
dengan nilai p sebesar 0,14, yang jauh lebih tinggi dari nilai ambang batas sebesar 0,05.

Boxplot distribusi frekuensi umur perkerasan setelah dua kali perawatan rehabilitasi ditunjukkan pada
Gambar 1(b). Boxplot adalah cara mudah untuk mendeskripsikan kelompok data numerik secara grafis melalui
lima indeks statistik: nilai sampel minimum, kuartil bawah, median, kuartil atas, dan nilai sampel maksimum.
Hasil penelitian menunjukkan bahwa umur perkerasan pada bagian rehabilitasi minor menunjukkan variasi
yang relatif lebih tinggi dengan jumlah outlier yang sedikit. Rata-rata umur overlay setelah rehabilitasi minor
adalah 8 tahun dengan koefisien variasi (CV) sebesar 50%, sedangkan rata-rata umur overlay setelah
rehabilitasi mayor adalah 10 tahun dengan CV 27%.

Untuk menentukan apakah kehidupan yang ditumpangkan dengan perawatan rehabilitasi yang berbeda
signifikan secara statistik, uji statistik non-parametrik dilakukan. Karena beberapa kumpulan data
 Machine Translated by Google

Material Jalan dan Desain Perkerasan 5

Gambar 1. (a) Distribusi frekuensi dan (b) diagram kotak umur overlay.

terdistribusi miring, uji Mann-Whitney U lebih disukai karena dapat digunakan untuk beberapa perbandingan
[Perpustakaan

tanpa membuat asumsi mengenai distribusi data (misalnya normalitas) (Ott & Longnecker, 2000). Ditemukan
Universitas
September

bahwa umur overlay setelah rehabilitasi minor secara signifikan lebih kecil dibandingkan umur overlay
Diunduh
Sussex]
12:26

setelah rehabilitasi mayor ( nilai p satu sisi sama dengan 0,0001). Hasil penelitian menunjukkan bahwa
2017
pada
oleh
12

kinerja bagian rehabilitasi minor dan rehabilitasi mayor mempunyai ciri khas dan perlu dipertimbangkan
dalam pemilihan jenis rehabilitasi.

Pengaruh kondisi pra-pelapisan terhadap penurunan kinerja

Biasanya, kinerja pelapisan perkerasan dipengaruhi oleh struktur perkerasan eksisting, pembebanan lalu
lintas, kondisi pra-pelapisan ulang, dan perlakuan pelapisan ulang. Bagian perkerasan yang dimasukkan
dalam analisis dianggap memiliki struktur perkerasan yang sesuai untuk memikul beban lalu lintas dan
kinerja pelapisan ulang terutama dipengaruhi oleh kondisi pra-pelapisan dan perlakuan pelapisan ulang.
Dalam hal ini, kondisi pra-lapisan berperan sebagai indikator gabungan yang mencakup pengaruh sifat
material, struktur perkerasan, dan lalu lintas.
Analisis korelasi Pearson dilakukan untuk menguji apakah ada korelasi antara SDI pra-overlay dengan
parameter kinerja perkerasan model overlay. Pearson
 Machine Translated by Google

6 H. Wang dan Z. Wang

Gambar 2. Hubungan antara SDI sebelum overlay dan tingkat kerusakan SDI (b1 pada Persamaan (1)) untuk
(a) rehabilitasi kecil di jalan raya antar negara bagian; (b) rehabilitasi besar-besaran di jalan raya antar negara bagian; (c) di bawah umur
rehabilitasi di jalan raya non-antarnegara; (d) rehabilitasi besar-besaran di jalan raya non-antar negara bagian.

koefisien korelasi untuk a1, b1, dan c1 yang ditunjukkan pada Persamaan (1) ditemukan sebesar 0, 0,7, dan 0,2,
masing-masing. Dapat disimpulkan bahwa kondisi pra-overlay sangat mempengaruhi parameter model
b1 bila kinerja pelapisan perkerasan diwakili oleh SDI; sedangkan dua parameter model lainnya a1 dan c1 tidak
memiliki korelasi yang jelas terhadap nilai SDI pra-overlay. Nilai rata-rata
parameter a1 masing-masing sebesar 1,58 dan 1,6 untuk rehabilitasi minor dan mayor;
[Perpustakaan

sedangkan nilai rata-rata parameter c1 berturut-turut adalah 3,4 dan 2,6 untuk minor dan mayor
Universitas
September

rehabilitasi.
Diunduh
Sussex]
12:26
2017
pada

Hubungan antara SDI pra-overlay dan tingkat kerusakan SDI (b1 pada Persamaan
oleh
12

(1)) setelah overlay ditunjukkan pada Gambar 2. Nilai R-square yang relatif rendah disebabkan oleh
variasi sifat material, lalu lintas, dan ketebalan lapisan pada bagian perkerasan yang berbeda. Ketidakpastian
parameter regresi akan dipertimbangkan dalam analisis probabilistik
LCC. Ditemukan bahwa penurunan kinerja setelah rehabilitasi kecil cukup besar
lebih terpengaruh oleh kondisi pra-overlay dibandingkan dengan kasus rehabilitasi besar. Ini
masuk akal karena rehabilitasi minor memiliki ketebalan lapisan atas yang lebih kecil setelah penggilingan.
Hubungan antara SDI sebelum overlay dengan tingkat kemunduran SDI setelah minor dan mayor
rehabilitasi ditentukan dengan menggunakan analisis regresi masing-masing seperti ditunjukkan pada Persamaan (2)
dan (3).

