Analisis Faktor-Faktor Yang Mempengaruhi Jumlah Kecelakaan Lalu Lintas Di Kotamadya Medan

(1)

Josepa Sitanggang : Analisis Faktor-Faktor Yang Mempengaruhi Jumlah Kecelakaan Lalu Lintas Di Kotamadya Medan, 2008

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI

JUMLAH KECELAKAAN LALU LINTAS DI KOTAMADYA

MEDAN

TUGAS AKHIR

JOSEPA SITANGGANG 052407024

PROGRAM STUDI DIPLOMA III STATISTIKA DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

(2)

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Daftar Isi v

Daftar Tabel vii

Daftar Gambar viii

Bab 1 Pendahuluan

1.1 Latar Belakang 1

1.2 Identifikasi Masalah 2

1.3 Tujuan Penelitian 3

1.4 Manfaat Penelitian 3

1.5 Metode Penelitian 4

1.6 Sistematika Penulisan 6

Bab 2 Landasan teori

2.1 Pengertian Regresi 7

2.2 Analisis Regresi Linier 8

2.2.1 Regresi Linier Sederhana 10

2.2.2 Regresi Linier Berganda 10

2.3 Membentuk Persamaan Regresi Linier Berganda 12

2.4 Uji Keberartian Regresi 14

2.5 Koefisien Determinasi 15

2.6 Koefisien Korelasi 16

2.7 Uji Koefisien Regresi Ganda 18

Bab 3 Analisa Data

3.1 Pengambilan Data 20

(3)

3.3 Analisis Residu 25

3.4 Uji Regresi Linier Ganda 27

3.5 Koefisien Determinasi 31

3.6 Perhitungan korelasi antara variabel X dan variabel Y 32

3.7 Perhitungan korelasi antara variabel bebas 33

3.8 Uji Koefisien Regresi Linier Ganda 35

Bab 4 Implementasi Sistem

4.1 Pengertian 38

4.2 Statistika dan Komputer 38

4.3 SPSS dan Komput er Statistik 40

4.4 Mengoperasikan SPSS 40

4.5 Pengolahan Data dengan Persamaan Regresi 46

4.6 Pengolahan Data dengan Persamaan Korelasi 47

Bab 5 Penutup

5.1 Kesimpulan 50

5.2 Saran 52

Daftar Pustaka

(4)

DAFTAR TABEL

Halaman

Tabel 2.1 Bentuk Umum Data Observasi 12

Tabel 3.1 Data yang akan diolah 21

Tabel 3.2 Nilai-nilai koefisien 22

Tabel 3.3 Harga untuk data dalam table 26

(5)

DAFTAR GAMBAR

Halaman

Gambar 4.1 Membuka Program SPSS 41

Gambar 4.2 Tampilan awal SPSS 42

Gambar 4.3 Layar kerja Variabel View 44

Gambar 4.4 Data yang akan diolah 45

Gambar 4.5 Pilih Analize, Regression, Linier 46

Gambar 4.6 Kotak Dialog Linier Regression 47

Gambar 4.7 Pilih Analize, Correlate, Bivariate 48

(6)

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Kotamadya Medan merupakan salah satu kota teramai di Indonesia, bahkan yang

teramai di Pulau Sumatera. Hal ini disebabkan karena banyaknya penduduk yang

tinggal di Kotamadya Medan. Perkembangan teknologi telah menyebabkan

perkembangan yang pesat dibidang transportasi, terutama perkembangan kendaraan

bermotor.

Jalan raya merupakan salah satu sarana transportasi darat, disamping sarana

transportasi lainnya. Sarana ini adalah salah satu bagian yang terpenting dalam

menumbuhkan, menunjang dan memperlancar laju pertumbuhan ekonomi suatu

daerah.

Sebagaimana kita ketahui bahwa dalam waktu yang relatif singkat jumlah

kendaraan bermotor terus meningkat, sementara ruang gerak bagi kendaraan ini yaitu

jalan bertambah sangat lamban. Dengan kata lain perkembangan prasarana angkutan

darat ini selalu tertinggal oleh perkembangan sarana angkutan. Demikian juga dengan

pengaturan arus lalu lintas dan kurangnya disiplin pengemudi kendaraan bermotor di

jalan raya. Akhirnya timbul persoalan lalu lintas yang rumit dan sulit dicari jalan

(7)

Tinggi rendahnya tingkat kecelakaan lalu lintas tentunya dipengaruhi oleh

faktor–faktor banyaknya kendaraan bermotor yang beroperasi, panjang jalan, dan

pelanggaran rambu–rambu lalu lintas. Seberapa besar pengaruh faktor-faktor tersebut

merupakan suatu permasalahan, terutama bagi petugas lalu-lintas dan pemerintah

Kotamadya Medan dalam hal penertiban jalan dan untuk mengambil keputusan dan

tindakan dimasa yang akan datang.

Pengaruh dari faktor-faktor inilah yang akan dianalisa dan juga hubungan

fungsionalnya terhadap tingkat kecelakaan lalu-lintas. Bentuk penduga yang

digunakan dalam penulisan ini adalah Persamaan Regresi Linier Berganda antara jumlah kecelakaan lalu lintas terhadap fakor-faktor yang mempengaruinya.

1.2 Identifikasi Masalah

Kecelakaan lalu lintas sering terjadi di Kotamadya Medan, hal ini disebabkan banyak

faktor yang mempengaruhinya. Oleh karena itu sangat perlu untuk mengetahui faktor

yang mempengaruhinya dan berapa besar pengaruh faktor-faktor tersebut terhadap

tingkat kecelakaan lalu lintas. Dalam penelitian ini yang menjadi permasalahan adalah

bagaimana menentukan penduga yang sesuai untuk menduga tingkat kecelakaan lalu

lintas, faktor paling banyak yang mengakibatkan kecelakaan lalu lintas dan seberapa

besar pengaruh faktor tersebut terhadap tingkat kecelakaan lalu lintas di Kotamadya

(8)

Tujuan dari penelitian ini adalah untuk:

1. Menentukan persamaan regresi linier berganda dalam menduga tingkat

kecelakaan lalu lintas.

2. Mengetahui faktor yang sangat berpengaruh terhadap tingginya kecelakaan lalu

lintas di Kotamadya Medan.

3. Mengetahui berapa besar pengaruh faktor penyebab kecelakaan lalu lintas.

1.4 Manfaat Penelitian

Manfaat penelitian ini adalah :

1. Sebagai bahan evaluasi arus lalu lintas di Kotamadya Medan di masa yang

akan datang.

2. Sebagai bahan masukan dalam penetapan kebijaksanaan perencanaan

pembangunan jalan, jumlah kendaraan di masa yang akan datang.

3. Untuk menambah pengetahuan penulis dan wujud dari penerapan ilmu

(9)

Setiap laporan yang akan disusun harus mempergunakan cara yang sistematis sesuai

dengan aturan yang ditentukan sehingga hal tersebut akan memudahkan bagi penulis

maupun pembaca untuk memahami isi dari laporan tersebut.

Dalam penulisan Tugas Akhir ini penulis menggunakan beberapa metode

yaitu:

1. Penelitian Kepustakaan ( Library Research)

Yaitu penelitian yang diperoleh dengan membaca buku-buku serta referensi

yang bersifat teoritis yang mendukung serta relevan dengan penulisan Tugas

Akhir ini.

2. Metode Pengumpulan Data

Pengumpulan data untuk keperluan riset ini penulis menggunakan data

sekunder yang diperoleh dari Badan Pusat Statistik (BPS) cabang Medan,

penulis memilih data sekunder karena waktu dan biaya yang lebih hemat.

