Abstract— Humans needs transportation to travel, and a lot of people especially in developed countries like to use public transportation such as online taxi. Traveling by public transport makes people must know the conditions such as the destination, travel distance, total time of travel and many other conditions to watch out for. Research on 205 trips has been done by a driver everyday to know the habit of passengers who have traveled using his services. By these matters, this report aims to do an exploration data that use to maximize insights from a set of “Travel Times” data. Exploration of data is done by using GG plot, violin plot, density plot, word cloud and bar chart.
I. PENDAHULUAN
epergian atau menempuh perjalanan merupakan kegiatan yang sering dilakukan oleh manusia, seperti bepergian ke sekolah, bepergian ke kantor, dan bepergian ke pasar. Kebutuhan akan bepergian yang semakin kompleks membuat transportasi menjadi hal yang harus selalu dibenahi. Jika tidak ada transportasi, orang tidak dapat bepergian ke tempat lain sehingga dia tidak dapat bekerja di tempatnya bekerja untuk memenuhi kebutuhan hidupnya. Kebutuhan transportasi selalu berkembang seiring dengan waktu. Peningkatan kualitas transportasi yang dilihat dari kemampuan jarak bepergian, kenyamanan, tingkat harga, efisiensi waktu, dan standard keamanan dan keselamatan selalu menjadi hal yang diperhatikan oleh pemerintah. Manusia sangat membutuhkan transportasi, dan tidak sedikit manusia memerlukan transportasi umum seperti angkutan kota, bus kota, kereta api dan transportasi umum yang lainnya. Bepergian menggunakan transportasi umum, setiap orang harus mengetahui beberapa kondisi seperti tempat yang akan ditujunya maupun perkiraan waktu tempuh pada perjalanan dan jarak tempuh perjalanan.
Penelitian terhadap 205 perjalanan yang telah dilakukan oleh seorang supir setiap harinya untuk mengetahui data penumpang yang telah melakukan perjalanan menggunakan jasanya [1]. Berdasarkan hal tersebut, laporan ini bertujuan untuk melakukan eksplorasi data mengenai data travel times yaitu bertujuan memaksimalkan wawasan dari sekumpulan data travel times, mendeteksi outlier dan anomali data, untuk mengenali struktur dasar data, mengekstrak variabel yang dianggap penting, menguji asumsi dasar dari data, dan dapat mengembangkan parsimonious dari model.
II. TINJAUAN PUSTAKA A. Statistika Deskriptif
Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna tanpa menarik inferensia atau kesimpulan [4].
1. Mean
Mean adalah nilai mean dari suatu data. Rumus yang digunakan untuk menghitung rata – rata adalah sebagai berikut [4].
Rumus untuk rata – rata
̅ ∑ (1)
Keterangan :
̅ = Mean atau rata - rata
= Banyaknya data yang akan diolah ∑ = Jumlah data yang diperoleh.
2. Varians
Varians salah satu teknik statistik yang digunakan untuk menjelaskan homogenitas serta penyebaran data. Varians merupakan jumlah kuadrat semua deviasi nilai-nilai individual terhadap mean kelompok. Sedangkan akar dari varians disebut dengan standar deviasi atau simpangan baku.
Standar deviasi (simpangan baku) merupakan variasi sebaran data. Semakin kecil nilai sebarannya berarti variasi nilai data makin sama Jika sebarannya bernilai 0, maka nilai semua datanya adalah sama. Semakin besar nilai sebarannya berarti data semakin bervariasi.Varians adalah salah satu ukuran dispersi atau ukuran variasi. Varian diberi simbol σ2 untuk populasi dan untuk s2 sampel, sedangkan standar deviasi diberi simbol σ untuk populasi dan s untuk sampel [4]. Rumus untuk mencari varian
∑ ̅
(2)
Keterangan : S2 : Varians
i
x
: Nilai x ke-i x : Mean n : Banyak data3. Nilai Maksimum dan Nilai Minimum
Nilai maksimum adalah nilai tertinggi dari suatu gugus data, sedangkan nilai minimum adalah nilai terendah dari suatu gugus data [4].