Rehabilitasi ringan : b1 = 2,4 × SDI pra-overlay + 2,1 R2 = 56%, (2)

Rehabilitasi mayor : b1 = 1,2 × SDI pra-overlay + 3,1 R2 = 61%. (3)

 Machine Translated by Google

Material Jalan dan Desain Perkerasan 7

Analisis siklus hidup deterministik

Perumusan LCCA

LCCA berfungsi sebagai teknik analisis untuk menilai potensi dampak ekonomi yang terjadi
pada waktu yang berbeda dalam siklus hidup. Ini memberikan metodologi yang efektif untuk membandingkan perbedaannya
di antara alternatif yang bersaing dengan mempertimbangkan biaya yang berbeda. Dua indikator ekonomi biasanya
digunakan dalam LCCA: nilai sekarang bersih (NPV) dan biaya tahunan seragam yang setara (EUAC).
NPV dapat mengkonversi seluruh biaya yang terjadi pada tahun yang berbeda menjadi satu tahun dasar; sementara EUAC
mendistribusikan NPV ke biaya tahunan dalam seluruh siklus hidup berdasarkan tingkat diskonto dan perlakuan
kehidupan, seperti yang ditunjukkan pada Persamaan (4) dan (5) (FHWA, 2004). Studi ini memilih EUAC sebagai jurusan
indikator karena dapat diterapkan untuk membandingkan strategi rehabilitasi yang berbeda ketika dianggarkan
untuk pemeliharaan perkerasan jalan biasanya dilakukan setiap tahun. Selain itu, ia mampu membandingkan hasil LCCA
dengan periode analisis yang berbeda. Dalam analisisnya, rehabilitasi berbeda
perlakuan diterapkan pada tahun yang sama tetapi mempunyai masa pakai yang berbeda sebelum SDI tercapai
titik kegagalan (SDI = 2.4).
C
NPV = T, (4)
(1 + saya)

T
saya(1 + saya)
EUAC = NPV , (5)
(1 + saya)
T
ÿ1

dimana c adalah biaya pengobatan; i adalah tingkat diskonto (diasumsikan 4% dalam penelitian ini); dan t adalah pengobatan
hidup yang bervariasi tergantung pada jenis pengobatan.
Berdasarkan data lapangan yang dikumpulkan dari NJDOT, biaya pengobatan per yard persegi di New
Jersey bervariasi antara $25 dan $58, tergantung pada penggilingan dan ketebalan lapisan atas. Yang khas
biaya pengobatan ($32 dan $43) digunakan dalam analisis untuk rehabilitasi kecil dan besar,
masing-masing.
Gambar 3 menunjukkan perhitungan EUAC untuk rehabilitasi minor dan mayor dengan perbedaan
kondisi sebelum overlay. Hasilnya jelas menunjukkan perbedaan biaya antara kedua perawatan tersebut
bervariasi dengan kondisi pra-overlay. Tren umum menunjukkan bahwa ketika SDI pra-overlay
rendah, EUAC rehabilitasi minor lebih tinggi dibandingkan EUAC rehabilitasi mayor; ketika
SDI sebelum overlay mencapai sekitar 2,5, EUAC dari dua rehabilitasi menjadi setara; selanjutnya EUAC rehabilitasi mayor
sedikit lebih besar dibandingkan EUAC rehabilitasi minor.
Trennya menunjukkan bahwa pengobatan yang lebih hemat biaya bisa berupa rehabilitasi kecil atau besar
[Perpustakaan
Universitas
September
Diunduh
Sussex]
12:26
2017
pada
oleh
12

Gambar 3. LCC rehabilitasi pada SDI pra-overlay yang berbeda.

 Machine Translated by Google

8 H. Wang dan Z. Wang

tergantung pada kondisi pra-overlay. Nilai SDI yang setara dengan EUAC rehabilitasi minor dan mayor didefinisikan
sebagai ambang batas SDI untuk menentukan perawatan rehabilitasi yang hemat biaya. Dengan kata lain, rehabilitasi
minor lebih hemat biaya bila SDI pra-overlay lebih besar dari ambang batas SDI, dan sebaliknya.