Data yang dikumpulkan tersebut kemudian diatur, disusun dan disajikan

dalam bentuk angka-angka dengan tujuan untuk mendapatkan gambaran

(10)

3. Metode Pengolahan Data

1) Penetuan Objek Penelitian

Penentuan objek penelitian merupakan hal yang sangat penting untuk

dilakukan, sesuai dengan model/ metode yang sudah dibentuk dalam

penyusunan Tugas Akhir.

2) Penentuan Variabel

Menentukan kelompok data saja yang menjadi variabel X ( variabel

bebas ) dan mana yang menjadi variabel Y ( variabel tak bebas )

3) Menentukan hubungan antara variabel Y dengan variabel X sehingga

didapat regresi Y atas X1, X2,…,Xk

4) Uji Korelasi

Pengujian ini untuk mengetahui bagaimana dan seberapa besarkah

hubungan variabel-variabel bebas itu dapat menjelaskan variabel tak

bebas.

5) Menguji Koefisien-koefisien Regresi

Pengujian ini dilakukan untuk menguji tingkat nyata

koefisien-koefisien regresi yang didapat dan seberapa besar kontribusinya.

4. Waktu dan Lokasi Penelitian

Penelitian atau pengambilan data dilaksanakan pada bulan Maret-April

selama kurang lebih satu bulan. Lokasi penelitian atau pengumpulan data

(11)

1.6 Sistematika Penulisan

Sistematika penulisan diuraikan untuk memberikan kerangka atau gambaran dari

Tugas Akhir ini, yaitu sebagai berikut :

BAB I : PENDAHULUAN

Pada Bab ini berisi tentang latar belakang masalah, identifikasi

masalah, tujuan penelitian, manfaat penelitian, metodologi

penelitian, dan sistematika penulisan

BAB II : LANDASAN TEORI

Bab ini menguraikan tentang pengertian regresi, regresi linier

berganda, uji regresi linier berganda dan korelasi regresi linier

berganda serta uji koefisien regresi linier berganda.

BAB III : ANALISA DATA

Dalam bab ini dilakukan analisis data dengan regresi linier

berganda dan analisa korelasi ganda.

BAB IV : IMPLEMENTASI SISTEM

Pada bab ini berisi tentang cara memasukkan data dan

menganalisa data pada program SPSS.

BAB VI : PENUTUP

Pada bab ini berisi tentang kesimpulan dan saran sesuai dengan

(12)

(13)

BAB 2

LANDASAN TEORI

2.1 Pengertian Regresi

Istilah regresi pertamakali diperkenalkan oleh seorang ahli yang bernama Francis

Galton dalam makalah berjudul Regression Towered mediacraty in Hereditary Statue.

Menurut hasil penelitian beliau, meskipun ada kecenderungan bagi para orang tua

yang tinggi mempunyai anak tinggi dan orang tua yang pendek mempunyai anak

pendek. Dengan kata lain bahwa ada kecenderungan bagi rata-rata tinggi anak dengan

orang tua yang mempunyai tinggi tertentu untuk bergerak mundur ( regress ) kearah

tinggi rata-rata seluruh. Penemuan ini ditulis dalam artikel berjudul : “Family

Likeness in Stature” ( Proceeding of royal Society, London, Vol.40, 1886 ). Menurut

penjelasannya, ada suatu kecenderungan untuk rata-rata anak dari orang tua dengan

tinggi tertentu bergerak menuju nilai rata-rata dari seluruh populasi.

Hukum regresi universal dari Galton telah dibuktikan oleh kawannya yang

bernama Karl Pearson, dengan jalan mengumpulkan lebih dari seribu catatan

mengenai tinggi dari para anggota kelompok keluarga. Karl Pearson menemukan

bahwa rata-rata tinggi anak laki-laki kelompok orang tua yang tinggi ternyata lebih

kecil dari tinggi ayahnya dan rata-rata tinggi anak laki-laki dari kelompok orang tua

(14)

anak laki-laki yang tinggi dan anak laki-laki yang pendek bergerak menuju kerata-rata

tinggi dari seluruh anak laki-laki,yang menurut istilah Galton: “regression to

mediocrity”. Dari uraian diatas dapat disimpulkan bahwa pada umumnya tinggi anak

mengikuti tinggi orang tuanya.

Jadi analisis regresi berkenaan dengan studi ketergantungan antara satu

variabel yang disebut dengan variabel tidak bebas ( dependent variable ) pada satu

atau lebih variabel bebas ( independent variable ) yang menerangkan. Dengan tujuan

untuk memperkirakan atau meramalkan nilai rata-rata dari variabel tidak bebas apabila

variabel yang menerangkan sudah diketahui.

2.2 Analisis Regresi Linier

Analisis regresi merupakan suatu model matematis yang dapat digunakan untuk pola

hubungan antar dua variabel atau lebih. Analisa regresi dapat digunakan untuk dua hal

pokok yaitu :

1. Untuk memperoleh suatu persamaan hubungan antara dua variabel persamaan

garis yang dapat disebut persamaan regresi yang dapat berbentuk linier dan

nonlinier.

2. Untuk menaksir suatu variabel yang disebut dependent variable ( dalam hal ini

Y ), dengan variabel lain yang disebut variabel bebas (independent variable/ X),

(15)

Untuk mempelajari hubungan-hubungan antara beberapa variabel, analisis ini

terdiri dari dua bentuk, yaitu:

1) Analisis Regresi sederhana ( Simple Analize Regression )

2) Analisis Regresi berganda ( Multiple Analize Regression )

Analisis regresi sederhana merupakan hubungan antara dua variabel yaitu

variabel bebas ( independent variable ) dan variabel tak bebas ( dependent variable ).

Sedangakan analisis regresi berganda merupakan hubungan antara tiga variabel atau

lebih, yaitu sekurang-kurangnya dua variabel bebas dengan satu variabel tak bebas.

Variabel bebas merupakan variabel yang peubah-peubah tanpa adanya

pengaruh variabel-variabel lain, tetapi perubahan yang terjadi pada variabel bebas

akan mengkibatkan terjadinya perubahan pada variabel lain. Variabel tak bebas

merupakan variabel yang hanya akan berubah manakala terjadi perubahan pada

variabel atau variabel yang lain. Analisis regresi berguna untuk mendapatkan

hubungan fungsional antara dua variabel bebas terhadap variabel tak bebas atau

meramalkan pengaruh variabel bebas terhadap variabel tak bebas. Asumsi agar

analisis regresi dapat digunakan adalah:

1. Variabel yang dicari hubungan fungsionalnya mempunyai data yang

berdistribusi normal.

2. Variabel bebas tidak acak, sedangkan variabel tak bebas harus acak.

3. Variabel yang dihubungkan mempunyai pasangan sama dari subyek yang

(16)

4. Variabel yang dihubungkan mempunyai data interval atau ratio.

2.2.1 Regresi Linier Sederhana

Regresi linier sederhana merupakan suatu prosedur untuk mendapatkan hubungan

matematis dalam bentuk suatu persamaan antara variabel tak bebas tunggal dengan

variabel bebas tunggal. Regresi linier sederhana hanya ada satu peubah bebas X yang

dihubungkan dengan satu peubah tak bebas Y. Bentuk umum model regresi linier

sederhana yang menunjukkan hubungan antara dua variabel yaitu variabel X sebagai

variabel bebas dan variabel Y sebagai variabel tak bebas adalah:

Yi = o + 1 X1 + i……….………..(2.1)

Dengan i = 1,2,…,n

Yi = Variabel tak bebas ke-i ( dependent variable )

X1 = Variabel bebas ke-i ( independent variable )

o = Intrsep Y dari garis, yaitu titik dimana garis itu memotong sumbu Y

1 = Kemiringan garis

i = Kesalahan penduga pada pengamatan ke-i.

2.2.2 Regresi Linier Berganda

Regresi linier berganda adalah analisis regresi yang menjelaskan hubungan antara

peubah respon (dependent variable / variabel tak bebas) dengan faktor-faktor yang

(17)

Regresi linier berganda hampir sama dengan regresi linier sederhana hanya saja pada

regresi linier berganda variabel penduga (variabel bebas) lebih dari satu variabel.