Analisis dan Eksplorasi Faktor
-
Faktor yang
Mempengaruhi Waktu dan Jarak Tempuh Perjalanan pada
data Travel Times
Naomi Puspita Happy Puranti, Nur Fidyah Permatasari, Astrid Wiswandani, dan Novri Suhermi Jurusan Statistika, Fakultas Matematika, Komputasi, dan Sains Data,
Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia
e-mail: [email protected]
B. Histogram
Histogram adalah tampilan grafis dari tabulasi frekuensi yang digambarkan dengan grafis batangan sebagai manifestasi data binning. Tiap tampilan batang menunjukkan proporsi frekuensi pada masing-masing deret kategori yang berdampingan (adjacent) dengan interval yang tidak tumpang tindih (non-overlapping).
C. Boxplot
Boxplot adalah salah satu cara dalam statistik deskriptif untuk menggambarkan secara grafik dari data numeris melalui lima ukuran yaitu: 1) nilai observasi terkecil 2) kuartil terendah atau kuartil pertama (Q1), yang memotong 25 % dari data terendah; 3) median (Q2) atau nilai pertengahan; 4) kuartil tertinggi atau kuartil ketiga (Q3), yang memotong 25 % dari data tertinggi; 5) nilai observasi terbesar. Selain itu, dalam boxplot juga ditunjukkan nilai outlier dari observasi.
D. Scatterplot
Scatterplot adalah sebuah grafik yang biasa digunakan
untuk melihat suatu pola hubungan antara 2 variabel. Untuk bisa menggunakan scatter plot, skala data yang digunakan haruslah skala interval dan rasio [2].
E. GG Plot
GG plot adalah scatter plot yang memiliki spesifikasi plot pada tingkat abstraksi yang tinggi, sangat fleksibel untuk memoles tampilan pada scatter plot, system grafis yang dihasilkan terlihat lebih lengkap. Ada 3 jenis scatter plot yang bisa disajikan dengan gg plot yaitu tipt grafik scatter plot 3 dimensi, tipe grafik teori (menggunakan node, edge layout) dan tipe grafik interaktif (menggunakan paket r ggvis) [3]. F. Density Plot
Density plot memvisualisasikan distribusi data melalui interval atau periode waktu yang berkesinambungan. Plot ini adalah variasi dari histogram yang menggunakan kernel smoothing untuk memplot nilai, memungkinkan distribusi yang lebih halus dengan menghaluskan kebisingan. Puncak dari density plot membantu menampilkan di mana nilai terkonsentrasi selama interval [2].
G. Travel Times
Waktu untuk travel merupakan waktu yang berhubungan dengan perpindahan antar lokasi yang harus dikunjungi dimana barang disimpan dan diambil. Karena komponen waktu travel merupakan kontribusi utama terhadap waktu untuk melakukan picking, maka dapat dikatakan bahwa Travel Times yang berlebihan merupakan suatu pemborosan [1].
Pada pergudangan, permasalahan utama pada tata letak gudang adalah mendapatkan tata letak yang optimal pada area penyimpanan atau area order picking, di mana kriteria utamanya adalah jarak tempuh (travel distance) atau waktu tempuh (travel time). Waktu tempuh akan bertambah pada saat jarak tempuh bertambah [1].
H. One-Way MANOVA
Salah satu model MANOVA sebagai perluasan dari One-Way ANOVA adalah One-Way MANOVA. Model ini dengan pengaruh tetap dapat digunakan untuk menguji apakah ke-g populasi (dari satu faktor yang sama) menghasilkan vektor
rata-rata yang sama untuk p variabel respon atau variabel dependent yang diamati dalam penelitian. Hipotesis tanpa pengaruh perlakuan pada multivariat dapat dirumuskan sebagai berikut [4].
Dapat diuji kesamaan vektor rata-rata dengan mencari matriks jumlah kuadrat dan hasil kali untuk perlakuan dan sisa. Secara akuivalen, akan didapat hubungan ukuran relatif dari galat (sisa) dan total (koreksi) jumlah dari kuadrat dan hasil kali. Untuk perhitungan statistik uji digunakan tabel MANOVA berikut [4].