Analisis sensitivitas biaya pengobatan dan tingkat diskonto

Untuk mengetahui pengaruh biaya pengobatan dan tingkat diskonto terhadap LCCA, dilakukan analisis sensitivitas.
Pengaruh biaya pengobatan terhadap ambang batas SDI ditunjukkan pada Gambar 4(a).
Hal ini menunjukkan bahwa rasio biaya antara rehabilitasi mayor dan rehabilitasi minor berpengaruh signifikan
terhadap ambang batas SDI. Pengenalan rasio biaya dibandingkan nilai biaya riil karena dapat menunjukkan
perbedaan biaya relatif antar berbagai perlakuan dengan lebih baik. Hasilnya menunjukkan bahwa ketika rasio biaya
meningkat, ambang batas SDI menurun drastis. Hubungan tersebut dapat disesuaikan dengan fungsi pangkat
dengan nilai R-kuadrat yang sangat tinggi.
Dengan cara serupa, Gambar 4(b) menunjukkan pengaruh tingkat diskonto terhadap ambang batas SDI untuk
dua rasio biaya yang berbeda, yaitu rehabilitasi besar dan kecil. Dapat dilihat bahwa pengaruh tingkat diskonto tidak
begitu berpengaruh dibandingkan pengaruh biaya pengobatan mengingat kisaran tingkat diskonto yang praktis (Walls
& Smith, 1998). Pengaruh tingkat diskonto terhadap ambang batas SDI lebih menonjol
[Perpustakaan
Universitas
September
Diunduh
Sussex]
12:26
2017
pada
oleh
12

Gambar 4. Pengaruh (a) rasio biaya (tingkat diskonto sebesar 4%); dan (b) tingkat diskonto ambang batas SDI
(rasio biaya konstan).
 Machine Translated by Google

Material Jalan dan Desain Perkerasan 9

ketika rasio biaya menurun. Terlihat juga bahwa ambang batas SDI lebih sensitif terhadap
tingkat diskonto ketika tingkat diskonto berada pada kisaran 1–4%.

LCCA Probabilistik

Variasi dalam model kinerja overlay

Meskipun model LCCA deterministik bersifat langsung, model ini tidak mampu diterapkan
variabilitas dan ketidakpastian variabel input dan menunjukkan pengaruhnya terhadap keekonomian
pertimbangan. Hasil analisis terhadap tren penurunan SDI di 145 sektor menunjukkan tren yang nyata
variasi model kemunduran SDI (parameter a1, b1, dan c1 pada Persamaan (1)), seperti
ditunjukkan pada Tabel 2. Variasi ini dapat mempengaruhi keakuratan hasil LCCA. Dengan demikian, penggabungan
variasi parameter masukan dalam LCCA dapat menghasilkan rentang LCC yang probabilistik.
nilai biaya tunggal.
Dalam LCCA probabilistik, variasi parameter model SDI (a1, b1, c1) seharusnya
dipertimbangkan. Rerata dan CV ditentukan berdasarkan hasil analisis 145 bagian seperti terlihat pada Tabel 1.
Sebagai distribusi parameter a1, dan c1 pada SDI
model (Persamaan (1)) tidak mengikuti distribusi umum, pengambilan sampel dilakukan secara acak
digunakan dalam analisis. Namun untuk parameter b1 pada model SDI relatif besar
variasi antar bagian yang berbeda terutama disebabkan oleh variasi SDI pra-overlay,
seperti yang ditunjukkan pada Gambar 3. Oleh karena itu, tidak masuk akal untuk menggunakan simulasi Monte
Carlo untuk pengambilan sampel acak parameter model b1. Pada penelitian ini analisis Bayesian dengan Markov Chain
Metode Monte Carlo (MCMC) digunakan untuk menginterpretasikan variabilitas parameter kinerja (b1) akibat faktor
yang mempengaruhi (pra-overlay SDI), yang dijelaskan sebagai berikut
bagian.

analisis MCMC

Untuk menangkap variabilitas yang tidak teramati dalam data kinerja dan mengevaluasi pengaruh kondisi pra-
overlay terhadap kinerja overlay, model probabilistik menggunakan pendekatan Bayesian dengan
Metode MCMC diusulkan dalam penelitian ini. Metode MCMC menggabungkan Rantai Markov,
Simulasi Monte Carlo, teknik pengambilan sampel, dan analisis Bayesian, yang telah digunakan
pemodelan kerusakan sistem manajemen perkerasan dan jembatan (Dilip & Sivakumar Babu,
[Perpustakaan

2013; Gao, Aguiar-Moya, & Zhang, 2012; Hong & Prozzi, 2006; Kobayashi, Kaito, & Lethanh,
Universitas
September

2012; Liu & Gharaibeh, 2015; Pabrik & Attoh-Okine, 2014; Mills, Attoh-Okine, & McNeil, 2012;
Diunduh
Sussex]
12:26
2017
pada

Onar, Thomas, Choubane, & Byron, 2007; Wang & Wang, 2017b). Pada dasarnya, ini dapat menghasilkan
oleh
12

distribusi probabilistik parameter model untuk mencerminkan heterogenitas kinerja

memodelkan dan memberikan statistik komprehensif tentang parameter model individual.
Ekspresi probabilistik dari pendekatan Bayesian dapat diilustrasikan pada Persamaan (6). Dia
mampu menggabungkan pengetahuan sebelumnya dengan data yang diamati untuk menghasilkan penyesuaian

Tabel 1. Ringkasan variasi koefisien regresi.