Tujuan anlisis regresi berganda adalah untuk membuat sebuah model yang baik

(sebuah persamaan perkiraan hubungan Y terhadap variabel-variabel bebas) yang

akan memungkinkan kita untuk menaksir Y bagi nilai-nilai X1,X2,…Xk tertentu dan

mengerjakannya dengan sebuah kesalahan taksiran (eror) yang sekecil mungkin.

Bentuk umum persamaan regresi linier berganda:

Yi= o + 1 X1+ 2 X2+ …+ k Xk+ j ………..………...(2.2) dimana : Y = variabel respon ( dependent variable )

Xk = Variabel bebas ( independent variable )

o = Konstanta regresi

1, 2,…, k = Koefisien regresi variabel bebas

j = Galat taksiran ( sisa residu )

Model diatas merupakan model regresi untuk populasi, sedangkan apabila kita

hanya menarik sebagian ( berupa sampel ) dari populasi secara acak dan mengetahui

regresi populasi sehingga model regresi populasi perlu diduga berdasarkan regresi

sampel sebagai berikut:

Yi = bo + b1 X1 + b2 X2 + …+ bk Xk + j……….………..(2.3) Dimana : Y = variabel tak bebas

X = variabel bebas

(18)

Uji yang digunakan dalam pembentukan persamaan regresi adalah metode

kuadrat terkecil. Persamaan regresi yang diperoleh adalah merupakan penduga yang

diharapkan yakni :

i = bo + b1 X1 + b2 X2 + …+ bk Xk………..………..….(2.4)

= Y - j

Bentuk data yang akan diolah adalah seperti tabel dibawah ini:

Tabel 2.1 Bentuk umum data observasi

No.Observasi

Variabel Respon

Variabel bebas

X1 X2 … Xk

1 Y1 X11 X12 … X1k

2 Y2 X21 X22 … X2k

… … … …

n Yn Xn1 Xn2 … Xnk

Yi X1i X2i … Xkn

2.3 Membentuk Persamaan Regresi Linier Berganda

Dalam regresi linier berganda, variabel tak bebas ( Y ) tergantung kepada dua atau

lebih variabel bebas ( X ). Bentuk persamaan regresi linier berganda yang mencakup

dua atau lebih variabel yaitu:

(19)

Dalam penelitian ini, penulis menggunakan model regresi linier berganda

dengan empat variabel, yaitu satu variabel tak bebas ( dependent variable ) dan tiga

variabel bebas ( independent variable ). Bentuk umum persamaan regresi linier

berganda tersebut, yaitu:

i = bo + b1 X1i + b2 X2i + b3 X3i ………(2.6)

Dimana: i = 1,2,…,n.

n = ukuran sampel

Untuk rumus diatas, kita harus menyelesaikannya dengan empat persamaan

dengan empat variabel yang berbentuk:

.……..…...(2.7)

Sistem persamaan (2. 7) dapat disederhanakan sedikit apabila diambil x1 = X1 - X1 ,

x2 = X2 -X2 , x3 = X3 - X3 , dan y = Y - Y . Sehingga persamaan (2.6) menjadi:

Y = b1 x1 +b2 x2 +b3 x3 ……….…(2.8) Koefisien-koefisien b1, b2, dan b3 dapat dihitung dari:

………...……..(2.9) Yi = n.bo + b1 X1i + b2 X2i + b3 X3i

X1i Yi = bo X1i + b1 ( X1i)2 + b2 X1i X2i + b3 X1i X3i

X2i Yi = bo X2i + b1 X1i X2i + b2 ( X2i )2 + b3 X2i X3i

X3i Yi = bo X3i + b1 X1i X3i + b2 X2i X3i + b3 (X3i)2

x1i yi = b1 x21i+ b2 x1i x2i + b3 x1i x3i

x2i yi = b1 x1i x2i + b2 x22i + b3 x2i x3i

(20)

Dengan penggunaan x1, x2, x3, dan y yang baru ini juga, diperoleh harga-harga

koefisien bo, b1, b2, dan b3. Harga-harga bo, b1, b2, dan b3 yang didapat, langsung

disubsitusikan ke dalam persamaan (2.6); dan diperolehlah model regresi linier ganda

Y atas X1, X2, dan X3.

2.4 Uji Keberartian Regresi

Sebelum regresi yang diperoleh digunakan untuk membuat kesimpulan terlebih

dahulu diperiksa setidak-tidaknya mengenai kelinieran dan keberartiannya.

Pemeriksaan ini ditempuh melalui pengujian hipotesis. Menguji keberartian regresi

linier berganda ini dimaksudkan untuk meyakinkan diri apakah regresi yang didapat

berdasarkan penelitian ada artinya bila dipakai untuk membuat kesimpulan mengenai

hubungan sejumlah peubah yang sedang dipelajari.

Untuk itu diperlukan 2 macam jumlah kuadrat-kuadrat JK untuk regresi atau

ditulis dengan JKreg dan untuk sisa ditulis dengan JKres yang secara umum

menggunakan rumus:

JKreg = Jumlah Kuadrat Regresi

i2 = b1 yi x1i + b2 yi x21 + … + bk yi xki………...…………(2.10) Dengan: x1i = X1i – X1; x2i = X2i – X2

(21)

JKres = Jumlah Kuadrat Residu ( sisa )

ei2 = ( Yi – i)2 ………..…...……….……..(2.11) Dengan demikian uji keberartian regresi linier ganda dapat dilakukan dengan:

Fhitung =

(

)

1 /

/

Re Re

− −k n JK

k JK

s g

……...………..………..………(2.12)

Dimana: F = Statistik F yang menyebar mengikuti distribusi F dengan derajat bebas

V1 = k dan V2 = n-k-1.

Langkah-langkah yang dibutuhkan untuk pengujian hipotesa ini adalah sebagai

berikut:

1) H0: 0= 1= … = k = 0

Tidak terdapat hubungan fungsional yang signifikan antara variabel bebas

dengan variabel tidak bebas.

H1 : Minimal satu parameter koefisien regresi yang ≠ 0

Terdapat hubungan fungsional yang signifikan antara variabel bebas

dengan variabel tidak bebas.

2) Pilih taraf yang diinginkan.

3) Hitung Statistik Fhitung dengan menggunakan persamaan (2.12)

4) Nilai Ftabel menggunakan tabel F ( terlampir ) dengan taraf signifikansinya

Ftabel = F (1- )( k ),( n-k-1 ).

5) Kriteria pengujian : jika Fhitung ≥ Ftabel, maka tolak H0 dan jika Fhitung ≤ Ftabel,

(22)

2.5 Koefisien Determinasi

Koefisien Determinasi yang dinyatakan dengan R2 untuk pengujian regresi linier

ganda yang mencakup lebih dari dua variabel adalah untuk mengetahui proporsi

keragaman total dalam variabel tak bebas ( Y ) yang dapat dijelaskan atau diterangkan

oleh variabel-variabel bebas ( X ) yang ada didalam model persamaan regresi linier

berganda secara bersama-sama.Maka R2 akan dibentuk dengan rumus:

R2=

∑

=

n

i i g

y JK

1 2 Re

………..………....……(2.13)

Dimana: Jkreg = Jumlah kuadrat regresi

= b1 yi x1i + b2 yi x21 + … + bk yi xki

yi2 = ( Yi –Yi)

2

Harga R2 diperoleh sesuai dengan variansi yang dijelaskan masing-masing

variabel yang tinggal dalam regresi. Hal ini mengakibatkan variasi yang dijelaskan

penduga yang disebabkan oleh variabel yang berpengaruh saja ( bersifat nyata ).

