BAB II TINJAUAN PUSTAKA , dalam bab ini mengemukakan tentang teori-teori yang dijadikan dasar dalam pembahasan dan penganalisaan masalah serta beberapa yang dijadikan dasar dalam pembahasan dan penganalisaan masalah serta beberapa
ANALISIS DAN PEMBAHASAN
V.2 Analisis Bivariat dan Multivariat
V.2.3 Bangkitan Pergerakan Pada Tipe Perumahan Bangunan Sederhana (Y3) Analisis untuk mengetahui variabel-variabel mana yang akan digunakan dalam Analisis untuk mengetahui variabel-variabel mana yang akan digunakan dalam
pemodelan selanjutnya, dilakukan proses penyeleksian variabel dengan cara melakukan uji korelasi antara semua variabel-variabel yang ditinjau.
1. Analisis Bivariat
Analisis korelasi bivariat mencari derajat keeratan hubungan dan arah hubungan. Semakin tinggi nilai korelasi, semakin tinggi keeratan hubungan antar variabel. Untuk melihat hubungan bivariat antara variabel dapat dilihat dari hasil uji
korelasi Pearson. Matriks hasil uji korelasi bivariat antara variabel untuk tipe perumahan bangunan sederhana dapat dilihat pada Tabel V.6 berikut:
Tabel V.6. Matriks Hubungan Antara Variabel Pada Perumahan Tipe Bangunan Sederhana Produksi Perjalanan ( Y ) Jlh Anggota Kel. ( X1 ) Jlh Penghasil an Kel. ( X2 ) Jlh Kepemilik an Mobil (X3) Jlh Kepemilik an Spd Mtr (X4) Jlh Keluarga Bekerja (X5) Jlh Keluarga Bersekola h ( X6) Jenis Pekerjaan Kel. (X7) Umur Kepala Kel. (X8) Pendidik an Kepala Kel. (X9) Luas bangu nan (X10) Produksi Perjalanan ( Y ) 1 .884(*) .409(*) .355 .524(*) .767(*) .068 -.050 .313 -.350 .341 Jlh Anggota Kel. ( X1 ) 1 .365 .402(*) .388 .592(*) -.052 -.031 .246 -.277 .318 Jlh Penghasilan Kel. ( X2 ) 1 .144 .465(*) .332 .231 -.038 .004 .047 .059 Jlh Kepemilikan Mobil (X3) 1 .375 .219 -.155 .044 .374 -.060 .178 Jlh Kepemilikan Spd Mtr (X4) 1 .393 .190 .114 .218 -.211 .073 Jlh Keluarga Bekerja (X5) 1 -.019 .065 .331 -.324 .130 Jlh Keluarga Bersekolah (X6) 1 .002 .039 -.085 -.077 Jenis Pekerjaan Kel. (X7) 1 -.106 -.085 -.265 Umur Kepala Kel. (X8) 1 -.335 .111 Pendidikan Kepala Kel. (X9) 1 -.223 Luas bangunan (X10) 1
(Sumber: Data Primer Diolah)
* Correlation is significant at the 0.05 level
Proses penyeleksian variabel harus sesuai dengan syarat metode analisis regresi linear berganda, bahwa variabel bebas yang akan dipakai dalam model harus mempunyai korelasi tinggi terhadap variabel terikat dan sesama variabel bebas tidak boleh saling berkorelasi. Apabila terdapat korelasi diantara variabel bebas, pilih salah satu yang mempunyai nilai korelasi yang terbesar untuk mewakili.
Pada Tabel V.6 diatas dapat dilihat bahwa variabel-variabel yang mempunyai hubungan signifikan atau pengaruh besar terhadap produksi perjalanan (Y3) adalah jumlah anggota keluarga (X1), jumlah penghasilan keluarga (X2), jumlah kepemilikan sepeda motor (X4), dan jumlah anggota keluarga bekerja (X5).
Jumlah anggota keluarga (X1) mempunyai hubungan yang signifikan dengan produksi perjalanan (Y3) dengan nilai R (koefisien korelasi) yaitu sebesar 0,884 atau
variabel bebas dapat mempengaruhi variabel terikat dengan kuat hubungan sebesar 88,4%. Sama halnya pada variabel jumlah penghasilan keluarga (X2) mempunyai hubungan yang signifikan dengan produksi perjalanan (Y3) dengan nilai R (koefisien korelasi) yaitu sebesar 0,409 atau variabel bebas dapat mempengaruhi variabel terikat dengan kuat hubungan sebesar 40,9%. Sama halnya pada variabel jumlah kepemilikan sepeda motor (X4) mempunyai hubungan yang signifikan dengan produksi perjalanan (Y3) dengan nilai R (koefisien korelasi) yaitu sebesar 0,524 atau variabel bebas dapat mempengaruhi variabel terikat dengan kuat hubungan sebesar 52,4%. Sama halnya pada variabel jumlah anggota keluarga bekerja (X5) mempunyai hubungan yang signifikan dengan produksi perjalanan (Y3) dengan nilai R (koefisien korelasi) yaitu 0,767 atau variabel bebas dapat mempengaruhi variabel terikat dengan kuat hubungan sebesar 76,7%.