a1 b1 c1

Berarti CV,% Berarti CV,% Berarti CV,%

Minor 1,58 4 42 3.4 26

Besar 1,60 2 3 1.2 22 2.6 11
 Machine Translated by Google

10 H. Wang dan Z. Wang

distribusi.
P(data/ÿ ) × P(ÿ )
P(ÿ/data) = , (6)
P(data/ÿ ) × P(ÿ ) × dÿ

dimana P(ÿ) adalah pengetahuan sebelumnya tentang parameter model (ÿ); P(data/ÿ) adalah distribusi dari
data yang diamati berdasarkan parameter model; dan P(ÿ/data) adalah probabilitas posterior model
parameter berdasarkan data.
Meskipun statistik Bayesian dapat berfungsi sebagai alat yang sangat ampuh, pada kenyataannya, statistik tersebut merupakan bagian yang tidak terpisahkan

dalam penyebut Persamaan (6) bersifat analitis dan sulit diselesaikan dalam permasalahan yang kompleks. MCMC
Metode ini telah digunakan dalam berbagai bidang statistik karena sangat efisien dalam penyelesaiannya
teka-teki bagi pendekatan Bayesian terutama dengan menggabungkan teknik pengambilan sampel. Di dalam
Dalam penelitian ini, metode MCMC digunakan untuk memperhitungkan variasi parameter model SDI b1
sehubungan dengan SDI pra-overlay, seperti yang ditunjukkan pada Persamaan (7). Perangkat lunak statistik, WinBUGS,
digunakan untuk memperkirakan parameter model untuk umur overlay yang diharapkan (Ntzoufras 2001).
Fungsi kemungkinan pada Persamaan (7) dapat didefinisikan sebagai Persamaan (8). Istilah kesalahannya adalah
ditambahkan untuk memasukkan sebagian besar ketidakpastian model. Diasumsikan bahwa istilah kesalahan
terdistribusi secara mandiri dan normal.

b1 = d × SDI pra-overlay + e, (7)

P(data/ÿ ) = pN [b1i|Gi(SDIi pra-overlay, di, ei), ÿ], (8)

Saya

dimana b1i adalah tingkat kerusakan SDI untuk perkerasan seksi i; Gi(SDIi pra-overlay, di, ei) =
b1 = d × SDI pra-overlay + e; ÿ adalah simpangan baku suku kesalahan ÿi ÿ N(0, ÿ ); pN () normal
fungsi kepadatan.
Dalam analisis MCMC, informasi sebelumnya mengenai parameter model dalam Persamaan
(7) awalnya diasumsikan independen dan berdistribusi normal berdasarkan statistik di
Tabel 2. Perbedaan parameter mungkin disebabkan oleh gabungan efek konstruksi
kualitas, tingkat lalu lintas, dan kondisi lingkungan.
Setelah data dari seluruh bagian perkerasan dimuat, total 7500 iterasi dijalankan
selama tahap burn-in dalam perangkat lunak hingga konvergensi model tercapai. Langkah ini
dapat membuat penarikan lebih dekat ke distribusi stasioner dan kurang bergantung pada nilai awal.
Selanjutnya, set 7500 iterasi lainnya dieksekusi sehingga model dapat dipelajari
dari pengamatan dalam kumpulan data dan memperbaiki bias apa pun yang terdapat dalam prior dan dengan demikian menghasilkan
[Perpustakaan

distribusi posterior untuk parameter model.

Universitas
September

Distribusi parameter model pada Persamaan (7) dihitung dari metode MCMC
Diunduh
Sussex]
12:26
2017
pada

ditunjukkan pada Gambar 5. Dapat diamati bahwa dengan pendekatan probabilistik, estimasinya
oleh
12

parameter menunjukkan variasi tertentu. Ringkasan statistik parameter model ditampilkan

pada Tabel 2. Variasi ini dapat dimasukkan ke dalam LCCA probabilistik melalui Monte Carlo
simulasi untuk menafsirkan pengaruh kondisi pra-overlay.

Tabel 2. Ringkasan hasil MCMC untuk parameter model SDI.

Rehabilitasi kecil Rehabilitasi besar

Parameter Model
(b1 = d × pra-hamparan
SDI+ e) Berarti Deviasi standar Berarti Deviasi standar

D .03 .02
e 2 2.5 .08 3 1.2 .06
 Machine Translated by Google

Material Jalan dan Desain Perkerasan 11

Gambar 5. Distribusi (a) d*10 untuk rehabilitasi ringan; (b) e*10 untuk rehabilitasi ringan; (c) d*10
untuk rehabilitasi mayor; (d) e*10 untuk rehabilitasi mayor model SDI dengan kondisi pra-overlay.