2.6 Koefisien Korelasi

Untuk mencari korelasi antara variabel Y dengan X1, dapat dirumuskan sebagai

(23)

r =

(

)(

)

(

)

{

∑

−

∑

}

{

∑

−

(

∑

)

}

− 2 2 2 2 i i i i i i i i Y Y n X X n Y X Y X n ………...………..…….….(2.14)

Sedangkan untuk menghitung korelasi antara variabel tak bebas dengan tiga buah

variabel bebas adalah :

1. Koefisien korelasi antara Y dengan X1

ry1 =

(

)(

)

(

)

{

∑

−

∑

}

{

∑

−

(

∑

)

}

− 2 2 2 1 2 1 1 1 i i i i i i i i Y Y n X X n Y X Y X n …….………..(2.15)

ry2 =

(

)(

)

(

)

{

∑

−

∑

}

{

∑

−

(

∑

)

}

− 2 2 2 2 2 2 2 2 i i i i i i i i Y Y n X X n Y X Y X n …….…...……….(2.16)

ry3 =

(

)(

)

(

)

{

∑

−

∑

}

{

∑

−

(

∑

)

}

− 2 2 2 3 2 3 3 3 i i i i i i i i Y Y n X X n Y X Y X n ….………..………(2.17)

Koefisien korelasi ini bernilai antara -1 dan +1, jika dua variabel berkorelasi

negatif maka nilai koefisien korelasi akan mendekati -1, jika dua variabel tidak

berkorelasi maka koefisien korelasi akan mendekati 0, sedangkan jika dua variabel

berkorelasi positif maka nilai koefisien korelasi akan mendekati +1. Untuk lebih

memudahkan mengetahui bagaimana sebenarnya derajat keeratan antara

(24)

-1,00 <= r <= -0,80; berarti berkorelasi kuat

-0.79 <= r <= -0.50; berarti berkorelasi sedang

-0.49 <= r <= 0,49; berarti berkorelasi lemah

0,50 <= r <= 0,79; berarti berkorelasi sedang

0,80 <= r <= 1,00; berarti berkorelasi kuat

2.7 Uji Koefisien Regresi Ganda

Untuk mengetahui bagaimana keberartian adanya setiap variabel bebas dalam regresi,

perlu diadakan pengujian tersendiri mengenai koefisien-koefisien regresi. Misalkan

populasi mempunyai model regresi linier ganda :

y.x1x2…xn= o + 1 X1+ 2 X2+ …+ k Xk

yang berdasarkan sebuah sampel acak berukuran n ditaksir oleh regresi berbentuk:

i = bo + b1 X1 + b2 X2 +…+ bk Xk

Akan dilakukan pengujian hipotesis dalam bentuk:

H0 = i = 0, i = 1,2,…,k.

H1 = i≠ 0, i = 1,2,…,k.

Untuk menguji hopotesis ini digunakan kekeliruan baku taksiran sy.12…k,

(25)

variabel Xi yang dianggap sebagai variabel tak bebas dengan variabel-variabel bebas

sisanya yang ada dalam regresi atau ( R ).

Dengan besaran-besaran ini dibentuk kekeliruan baku koefisien bi, yakni:

sbi =

( )(

)

i ij k y R x s 2 2 ... 12 . 2 1− Σ ……….………(2.18)

dimana: s2y.12…k =

(

)

1 ˆ 2 − − − Σ k n Y Y_i _i

x2ij = (Xij - X_i_j )2

R2i =

i g y JK 2 Re Σ

Selanjutnya hitung statistik: ti =

bi i s

b

………..……(2.19)

Dengan kriteria pengujian: jika ti > ttabel maka tolak H0, dan jika ti < ttabel maka terima

H0 yang akan berdistribusi student t dengan derajat kebebasan dk = ( n-k-1 );

(26)

BAB 3

ANALISA DATA

3.1 Pengambilan Data

Data yang dikumpulkan adalah jumlah kecelakaan lalu lintas dan faktor yang

mempengaruhi jumlah kecelakaan lalu lintas. Data yang dipergunakan adalah:

1. Jumlah kendaraan bermotor ( unit )

2. Panjang jalan ( km )

(27)

Dalam hal ini jumlah kecelakaan lalu lintas merupakan variabel terikat (

dependent variable ) sedangkan jumlah kendaraan bermotor, jumlah pelanggaran lalu

lintas, dan panjang jalan merupakan variabel bebas ( independent variable ). Untuk

mendapatkan model yang cocok untuk menduga tingkat kecelakaan lalu lintas

berdasarkan faktor-faktor penduga diatas penulis memakai analisa regresi berganda.

Dan semua perhitungan dalam tulisan ini dilakukan melalui computer dengan

menggunakan perangkat lunak SPSS 12.0. Data yang akan diolah dapat dilihat pada

tabel 3.1.

Tabel 3.1 Data yang akan diolah No. Tahun Jumlah

Kecelakaan lalu lintas

( orang )

Jumlah Kendaraan

( unit )

Panjang jalan ( km )

Jumlah Pelanggaran rambu-rambu

lalu lintas

1 1992 909 445.705 1.386,05 39.853

2 1993 536 469.151 1.392,06 36.166

3 1994 521 479.806 1.402,06 50.299

4 1995 503 413.460 1.455,05 57.288

5 1996 436 556.032 1.529,02 36.669

6 1997 430 603.138 1.529,02 35.701

7 1998 344 613.726 2.351,36 13.047

8 1999 289 627.669 2.351,36 11.063

9 2000 239 663.322 2.351,36 12.925

10 2001 242 714.141 3.078,94 31.134

11 2002 256 792.531 3.078,94 20.796

12 2003 277 906.918 3.078,94 34.528

13 2004 304 1.022.755 3.078,94 50.009

14 2005 618 1.172.128 3.078,94 56.671

15 2006 1048 1.289.746 3.078,94 73.864

(28)

Keterangan :

Yi = Jumlah kecelakaan lalu lintas

X1i = Jumlah kendaraan bermotor ( unit )

X2i = Panjang jalan ( km )

X3i = Jumlah pelanggaran rambu-rambu lalu lintas.

3.2 Membentuk Persamaan regresi Linier Berganda

Untuk mencari persamaan regresi, terlebih dahulu dihitung koefisien-koefisien

regresinya dengan mencari penggandaan suatu variabel dengan variabel yang lain,

sperti pada tabel 3.2

Dari tabel 3.2 didapat harga-harga :

n = 15 X1i X2i = 26.956.509.416,05

Yi = 6.952 X1i X3i = 430.864.468.671

X1i = 10.770.228 X2i X3i = 1.279.283.545,83

X2i = 34.220,98 X1i Yi = 5.181.264.198

X3i = 560.013 X2i Yi = 15.294.634,56

X1i2 = 8.747.449.256.942 X3i Yi = 302.803.906

X2i2 = 86.083.623,40 Yi2 = 4.045.474

X3i2 = 25.549.367.449

Dari data diatas diperoleh persamaan :

(29)

X1i Yi = bo X1i + b1 ( X1i)2 + b2 X1i X2i + b3 X1i X3i

X2i Yi = bo X2i + b1 X1i X2i + b2 ( X2i )2 + b3 X2i X3i

X3i Yi = bo X3i + b1 X1i X3i + b2 X2i X3i + b3 (X3i)2

Dapat disubsitusikan nilai-nilai yang bersesuaian, sehingga diperoleh

persamaan:

6.952 = bo (15) + b1 (10.770.228) + b2 (34.220,98) + b3 (560.013)

5.181.264.198 = bo (10.770.228) + b1 (8.747.449.256.942)+ b2 (26.956.509.416,05)

+ b3 (430.864.468.671)

15.294.634,56 = bo (34.220,98) + b1 (26.956.509.416,05) + b2 (86.083.623,40)

+ b3 (1.279.283.545,83)

302.803.906 = bo (560.013) + b1 (430.864.468.671) + b2 (1.279.283.545,83)