Dalam hal ini juga terdapat beberapa variabel bebas yang saling berkorelasi, maka hanya variabel yang mempunyai nilai korelasi tertinggi yang akan dipakai dalam model. Variabel bebas X1 saling berkorelasi dengan variabel bebas X3 dan X5, maka dipilih variabel jumlah anggota keluarga (X1) untuk mewakili variabel bebas yang berkorelasi, karena variabel jumlah anggota keluarga (X1) memiliki nilai korelasi tinggi diantara variabel bebas yang berkorelasi terhadap variabel terikat (Y3), yaitu sebesar 0,884 atau 88,4%. Sama halnya variabel bebas X2 saling berkorelasi dengan variabel bebas X4, maka dipilih variabel jumlah kepemilikan sepeda motor (X4) untuk mewakili variabel bebas yang berkorelasi, karena variabel jumlah kepemilikan sepeda
motor (X4) memiliki nilai korelasi tinggi diantara variabel bebas yang berkorelasi terhadap variabel terikat (Y3), yaitu sebesar 0,524 atau 52,4%.
Dari uraian diatas dapat disimpulkan bahwa hanya dua variabel bebas yang dapat dipakai dalam model, yaitu: jumlah anggota keluarga (X1) dan jumlah kepemilikan sepeda motor (X4).
2. Analisis Multivariat
Analisis regresi linear berganda digunakan untuk meramalkan suatu variable
terikat (Y) berdasarkan dua atau lebih variable bebas (X1, X2, …., Xn) dalam suatu
persamaan linear. Untuk mendapatkan model yang paling sesuai menggambarkan pengaruh satu atau beberapa variabel bebas terhadap variabel terikatnya dapat
digunakan analisis regresi linear berganda (Multiple Linear Regression Analysis).
Model regresi linear berganda yang ditampilkan berikut ini diolah dengan bantuan Software SPSS-12. Hasil analisis regresi linear berganda untuk tipe perumahan bangunan sederhana dapat dilihat pada Tabel V.7 berikut:
Tabel V.7. Pengaruh Variabel Bebas Terhadap Jumlah Produksi Perjalanan Perumahan Tipe Bangunan Sederhana Variabel Terikat : Produksi Perjalanan Tipe Bangunan Sederhana (Y3)
Model Regresi Koefisien Regresi t sig.
Konstanta
Jumlah Anggota Keluarga (X1) Jumlah Kep. Sepeda Motor (X4)
0,271 1,518 0,905 0,527 12,929 3,433 0,600 0,0001* 0,001* Kesesuaian Model Regresi Yang Terbentuk
(Anova Regresi) F = 125.641 sig. = 0,0001*
Koefisien Korelasi (R) = 0,906 Koefisien determinan
(R Square) = 0,820
Persamaan Regresi Terbentuk: Y3 = 0,271 + 1,518 X1 + 0,905 X4
Standart error (SEE) = 0,514
(Sumber: Data Primer Diolah)
* Signifikan
Tabel V.7 diatas dapat dilihat bahwa persamaan (model) regresi linear berganda
yang terbentuk, yaitu: Y3 = 0,271 + 1,518 X1 + 0,905 X4adalah merupakan model
regresi yang paling sesuai menggambarkan pengaruh dua variabel bebas, yaitu jumlah anggota keluarga (X1) dan jumlah kepemilikan sepeda motor (X4) yang secara bersamaan mempengaruhi produksi perjalanan (Y3), hal ini dapat dilihat dari nilai
analisis Anova Regresi (F) sebesar 125,641.
Anova Regresi (F) merupakan nilai uji kelinieran hubungan variabel terikat
dengan variabel bebasnya. Berdasarkan syarat statistik untuk regresi linear berganda
bahwa perbandingan nilai Fhitung harus lebih besar dari Ftabel, hasil yang diperoleh
125,641 > 3,17. Syarat statistik terpenuhi Fhitung > Ftabel, hal ini menunjukkan bahwa
model regresi linear berganda signifikan pada tingkat kepercayaan 95%. Harga signifikan F = 0,0001 < 0,05 yang berarti Ha diterima dan secara simultan, X1 dan X4 berpengaruh positif terhadap bangkitan pergerakan.
Kuat hubungan yang ditunjukkan oleh variabel bebas terhadap variabel terikat dalam model yang terbentuk dapat dilihat koefisien determinan (R Square), yaitu sebesar 0,820 atau 82,0%.
Nilai pada variabel jumlah anggota keluarga (X1) yaitu sebesar 1,518 X1, dapat diartikan bahwa apabila terjadi peningkatan sebanyak 1 orang akan mempengaruhi produksi perjalanan yaitu sebesar 1,518 perjalanan/keluarga/hari. Nilai pada variabel jumlah kepemilikan sepeda motor (X4) yaitu sebesar 0,905 X4, dapat diartikan bahwa apabila terjadi peningkatan sebanyak 1 unit akan mempengaruhi produksi perjalanan yaitu sebesar 0,905 perjalanan/keluarga/hari.
Variabel bebas yang keluar dari model disebabkan karena memiliki nilai korelasi yang rendah, bila variabel bebas ini dimasukkan kedalam persamaan regresi
maka akan diperoleh nilai determinannya (R2) kecil dan nilai standart errornya besar.
V.3 Hasil Diskusi Perbandingan Beberapa Analisis Model Bangkitan Pergerakan