Hasil LCCA probabilistik

Setelah analisis Bayesian terhadap parameter model kritis b1 diketahui, distribusi probabilitas umur
overlay untuk SDI pra-overlay yang berbeda dihitung menggunakan nilai terminal SDI 2,4. Kemudian
dilakukan LCCA dengan mempertimbangkan variasi tingkat diskonto dan biaya pengobatan.
Tingkat diskonto diasumsikan terdistribusi secara merata dari 1% hingga 7% untuk menutupi
sebagian besar kemungkinan fluktuasi akibat pasar ekonomi (Swei et al., 2013). Biaya pengobatan
diasumsikan terdistribusi normal dengan CV 10% untuk memperhitungkan tingkat variasi sedang
(Harvey et al., 2012). Biaya rehabilitasi kecil diasumsikan sebesar $32 per yard persegi yang sama
dengan biaya yang digunakan dalam analisis deterministik. Untuk mencakup skenario dengan biaya
pengobatan yang berbeda, biaya rata-rata rehabilitasi besar diasumsikan memiliki dua rasio biaya
[Perpustakaan

yang berbeda yaitu 1,3 dan 1,5 terhadap biaya rehabilitasi kecil.
Universitas
September
Diunduh
Sussex]

Gambar 6 menunjukkan hubungan antara SDI pra-overlay dan EUAC untuk rehabilitasi kecil
12:26
2017
pada
oleh

dengan mempertimbangkan persentil yang berbeda. Terlihat bahwa tren keseluruhan serupa dengan
12

tren yang ditunjukkan pada analisis deterministik. Namun, setelah mempertimbangkan ketidakpastian
dalam LCCA, secara umum terdapat 20–35% CV yang terkait dengan EUAC yang dihitung. Selain
itu, ditemukan bahwa variasi EUAC meningkat seiring dengan meningkatnya nilai SDI pra-overlay.
Hal ini karena rentang variasi EUAC relatif konstan seiring dengan penurunan nilai EUAC.

Indeks probabilitas untuk perbandingan

LCC Berdasarkan hasil probabilistik, indeks probabilitas diusulkan untuk membandingkan EUAC
antara rehabilitasi besar dan kecil yang mempertimbangkan ketidakpastian yang ada dalam LCCA.
Indeks tersebut didefinisikan sebagai probabilitas bahwa EUAC bagian rehabilitasi minor lebih besar
dibandingkan EUAC bagian rehabilitasi mayor. Dengan kata lain, jika indeks probabilitas lebih dari
50%, hal ini menunjukkan bahwa rehabilitasi minor kurang hemat biaya dibandingkan rehabilitasi mayor.
 Machine Translated by Google

12 H. Wang dan Z. Wang

Gambar 6. Hubungan antara SDI pra-overlay dan EUAC setelah (a) minor; dan (b) rehabilitasi besar
(Rasio biaya = 1,3).

dari LCC. Jika indeks probabilitas lebih kecil dari 50%, berarti rehabilitasi minor lebih hemat biaya.

Dalam analisisnya, untuk setiap nilai SDI pra-overlay, simulasi dijalankan untuk menghitung distribusi EUAC pada
bagian rehabilitasi minor dan mayor. Penelitian ini menggunakan simple random sampling (Yates, David, & Daren,
2008) untuk memilih secara acak satu EUAC dari bagian rehabilitasi minor dan satu EUAC dari bagian rehabilitasi
mayor. Kemudian dilakukan perbandingan antara kedua EUAC tersebut untuk menentukan mana yang nilainya lebih
[Perpustakaan
Universitas
September

besar. Terakhir, setelah proses diulang sebanyak 30.000 kali, indeks probabilitas dapat ditentukan sebagai proporsi
Diunduh
Sussex]

dimana EUAC bagian rehabilitasi minor lebih besar dibandingkan EUAC bagian rehabilitasi mayor. Karena sejumlah
12:26
2017
pada
oleh
12

besar sampel diambil dari distribusi EUAC, penggunaan sampel acak sederhana dapat menjamin bahwa rata-rata
sampel akan mewakili populasi secara akurat. Hasilnya, indeks probabilitas yang dihitung dapat diandalkan. Perlu
dicatat bahwa uji Z biasanya digunakan untuk membandingkan perbedaan antara dua kelompok dengan asumsi
bahwa statistik pengujian mengikuti distribusi normal. Karena distribusi EUAC yang dihitung tidak menyerupai
distribusi normal, uji Z mungkin tidak dapat diterapkan di sini.

Indeks probabilitas yang membandingkan EUAC perawatan rehabilitasi mayor dan minor pada nilai SDI pra-
overlay yang berbeda ditunjukkan pada Gambar 7. Terlihat bahwa secara umum indeks probabilitas menurun seiring
dengan peningkatan SDI pra-overlay. Hal ini beralasan karena rehabilitasi kecil menjadi lebih hemat biaya seiring
dengan meningkatnya nilai SDI pra-overlay. Ketika nilai SDI pra-overlay berada dalam kisaran 0–3, indeks probabilitas
sangat sensitif terhadap perubahan SDI pra-overlay. Hal ini menunjukkan bahwa SDI pra-overlay berpengaruh
signifikan terhadap seleksi
 Machine Translated by Google

Material Jalan dan Desain Perkerasan 13

Gambar 7. Indeks probabilitas (rehabilitasi mayor lebih hemat biaya dibandingkan rehabilitasi minor) dengan
kondisi sebelum overlay yang berbeda.

jenis perawatan dalam hal LCC ketika kondisi pra-overlay buruk atau sedang. Namun, ketika nilai SDI pra-
overlay lebih besar dari 3, indeks probabilitas cenderung stabil. Hal ini menunjukkan bahwa efektivitas biaya
perawatan tidak tergantung pada SDI pra-lapisan ketika kondisi perkerasan pra-lapisan baik.