+ b3 (25.549.367.449)

Setelah persamaan diatas diselesaikan, maka diperoleh koefisien-koefisien

regresi linier ganda sebagai berikut:

b0 = 411,476

b1 = 0,001

b2 = -0,283

b3 = 0,005

sehingga diperoleh persamaan regresi linier ganda:

= b0 + b1 X1 + b2 X2 + b3 X3

(30)

Untuk menghitung kekeliruan baku taksiran diperlukan harga-harga yang diperoleh

dari persamaan regresi diatas untuk tiap –tiap harga X1,X2, X3, ditunjukkan pada tabel

[image:30.595.111.529.278.755.2]

3.3 di bawah ini:

Tabel 3.3 Harga untuk data dalam tabel

No. Yi (orang)

X1i

(unit)

X2i

(km) X3i Y- (Y- )

2

1 909 445.705 1.386,05 39.853 536,01 372,99 139.119,30

2 536 469.151 1,392,06 36.166 532,43 3,57 12,75

3 521 479.806 1.402,06 50.299 608,16 -87,16 7.596,69

4 503 413.460 1.455,05 57.288 581,21 -78,21 6.116,33

5 436 556.032 1.529,02 36.669 557,88 -121,88 14.854,00

6 430 603.138 1.529,02 35.701 587,29 -157,29 24.739,51

7 344 613.726 2.351,36 13.047 247,62 96,38 9.289,68

8 289 627.669 2.351,36 11.063 247,54 41,46 1.718,60

9 239 663.322 2.351,36 12.925 282,20 -43,20 1.865,98

10 242 714.141 3.078,94 31.134 203,99 38,01 1.444,46

11 256 792.531 3.078,94 20.796 207,69 48,32 2.334,34

12 277 906.918 3.078,94 34.528 357,84 -80,84 6.534,46

13 304 1.022.755 3.078,94 50.009 517,80 -213,80 45.711,30

14 618 1.172.128 3.078,94 56.671 657,26 -39,26 1.541,43

(31)

6.952 10.770.228 34.220,98 560.013 6.952,01 0,00 311.679,62

Maka kesalahan bakunya dapat dihitung dengan rumus:

s2y.123 =

(

)

1 ˆ 2 − − − Σ k n Y Yi i

= 1 -3 -15 311.679,62 = 28.334,511

Dimana: k = 3, n = 15, dan (Y- )2 = 311.679,62, sehingga :

sy.123 =

1 -3 -15 311.679,62

= 28.334,511

= 168,33

Ini berarti bahwa rata-rata jumlah kecelakaan lalu lintas yang sebenarnya akan

menyimpang dari rata-rata jumlah kecelakaan lalu lintas diperkirakan sebesar 168,33

3.4 Uji Regresi Linier Ganda

Sebelum regresi yang diperoleh digunakan untuk membuat kesimpulan, terlebih

dahulu perlu diperiksa kelinieran dan keberartiannya. Pemeriksaan ini ditempuh

melalui pengujian hipotesis. Perumusan hipotesisnya adalah:

H0 : 0= 1= … = k = 0

: Tidak terdapat pengaruh yang signifikan antara jumlah kendaraan, panjang jalan,

dan jumlah pelanggaran rambu-rambu lalu lintas secara bersama-sama terhadap

(32)

H1 : Minimal satu parameter koefisien regresi yang ≠ 0

: Terdapat pengaruh yang signifikan antara jumlah kendaraan, panjang jalan, dan

jumlah pelanggaran rambu-rambu lalu lintas secara bersama-sama terhadap

tingkat kecelakaan lalu lintas.

Untuk menguji model regresi yang telah terbentuk, maka dapat diambil x1 =

X1-X1, x2 = X2-X2, x3 = X3-X3 , dan y = Y-Y dan diperlukan harga-harga yang

akan dicantumkan pada tabel 3.4 berikut ini :

Menguji keberartian regresi linier berganda ini dimaksudkan untuk meyakinkan

apakah regresi ( berbentuk linier ) yang didapat berdasarkan penelitian ada artinya bila

dipakai untuk membuat kesimpulan mengenai hubungan peubah. Untuk itu diperlukan

dua macam jumlah kuadrat-kuadrat ( JK ) untuk regresi atau ditulis dengan JKreg dan

untuk sisa ditulis dengan JKres , yang secara umum menggunakan rumus:

JKreg = b1 yi x1i + b2 yi x21 + b3 yi x3i ,dengan derajat kebebasan ( dk ) = 3

Jkreg = (0,001)x(189.622.527,6000)+(-0,283)x(-565.648,9707)+

(33)

= 565.983,9243

JKres = ( Yi – i)2 ,dengan derajat kebebasan ( dk ) = ( n-k-1 ) = 311.679,62

Jadi , Fhitung dapat dicari dengan:

Fhitung =

(

1

)

/ / Re Re − −k n JK k JK s g = ) 1 3 15 /( 62 , 679 . 311 3 / 9243 , 565983 − − = 28.334,51 188.661,31

= 6,66

Dengan demikian dapat disimpulkan bahwa dari tabel distribusi F dengan

dkpembilang = 3, dkpenyebut = (n-k-1) = (15-3-1) = 11, dan = 5 % (0,05) didapat Ftabel =

3,59. Karena Fhitung = 6,66 lebih kecil dari Ftabel = 3,59, maka H0 ditolak dan H1

diterima. Hal ini berarti persamaan regresi linier berganda Y atas X!, X2, X3 bersifat

nyata atau ini juga berarti bahwa jumlah kendaraaan bermotor, panjang jalan, dan

jumlah pelanggaran rambu-rambu lalu lintas secara bersama-sama berpengaruh

terhadap tingkat kecelakaan lalu lintas.

(34)

Dari tabel 3.4 dapat dilihat harga y2 = 823.453,74, sedangkan Jkreg yang telah

dihitung adalah 565.983,9243; maka dengan rumus:

R2 = 2 Re

i g

y JK

Σ , diperoleh koefisien determinasi

R2 = ₈₂₃_.₄₅₃_,₇₄

9243 , 983 . 565

= 0,69.

dan untuk koefisien korelasi ganda, digunakan rumus:

R = R2

R = 0,69

R = 0,83

Dari hasil perhitungan diperoleh korelasi (r) positif yaitu sebesar 0,83 yang

menunjukkan bahwa antara variabel X dan variabel Y berhubungan secara positif

dengan tingkat yang tinggi. Nilai koefisien determinasi sebesar 0,69, berarti sekitar 69

% jumlah kecelakaan lalu lintas dipengaruhi oleh jumlah kendaraan, panjang jalan,

dan banyaknya pelanggaran ramu-rambu lalu lintas. Sedangkan sisanya ( 100 % - 69

% ) = 31 % dipengaruhi oleh faktor-faktor yang lain.

Perhitungan korelasi antara variabel X dan variabel Y

Untuk mengukur besarnya pengaruh variabel tak bebas terhadap variabel bebas, dapat

(35)

4. Koefisien korelasi antara jumlah kecelakaan (Y) dengan jumlah kendaraan (X1):

ry1 =

(

)(

)

(

)

{

∑

−

∑

}

{

∑

−

(

∑

)

}

− 2 2 2 1 2 1 1 1 i i i i i i i i Y Y n X X n Y X Y X n =

(

) (

)(

)

(

) (

)

{

2

}

{

(

) (

)

2

}

952 . 6 4.045.474 15 10.770.228 256.942 8.747.449. 15 6.952 10.770.228 198 5.181.264. 15 − − −

= 0,207

5. Koefisien korelasi antara jumlah kecelakaan (Y) dengan panjang jalan (X2)

ry2 =

(

)(

)

(

)

{

∑

−

∑

}

{

∑

−

(

∑

)

}

(

) (

)(

)

(

) (

)

{

2

}

{

(

) (

)

2

}

6952 4.045.474 15 34.220,98 ,40 86.083.623 15 6.952 34.220,98 ,56 15.294.634 15 − − −

= -0,220

6. Koefisien korelasi antara jumlah kecelakaan (Y) dengan jumlah pelanggaran

rambu-rambu lalu lintas (X3).

ry3=

(

)(

)

(

)

{

∑

−

∑

}

{

∑

−

(

∑

)

}

(

) (

)(

)

(

) (

)

{

2

}

{

(

) (

)

2

}

952 . 6 4.045.474 15 560.013 .449 25.549.367 15 6.952 560.013 6 302.803.90 15 − − −

(36)

Dari ketiga nilai korelasi diatas bahwa nilai korelasi antara tingkat kecelakaan

lalu lintas dengan jumlah kendaraan sebesar 0,2075; tingkat kecelakaan lalu lintas

dengan panjang jalan sebesar -0,2202, dan tingkat kecelakaan lalu lintas dengan

jumlah pelanggaran rambu-rambu lalu lintas sebesar 0,7. Dari ketiga nilai itu, yang

memiliki korelasi terbesar adalah korelasi antara tingkat kecelakaan lalu lintas dengan

jumlah pelanggaran rambu-rambu lalu lintas sebesar 0,7 yang berarti semakin banyak

jumlah pelanggaran rambu-rambu lalu lintas akan memberikan pengaruh yang lebih

besar daripada jumlah kendaraan dan panjang jalan.

Perhitungan korelasi antara variabel bebas

1. Koefisien korelasi antara jumlah kendaraan ( X1 )dengan panjang jalan ( X2 ):

r12 =

(

)(

)

(

)

{

∑

−

∑

}

{

∑

−

(

∑

)

}

− 2 2 2 2 2 1 2 1 2 1 2 1 i i i i i i i i X X n X X n X X X X n =

(

) (

)(

)

(

) (

)

{

2

}

{

(

) (

)

2

}

34.220,98 ,40 86.083.623 15 10.770.228 256.942 8.747.449. 15 34.220,98 10.770.228 .416,05 26.956.509 15 − − −

= 0,837

2. Koefisien korelasi antara panjang jalan ( X2 ) dengan jumlah pelanggaran

rambu-rambu lalu lintas ( X3 ):

r23 =

(37)

=

(

) (

)(

)

(

) (

)

{

2

}

{

(

) (

)

2

}

560.013 .449 25.549.367 15 34.220,98 ,40 86.083.623 15 560.013 34.220,98 545,83 1.279.283. 15 − − −

= 0,009

3. Koefisien korelasi antara jumlah kendaraan dengan jumlah pelanggaran

rambu-rambu lalu lintas.

r13 =

(

)(

)

(

)

{

∑

−

∑

}

{

∑

−

(

∑

)

}

− 2 3 2 3 2 1 2 1 3 1 3 1 i i i i i i i i X X n X X n X X X X n =

(

) (

)(

)

(

) (

)

{

2

}

{

(

) (

)

2

}

560.013 .449 25.549.367 15 10.770.228 256.942 8.747.449. 15 560.013 10.770.228 8.671 430.864.46 15 − − −

= 0,419

3.8 Uji Koefisien Regresi Linier Ganda

Dari hasil perhitungan didapat persamaan penduga regresi linier ganda:

= 411,476 + 0,001 X1 – 0,283 X2 + 0,005 X3

Untuk mengetahui bagaimana keberartian adanya setiap variabel bebas dalam

persamaan regresi diatas, perlu diadakan pengujian tersendiri mengenai

(38)

1. Hipotesis pengujian:

H0: i = 0 ; i = 1,2,3

Tidak ada pengaruh yang signifikan antara koefisien X1, X2, X3 terhadap Y

H1: i ≠ 0 ; i = 1,2,3

Terdapat pengaruh yang signifikan antara koefisien X1, X2, X3 terhadap Y

2. Taraf nyata (signifikansi) diambil sebesar 0,05

3. Kriteria pengujian: Terima H0 jika ti < ttabel dan tolak H0 jika ti > ttabel,

4. Ambil kesimpulan berdasarkan kriteria pengujian.

Dimana koefisien korelasi ganda adalah sebesar 0,83 atau R2 = 0,69. Dari

perhitungan yang sebelumnya didapat harga s2y.123 = 28.334,511; x21i =

1.014.261.845.476,40; x2

2i = 8.011.925,26 ; x23i = 4.641.730.104,40. Dapat

dihitung kekeliruan baku koefisien bi adalah sebagai berikut:

sb1 =

(

)

(

₂

)

1 1 2 123 . 2 1 R x s j y − Σ = =

(

1.014.261.845.476,40

)(

1 0,69

)

511 , 334 . 28 − = 0,0003

sb2 =

(

)

(

₂

)

2 2 2 123 . 2 1 R x s j y − Σ =

(39)

sb3 =

(

)

(

₂

)

3 3 2 123 . 2 1 R x s j y − Σ =

(

4.641.730.104,40

)(

1 0,69

)

511 , 334 . 28 − = 0,0044

Diperoleh distribusi stude nt ti =

bi i s

b

t1 =

1 1 b s b = 0003 . 0 001 , 0 = 3,3333

t2 =

2 2 b s b = 1068 , 0 283 , 0 − = -2,6498

t3 =

3 3 b s b = 0044 , 0 005 , 0 = 1,1364

Maka dapat disimpulkan, dari tabel distribusi t dengan dk = 11 dan = 0,05 diperoleh

ttabel = 2,201; dan dari hasil perhitungan diperoleh t1 = 3,3333 lebih besar dari ttabel =

2,201; t2 = -2,6498 < ttabel = 2,201; dan t3 = 1,1364 < ttabel = 2,201. Dengan demikian

koefisien regresi linier ganda untuk X1 berarti, sedangkan untuk X2 dan X3 tidak

(40)

yang memberikan pengaruh yang berarti. Sedangkan panjang jalan dan banyaknya

pelanggaran rambu-rambu lalu lintas tidak memberikan pengaruh yang berarti

(41)

BAB 4

IMPLEMENTASI SISTEM

4.1 Pengertian

Implementasi sistem adalah prosedur yang dilakukan untuk menyelesaikan desain

sistem yang ada dalam desain sistem yang disetujui, menginstal dan memulai sistem

baru atau sistem yang diperbaiki.

Tahapan implementasi sistem merupakan tahapan penerapan hasil desain

tertulis ke dalam programming. Dalam pengolahan data pada tugas akhir ini penulis

menggunakan perangkat lunak ( software ) sebagai implementasi sistem yaitu SPSS

12.0 for Windows dalam masalah memperoleh hasil perhitugan.

4.2 Statistika dan Komputer

Komputer berasal dari kata ‘compute’ dalam bahasa Yunani yang berarti menghitung

( bandingkan dengan kata ‘to compute’ dalam bahasa Inggris ). Dengan demikian,

komputer memang dibuat untuk melakukan pengolahan data yang didasarkan pada

operasi matematika seperti ( x , : , + , - ) dan operasi logika ( >, <, = ). Perkembangan

(42)

kemampuan perhitungan diatas, dengan memperbaiki kinerja ‘otak’ komputer atau

CPU ( Central Processing Unit ), mulai dari teknologi XT yang sudah usang sampai

teknologi Pentium IV dewasa ini.

Disisi lain ilmu statistik, baik statistik deskriptif maupun statistik inferensi

pada dasarnya adalah ilmu yang penuh pola dengan operasi perhitungan matematika.

Statistika berasal dari kata ‘statistik’ yang dapat didefenisikan sebagai data yang telah

terolah yang kemudian mengalami proses pengolahan data. Tentunya proses tersebut

dapat berlangsung hanya dengan didasarkan pada pengolahan data yang berbasis pada

perhitungan matematika, sesuatu yang dapat dikerjakan dengan cepat oleh komputer.