Hasil yang ditunjukkan pada Gambar 7 memberikan cara efektif untuk memilih jenis rehabilitasi yang hemat biaya
ketika biaya rehabilitasi diketahui. Misalnya, ketika rasio biaya rehabilitasi mayor dan minor adalah 1,3, maka
rehabilitasi mayor lebih hemat biaya bila nilai SDI pra-overlay lebih kecil dari 2. Namun, ketika rasio biaya adalah 1,5,
rehabilitasi mayor menjadi lebih mahal. efektif ketika nilai SDI pra-overlay lebih rendah dari 0,8. Dalam hal ini,
rehabilitasi minor akan selalu hemat biaya karena perkerasan jalan biasanya direhabilitasi sebelum SDI mencapai
nilai yang sangat kecil. Secara umum, indeks probabilitas antara perawatan rehabilitasi mayor dan minor menjadi
lebih rendah seiring dengan meningkatnya rasio biaya rehabilitasi mayor terhadap rehabilitasi minor.

Dibandingkan dengan hasil deterministik, indeks probabilitas yang diusulkan mempertimbangkan konsep
reliabilitas dan memberikan informasi yang lebih komprehensif. Bertindak sebagai faktor risiko, secara
kuantitatif dapat menunjukkan risiko pemilihan pengobatan yang tidak tepat dengan mempertimbangkan skenario
variasi pengambilan keputusan yang berbeda.
[Perpustakaan

Kesimpulan
Universitas
September
Diunduh
Sussex]

Penelitian ini menganalisis pengaruh kondisi pra-pelapisan terhadap kinerja pelapisan perkerasan dan
12:26
2017
pada
oleh
12

merekomendasikan pemilihan perlakuan pelapisan ulang berdasarkan kondisi pra-pelapisan. Kesimpulan berikut
disimpulkan dari analisis:

(1) Kehidupan overlay ditemukan berdistribusi log-normal daripada berdistribusi normal. Uji statistik
membuktikan bahwa perkiraan umur overlay untuk rehabilitasi mayor jauh lebih tinggi dibandingkan
umur overlay untuk rehabilitasi minor. Ditemukan bahwa tingkat kerusakan SDI setelah rehabilitasi
minor sangat sensitif terhadap kondisi pra-overlay dibandingkan dengan kasus rehabilitasi mayor.

(2) Hasil LCCA deterministik menunjukkan bahwa terdapat ambang batas SDI perkerasan dimana LCC
antara perlakuan rehabilitasi mayor dan minor sama besarnya. Bila SDI pra-overlay lebih kecil dari
ambang batas, maka LCC rehabilitasi minor lebih tinggi dibandingkan LCC rehabilitasi mayor; dan
sebaliknya. Analisis sensitivitas menunjukkan bahwa rasio biaya antara rehabilitasi mayor dan minor
mempunyai pengaruh yang signifikan terhadap ambang batas.
 Machine Translated by Google

14 H. Wang dan Z. Wang

(3) Hasil LCCA probabilistik menunjukkan kemungkinan variasi LCC untuk perawatan rehabilitasi yang berbeda.
Indeks probabilitas diusulkan untuk mengukur probabilitas bahwa LCC rehabilitasi minor lebih besar
dibandingkan LCC rehabilitasi mayor. Hasil analisis menunjukkan bahwa indeks probabilitas menurun seiring
dengan peningkatan SDI pra-overlay atau peningkatan rasio biaya.

Pertimbangan teknik dan pengalaman biasanya digunakan dalam penentuan waktu dan jenis aplikasi pelapisan
perkerasan. Ambang batas yang diusulkan dari SDI pra-overlay memberikan cara untuk memilih perlakuan overlay
yang lebih hemat biaya berdasarkan kondisi pra-overlay. Pendekatan analisis dapat diterapkan pada PMS dan
lembaga bantuan dalam pengambilan keputusan pengobatan rehabilitasi. Diharapkan bahwa hasil LCCA dapat
bervariasi antar lembaga tergantung pada biaya pengobatan dan masa pakai yang diharapkan. Meskipun penelitian
ini berfokus pada perbandingan dua alternatif pelapisan perkerasan dan menggunakan SDI sebagai indikator kinerja
perkerasan, pendekatan ini dapat digunakan dengan menggunakan indikator kinerja spesifik berdasarkan praktik
lembaga. Hasil yang lebih akurat dapat dicapai dengan kalibrasi lokal berdasarkan data lapangan dan praktik
rehabilitasi.

Pernyataan pengungkapan
Tidak ada potensi konflik kepentingan yang dilaporkan oleh penulis.