Jadi, jika statistik menyediakan cara atau metode pengolahan data yang ada, maka

komputer menyediakan sarana pengolahan datanya. Dengan bantuan komputer,

pengolahan data statistik hingga dihasilkan informasi yang relevan menjadi lebih

cepat dan akurat.

Dalam pengolahan data, komputer mempunyai tiga keunggulan utama

dibandingkan manusia yaitu kecepatan, ketepatan dan keandalan yang membuat

komputer sangat dibutuhkan dalam mengolah data-data statistk. Selain mempunyai

kecepatan yang sangat tinggi dalam mengolah data-data statistik serta menghasilkan

output yang mempunyai presisi ( ketepatan ) tinggi, komputer juga mempunyai daya

(43)

4.3 SPSS dan Komputer Statistik

Saat ini banyak beredar berbagai paket komputer statistik dari yang kuno dan berbasis

DOS seperti Microsoft sampai yang berbasis Windows seperti SPSS, SAS, Statistika

dan lainnya. Dari berbagai software khusus statsitik yang beredar sekarang, SPSS

adalah yang paling populer dan paling banyak digunakan pemakai diseluruh dunia.

SPSS sebagai software statistik, pertamakali dibuat tahun 1968 oleh tiga

mahasiswa Stanford University yang dioperasikan pada komputer mainframe. Pada

tahun 1984, SPSS pertamakali muncul dengan versi PC ( dapat dipakai untuk

komputer dekstop ) dengan nama SPSS / PC+ dan sejalan dengan mulai populernya

sistem operasi windows, SPSS pada tahun 1992 juga mengeluarkan versi Windows.

Hal ini membuat SPSS yang tadinya ditujukan bagi pengolahan data statistik

untuk ilmu sosial ( SPSS saat itu adalah singkatan dari Statistical Package for the

Social Sciences ) sekarang diperluas untuk melayani berbagai jenis user seperti untuk

proses produksi di pabrik, riset ilmu-ilmu sains dan lainnya sehingga sekarang

kepanjangan SPSS adalah Statistical Product and Service Solutions.

4.4 Mengoperasikan SPSS

Secara umum ada tiga tahapan yang harus dilakukan dengan mengoperasikan SPSS

(44)

1. Tahap Penyiapan Data

Mencakup pemasukan ( input ) data dan penyimpanan data

2. Tahap Proses Analisa Data

3. Tahap Analisis Data

Adapun langkah-langkah pengolahan data dengan menggunakan program SPSS

adalah :

1. Aktifkan Program SPSS pada Windows dengan perintah:

[image:44.595.120.443.327.559.2]

Start lalu program dan pilih SPSS 12.0 for Windows, maka akan tampak seperti pada

(45)

[image:45.595.105.526.84.573.2]

Gambar 4.1 Membuka Program SPSS

2. Pemasukan Data ke SPSS

Langkah-langkah:

2.1 Buka lembar kerja baru

Dari menu FILE, pilih men NEW. Lalu klik DATA. Sekarang SPSS siap

membuat variabel baru yang diperlukan

2.2 Mendefenisikan variabel dan property yang diperlukan

Langkah berikutnya adalah membuat nama untuk setiap variabel baru, jenis

data label data dan sebaginya. Untuk itu, klik tab sheet Variabel View yang

(46)

VIEW lalu submenu VARIABEL atau langsung tekan CTRL+T. Seperti

[image:46.595.108.525.168.497.2]

tampak pada gambar 4.2 dibawah ini:

Gambar 4.2 Tampilan awal SPSS

Tampak tampilan pemasukan variabel baru dengan urutan NAME, TYPE,

WIDTH, dan seterusnya.

2.3 Pengisian

Oleh karena ini variabel pertama, tempatkan pointer pada baris 1.

Name, klik ganda pada sel tersebut dan ketik jlh_laka

(47)

Width, untuk keseragaman ketik 8

Decimals, ketik 0 karena data jlh_laka tidak desimal.

Label, adalah keterangan untuk nama variabel yang disertakan atau tidak

Values dan Missing, abaikan pilihan ini karena data tidak dikategorisasikan

Columns, Untuk keseragaman ketik 8.

Align, adalah posisi data untuk keseragaman pilih left

Measure, adalah hal yang penting menyangkut tipe variabel yang nantiya menentukan jenis analisis yang digunakan.

Begitu seterusnya sampai value yang keempat, seperti tampak pada gambar

[image:47.595.110.527.317.672.2]

4.3 berikut:

(48)

Setelah selesai kemudian klik Data View untuk pemasukan data. Letakkan data

pada baris pertama variabel jlh_laka, kemudian isi data sesuai dengan kasus diatas

[image:48.595.107.525.227.537.2]

dengan memasukkan data. Seperti tampak pada gambar 4.4

Gambar 4.4 Data yang akan diolah

3. Penyimpanan Data

Data yang diisi dalam SPSS disimpan dengan nama “SPSSyoz”. Adapun

langkah-langkahnya adalah sebagai berikut:

(49)

 Pilih SAVE

 Ketik nama file yang hendak disimpan

 Klik OK atau enter

4.5 Pengolahan Data dengan Persamaan Regresi

Langkah-langkahnya adalah sebagai berikut:

1. Buka lembar kerja baru

Dari menu SPSS, klik menu ANALIZE, pilih submenu REGRESSION lalu pilih

(50)

[image:50.595.109.524.85.480.2]

Gambar 4.5 Pilih Analize, Regression, Linier

2. Pada kotak linier regression akan ditampilkan variabel-variabel yang akan diuji.

Pindahkan variabel jumlah kecelakaan pada variabel terikat ( dependent ) dan

variabel jumlah kendaraan, panjang jalan, dan banyak pelanggaran pada variabel

(51)

[image:51.595.106.528.86.506.2]

Gambar 4.6 Kotak Dialog Linier Regression

3. Kemudian klik Statitik pada kotak dialog tadi, aktifkan estimate, model fit, dan

casewise diagnostics. Kemudian klik continue untuk meneruskan lalu klik OK.

4.6 Pengolahan Data dengan Persamaan Korelasi

Langkah-langkahnya adalah sebagai berikut:

1. Buka lembar kerja baru

Dari menu SPSS, klik menu ANALIZE, pilih submenu CORRELATE lalu pilih

(52)

[image:52.595.107.524.86.474.2]

Gambar 4.7 Pilih Analize, Correlate, Bivariate

2. Pada kotak bivariate correlations akan ditampilkan variabel-variabel yang akan

diuji. Pindahkan variabel jumlah kecelakaan, jumlah kendaraan, panjang jalan, dan

(53)

[image:53.595.109.524.86.475.2]

Gambar 4.8 Kotak Dialog Bivariate Correlation

3. Kemudian aktifkan pearson, two-tailed, dan flag significant correlations lalu klik

(54)

BAB 5

PENUTUP

5.1 Kesimpulan

Berdasarkan hasil pengolahan pada bab sebelumnya, serta hasil dari pengumpulan

data yang telah dilakukan, maka dapat diambil beberapa kesimpulan:

1. Dengan menggunakan analisis regresi linier berganda yang diolah dengan

software SPSS 12 diperoleh persamaan linier ganda yaitu:

= 411,476 + 0,001 X1 – 0,283 X2 + 0,005 X3.

2. Dengan taraf nyata = 0,05; dkpembilang = 3 ; dkpenyebut = (n-k-1) = (15-3-1) =

11 maka diperoleh Ftabel = F(0,05;11) = 3,59 dan Fhitung = 6,66. Sehingga Fhitung >

Ftabel , maka H0 ditolak. Hal ini berarti persamaan regresi linier ganda Y atas

X1, X2, X3 adalah significant atau bersifat nyata ini juga berarti bahwa jumlah

kendaraan, panjang jalan, dan jumlah pelanggaran rambu-rambu lalu lintas

secara bersama-sama berpangaruh terhadap tingkat kecelakaan lalu lintas di

(55)

3. Dari hasil perhitungan diperoleh korelasi ( r ) positif yaitu sebesar 0,83 yang

menunjukkan bahwa antara variabel X dan variabel Y berhubungan secara

positif dengan tingkat yang tinggi. Nilai koefisien determinasi ( R ) sebesar

0,69 berarti sekitar 69 % jumlah kecelakaan lalu lintas di Kotamadya Medan

dipengaruhi oleh jumlah kendaraan yang beroperasi, panjang jalan, dan

jumlah pelanggaran rambu-rambu lalu lintas. Sedangkan sisanya 31 %

dipengaruhi oleh faktor-faktor lain yang tidak ada pada pembahasan ini.

4. Hubungan antara tingkat kecelakaan lalu lintas dengan jumlah kendaraan

sebesar 0,2075; tingkat kecelakaan lalu lintas dengan panjang jalan sebesar

-0,2202; dan tingkat kecelakaan lalu lintas dengan jumlah pelanggaran

rambu-rambu lalu lintas sebesar 0,7. Faktor yang paling mempengaruhi tingginya

tingkat kecelakaan lalu lintas adalah banyaknya pelanggaran rambu-rambu

lalu lintas.Artinya semakin banyak pelanggaran rambu-rambu lalu lintas

maka akan semakin tinggi tingkat kecelakaan lalu lintas yang akan terjadi.

5. Dari tabel distribusi t dengan dk = 11 dan = 0,05 diperoleh ttabel = 2,201.

Dan hasil perhitungan ti diperoleh t1 = 3,3333; t2 = -2,6498; t3 = 1,1364.

Dimana t1 > ttabel , t2 < ttabel , dan t3 < ttabel, dengan demikian koefisien regresi

linier ganda untuk X1 sinifikan ( berarti ), sedangkan untuk X2 dan X3 tidak

signifikan / tidak berarti. Jadi prediksi untuk tingkat kecelakaan lalu lintas

yang memberikan pengaruh yang berarti hanya faktor jumlah kendaraan.

(56)

lintas tidak memberikan pengaruh yang berarti terhadap tingkat kecelakaan

lalu lintas.

5.2 Saran

1. Faktor-faktor yang mempengaruhi tingkat kecelakaan lalu lintas perlu

diperhatikan sebelum membentuk model regresi, agar model yang akan dibentuk

akurat dan dapat digunakan untuk berbagai keperluan.

2. Dalam membahas / menganalisis soal regresi linier berganda sebaiknya

dikerjakan melalui komputer dengan perangkat lunak seperti SPSS, Microstat,

SAS, dan lain sebagainya agar model yang diperoleh lebih teliti.

3. Bagi pihak luar seperti Satlantas dan Dinas Pekerjaan Umum, hasil dari tugas

akhir ini dapat digunakan sebagai referensi kegiatan yang telah dilakukan dan

juga dapat digunakan untuk memperhatikan faktor-faktor penyebab tingginya

tingkat kecelakaan lalu lintas seperti jumlah kendaraan yang beroperasi, panjang

(57)

DAFTAR PUSTAKA

Badan Pusat Statistik (BPS).2007. Medan Dalam Angka 2007. Badan Pusat Statistik

Makridakis, Spyros.1999. Metode dan Aplikasi Peramalan. Jakarta : Binarupa

Aksara

Santoso, Singggih.2007. Menguasai Statistik di Era Informasi dengan SPSS 15.

Jakarta : PT Elex Media Komputindo

Sembiring, R.K. 1995. Analisis Regresi. Bandung: Penerbit ITB

(58)

(59)

Output SPSS 12.0

Correlations Jumlah kecelakaan Jumlah kendaraan Panjang jalan Jumlah pelanggaran Jumlah kecelakaan Pearson Correlation

1 .207 -.220 .700(**) Sig. (2-tailed) _.458 _.431 _.004 N 15 15 15 15 Jumlah

kendaraan

Pearson Correlation

.207 1 .837(**) .419 Sig. (2-tailed) _.458 _.000 _.120 N 15 15 15 15 Panjang

jalan

Pearson Correlation

-.220 .837(**) 1 .009 Sig. (2-tailed) _.431 _.000 _.975 N 15 15 15 15 Jumlah

pelanggaran

Pearson Correlation

.700(**) .419 .009 1 Sig. (2-tailed) _.004 _.120 _.975 N 15 15 15 15 ** Correlation is significant at the 0.01 level (2-tailed).

Regression

Variables Entered/Removed(b) Model Variables Entered Variables

Removed Method 1 Jumlah pelanggara n, Panjang jalan , Jumlah kendaraan( a)

. Enter

a All requested variables entered.

b Dependent Variable: Jumlah kecelakaan

Model Summary(b)

Model R R Square

Adjusted R Square

Std. Error of

(60)

ANOVA(b)

Model

Sum of

Squares df Mean Square F Sig. 1 Regression 511774.37

2 3 170591.457 6.021 .011(a) Residual 311679.36

1 11 28334.487 Total 823453.73

3 14 a Predictors: (Constant), Jumlah pelanggaran, Panjang jalan , Jumlah kendaraan

b Dependent Variable: Jumlah kecelakaan

Coefficients(a)

Model

Unstandardized Coefficients

Standardized

Coefficients t Sig. B Std. Error Beta B Std. Error 1 (Constant) _411.476 _189.583 _2.170 _.053 Jumlah kendaraan .001 .000 .788 1.532 .154 Panjang jalan _-.283 _.150 _-.882 _-1.891 _.085 Jumlah pelanggaran .005 .004 .377 1.340 .207 a Dependent Variable: Jumlah kecelakaan

Casewise Diagnostics(a)

Case Number Std. Residual

Jumlah kecelakaan

Predicted

(61)

Residuals Statistics(a)

Minimum Maximum Mean Std. Deviation N Predicted Value _203.99 _827.09 _463.47 _191.194 ₁₅ Std. Predicted Value _-1.357 _1.902 _.000 _1.000 ₁₅ Standard Error of Predicted

Value 66.260 122.237 85.058 18.546 15 Adjusted Predicted Value _170.94 _674.16 _454.05 _186.572 ₁₅ Residual -213.802 372.987 .000 149.207 15 Std. Residual _-1.270 _2.216 _.000 _.886 ₁₅ Stud. Residual _-1.403 _2.435 _.021 _1.043 ₁₅ Deleted Residual -260.846 467.372 9.420 212.284 15 Stud. Deleted Residual -1.476 3.420 .105 1.260 15 Mahal. Distance _1.236 _6.449 _2.800 _1.736 ₁₅ Cook's Distance _.000 _1.016 _.118 _.261 ₁₅ Centered Leverage Value .088 .461 .200 .124 15 a Dependent Variable: Jumlah kecelakaan

(62)

Regression Standardized Residual

3 2

1 0

-1 -2

Frequency

4

3

2

1

0 Histogram Dependent Variable: Jumlah kecelakaan

(63)

Observed Cum Prob

1.0 0.8

0.6 0.4

0.2 0.0

E

xpect

ed

C

um

P

rob

1.0

0.8

0.6

0.4

0.2

0.0

(64)

Regression Standardized Predicted Value

2 1

0 -1

-2

R

egressi

on

S

tudent

iz

ed

R

esi

dual

3

2

1

0

-1

(65)

Jumlah kendaraan

100000 0

-100000 -200000

Jum

lah

kecel

akaan

400

200

0

(66)

Panjang jalan

800.00 600.00

400.00 200.00

0.00 -200.00

-400.00

Jum

lah

kecel

akaan

400

200

0

(67)

Jumlah pelanggaran

30000 20000

10000 0

-10000 -20000

Jum

lah

kecel

akaan

400

200

0