Referensi
Baek, J, Ozer, H., Wang, H., & Al-Qadi, IL (2010). Pengaruh kondisi antarmuka terhadap perkembangan retak reflektif
pada lapisan aspal campuran panas. Material Jalan dan Desain Perkerasan, 11(2), 307–334.
Chen, D., Cacalline, TL, Thompson, DS, & Ogunro, VO (2011). Pengembangan dan validasi model kerusakan perkerasan
jalan dan analisis faktor bobot untuk sistem manajemen perkerasan jalan NCDOT (fase I: data survei kaca depan)
(FHWA/NC/2011-01).
Chen, D., & Mastin, N. (2016). Model sigmoidal untuk memprediksi kondisi kinerja perkerasan. Jurnal
Kinerja Fasilitas yang Dibangun, 30(4), 04015078.
Dilip, D., & Sivakumar Babu, G. (2013). Metodologi keandalan desain perkerasan dan analisis punggung menggunakan
simulasi Markov Chain Monte Carlo. Jurnal Teknik Transportasi, 139(1), 65–74.
Dong, Q., & Huang, B. (2012). Evaluasi efektivitas dan efektivitas biaya rehabilitasi perkerasan aspal memanfaatkan
data LTPP. Jurnal Teknik Transportasi, 138(6), 681–668.
Administrasi Jalan Raya Federal. (2004). Analisis biaya siklus hidup Panduan pengguna RealCost. Washington DC:
Kantor Manajemen Aset. FHWA, Departemen Transportasi AS.
Gao, L., Aguiar-Moya, JP, & Zhang, ZM (2012). Analisis Bayesian tentang heterogenitas dalam pemodelan retak lelah
[Perpustakaan

perkerasan. Jurnal Komputasi Teknik Sipil, 26(1), 37–43.

Universitas
September

Hall, KT, Correa, CE, & Simpson, AL (2003). Kinerja perawatan rehabilitasi perkerasan lentur dalam percobaan kinerja
Diunduh
Sussex]
12:26
2017
pada

perkerasan jangka panjang SPS-5. Catatan Penelitian Transportasi: Jurnal Badan Penelitian Transportasi 1823,
oleh
12

93–101.
Harvey, J., Rezaei, A., & Lee, C. (2012). Pendekatan probabilistik terhadap analisis biaya siklus hidup strategi
pemeliharaan preventif pada perkerasan fleksibel. Catatan Penelitian Transportasi: Jurnal Badan Penelitian
Transportasi, 2292, 61–72.
Hong, F., & Prozzi, J. (2006). Estimasi penurunan kinerja perkerasan menggunakan pendekatan Bayesian.
Jurnal Sistem Infrastruktur, 12(2), 77–86.
Hung, SS, Rezaei, A., & Harvey, JT (2014). Pengaruh penggilingan dan perbaikan lainnya terhadap kelancaran lapisan
atas perkerasan aspal. Catatan Penelitian Transportasi: Jurnal Badan Penelitian Transportasi, 2408, 86–94.

Jackson, NC, Deighton, R., & Huft, DL (1996). Pengembangan kurva kinerja perkerasan untuk indeks tekanan individu
di South Dakota berdasarkan pendapat para ahli. Catatan Penelitian Transportasi: Jurnal Badan Penelitian
Transportasi, 1524, 130–136.
Kandil, K. (2001). Pengaruh karakteristik pelapisan perkerasan terhadap kinerja perkerasan jangka panjang.
Ottawa, Kanada: Program Penelitian Jalan Raya Strategis Kanada (C-SHRP), Asosiasi Transportasi Kanada.
 Machine Translated by Google

Material Jalan dan Desain Perkerasan 15

Kobayashi, K., Kaito, K., & Lethanh, N. (2012). Metode peramalan kerusakan statistik menggunakan model Markov tersembunyi untuk
pengelolaan infrastruktur. Penelitian Transportasi Bagian B: Metodologis, 46(4), 544–561.

Li, X., & Wen, H. (2014). Pengaruh kondisi perkerasan preoverlay dan metode perbaikan preoverlay terhadap kinerja lapisan beton
aspal. Jurnal Teknik Transportasi, 140(1), 42–49.

Li, Z., & Madanu, S. (2009). Analisis manfaat/biaya siklus hidup tingkat proyek jalan raya berdasarkan kepastian, risiko, dan
ketidakpastian: Metodologi dengan studi kasus. Jurnal Teknik Transportasi, 135(8), 516–526.
Lidicker, J., Sathaye, N., Madanat, S., & Horvath, A. (2013). Kebijakan pelapisan ulang perkerasan jalan untuk meminimalkan biaya
siklus hidup dan emisi gas rumah kaca. Jurnal Sistem Infrastruktur, 19(2), 129–137.

Liu, L., & Gharaibeh, NG (2015). Metodologi berbasis simulasi untuk mengembangkan spesifikasi terkait kinerja untuk perawatan
pelestarian perkerasan jalan. Jurnal Teknik Transportasi, 141(8), 04015011.

Mills, L., & Attoh-Okine, N. 2014. Analisis data radar penembus tanah menggunakan simulasi hierarki Markov Chain Monte Carlo.
Jurnal Teknik Sipil Kanada, 41(1), 9–16.
Mills, L., Attoh-Okine, N., & McNeil, S. (2012). Simulasi Hierarchical Markov Chain Monte Carlo untuk pemodelan retakan melintang
pada perkerasan jalan raya. Jurnal Teknik Transportasi, 138(6), 700–705.

Minhoto, MJC, Pais, JC, & Pereira PAA (2008). Pengaruh temperatur terhadap retak reflektif lapisan aspal. Material Jalan dan Desain
Perkerasan, 9(4), 615–632.
Minhoto, MJC, Pais, JC, Pereira, PAA, & Picado-Santos, LG (2005). Pengaruh variasi suhu terhadap prediksi umur lapisan perkerasan
jalan. Material Jalan dan Desain Perkerasan, 6(3), 365–384.

Mirzadeh, I., Butt, AA, Toller, S., & Birgisson, B. (2014). Analisis biaya siklus hidup berdasarkan kontributor biaya mendasar untuk
perkerasan aspal. Rekayasa Struktur dan Infrastruktur, 10(12), 1638–1647.

Ntzoufras, I. (2001). Pemodelan Bayesian menggunakan WinBUGS. Hoboken, NJ: Wiley.

Onar, A., Thomas, F., Choubane, B., & Byron, T. (2007). Pemodelan degradasi Bayesian dalam pengujian perkerasan dipercepat
dengan estimasi parameter transformasi untuk responnya. Jurnal Teknik Transportasi, 133(12), 677–687.

Ott, RL, & Longnecker, M. (2000). Pengantar metode statistik dan analisis data (edisi ke-5).
Pacific Grove, CA: Duxbury Press.
Salem, O., AbouRizk, S., & Ariaratnam, S. (2003). Penetapan biaya siklus hidup rehabilitasi infrastruktur dan alternatif konstruksi
berbasis risiko. Jurnal Sistem Infrastruktur, 9(1), 6–15.
Santos, J., & Ferreira, A. (2013a). Sistem analisis biaya siklus hidup untuk manajemen perkerasan jalan di tingkat proyek. Jurnal
Internasional Teknik Perkerasan, 14(1), 71–84.
Santos, J., & Ferreira, A. (2013b). Sistem analisis biaya siklus hidup untuk pengelolaan perkerasan jalan di tingkat proyek: Analisis
sensitivitas terhadap tingkat diskonto. Jurnal Internasional Teknik Perkerasan, 14(7), 655–673.
[Perpustakaan

Sarwar, MT, & Anastasopoulos, PC (2016). Analisis kuadrat terkecil tiga tahap terhadap kinerja perkerasan pascarehabilitasi. Catatan
Universitas
September
Diunduh
Sussex]

Penelitian Transportasi: Jurnal Badan Penelitian Transportasi, 2589, 97–109.

12:26
2017
pada
oleh
12

Sotil, A., & Kaloush, K. (2004). Pengembangan model kinerja perkerasan untuk sistem manajemen perkerasan kotapraja Delhi, Ohio.
Ringkasan makalah untuk pertemuan ke-83 Dewan Riset Transportasi, Washington, DC.

Sousa, JB, Pais, JC, & Way, GB (2005). Metode desain overlay berbasis mekanistik-empiris untuk retak reflektif. Material Jalan dan
Desain Perkerasan, 6(3), 339–363.
Swei, O., Gregory, J., & Kirchain, R. (2013). Karakterisasi probabilistik dari masukan yang tidak pasti dalam analisis biaya siklus
hidup perkerasan jalan. Catatan Penelitian Transportasi: Jurnal Badan Penelitian Transportasi, 2366, 71–77.

Tighe, S. (2001). Pedoman analisis biaya siklus hidup perkerasan probabilistik. Penelitian Transportasi
Catatan: Jurnal Badan Riset Transportasi, 1769, 28–38.
Dinding, J., & Smith, MR (1998). Analisis biaya siklus hidup dalam desain perkerasan jalan: untuk mencari keputusan investasi yang
lebih baik (Laporan Akhir FHWA-SA-98-079). Washington, DC: Departemen Transportasi AS.
Wang, H., Wang, Z., Blight, RJ, & Sheehy, EC (2015). Penurunan penyesuaian pembayaran untuk kekosongan udara di tempat pada
perkerasan aspal dari analisis biaya siklus hidup. Material Jalan dan Desain Perkerasan, 16(3), 505–517.
 Machine Translated by Google

16 H. Wang dan Z. Wang

Wang, H., & Wang, ZL (2013). Efektivitas perawatan preservasi terhadap gesekan permukaan perkerasan.
Konstruksi dan Bahan Bangunan, 48, 194–202.
Wang, ZL, & Wang, H. (2017a). Analisis biaya siklus hidup pada waktu optimal pelestarian perkerasan jalan.
Perbatasan Teknik Struktural dan Sipil, 11(1), 17–26.
Wang, ZL, & Wang, H. (2017b). Pemodelan probabilistik penyesuaian pembayaran terkait kinerja untuk isi
rongga udara pada perkerasan aspal di tempat. Jurnal Sistem Infrastruktur, 23(2), 04016033.
Yates, DS, David, SM, & Daren, SS (2008). Praktek statistik (Edisi ke-3rd). Orang bebas: Holtzbrinck.
[Perpustakaan
Universitas
September
Diunduh
Sussex]
12:26
2017
pada
oleh
12