Tabel 1 One-Way MANOVA Sumber
Variansi
Matriks Jumlah Dari Kuadrat dan Hasil Kali
Pengujian One-Way MANOVA mempunyai hipotesis sebagai berikut. Lambda. Untuk menentukan distribusi digunakan statistika uji pada Tabel 2 sebagai berikut [4].
Tabel 2 Distribusi dari Wilks’ Lambda
Variabel Grup Distribusi Sampling untuk Data Normal
Multivariat
I. Two-Way MANOVA
Selain model One-Way MANOVA, juga terdapat model Two-Way MANOVA sebagai berikut [2].
: pengaruh dari faktor 1 pada level ke-l terhadap respon : pengaruh dari faktor 2 pada level ke-k terhadap respon
: pengaruh faktor interaksi antara faktor 1 pada level ke-l
dan faktor 2 pada level ke-j terhadap respon
: pengaruh error yang berdistribusi Np ∑ untuk data
multivariat.
Hipotesis pengaruh faktor 1 : H0 : ...=
H1 : minimal terdapat satu
Hipotesis pengaruh faktor 2 : H0: β1= β2= ... = βt = 0
H1 : minimal terdapat satu
Hipotesis pengaruh faktor interaksi 1 dan 2 : H0 : 11 = 12 = ... = ij = 0
H1: minimal terdapat satu τβ)ij ≠ 0 , i = 1,2,...,t dan j = 1, 2,
..., r
Berikut ini tabel Two-Way MANOVA. Tabel 3.Two-Way MANOVA Sumber
Variansi
Matriks Jumlah Dari Kuadrat dan Hasil Kali
Data yang digunakan dalam praktikum ini merupakan data sekunder. Data mengenai Travel Times diperoleh dari website OpenMV.net (https://openmv.net/info/travel-times) pada tanggal 18 Mei 2018. Data Travel Times merupakan data observasi terhadap 205 perjalanan yang telah dilakukan oleh seorang supir setiap harinya, tujuan dari observasi tersebut adalah untuk mengetahui data penumpang yang telah melakukan perjalanan menggunakan jasanya.
B. Variabel Penelitian
Variabel penelitian yang digunakan dalam laporan ini yaitu:
1. Date of travel: tanggal melakukan perjalanan.
2. Start Time: waktu ketika penumpang masuk ke mobil. 3. Day Of Week: hari melakukan perjalanan.
4. Going To: tujuan perjalanan (Home/Not Home). 5. Distance (kilometers): jarak perjalanan.
6. Max Speed: kecepatan tercepat. 7. Avg Speed: rata-rata kecepatan.
8. Avg Moving Speed:kecepatan rata-rata hanya tercatat saat mobil bergerak.
9. Fuel Economy: ekonomi bahan bakar. 10.Total Time (minutes): waktu total perjalanan. 11.Moving Time:durasi saat mobil bergerak. 12.Take 407All: melewati tol 407 (ya/tidak). 13.Comments: komentar penumpang.
C. Langkah Analisis
Adapun langkah-langkah yang digunakan adalah sebagai berikut:
1. Mengumpulkan data sekunder dari website OpenMV.net. 2. Eksplorasi data.
3. Melakukan analisis lanjutan (One-Way MANOVA dan Two-Way MANOVA)
4. Menarik kesimpulan.
IV. ANALISIS DAN PEMBAHASAN
A. Statistika Deskriptif
Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian data sehingga memberika n informasi yang berguna. Ukuran pemusatan data dapat berup a mean, Q1, median, Q3, minimum, maximum sedangkan ukur an penyebaran data dapat berupa range, varians, dan standard deviation.
Tabel 4.Statistika Deskriptif pada data Travel Times
Variabel Min Q1 Q2 Mean Q3 Max
Berdasarkan tabel di atas, ditunjukkan bahwa rata-rata variabel respon distance dari 205 data perjalanan adalah 50,98 kilometer, rata-rata max. speed sebesar 127,6 km/jam, rata-rata avg. speed sebesar 74,48 km/jam, avg. moving speed mempunyai rata-rata 81,98 km/jam, dan total time memiliki rata-rata sebesar 41,9 menit.
B. Persebaran dan Distribusi Data
Gambar 1. Histogram Variabel Distance Berdasarkan Day Off Dapat diketahui bahwa dari histogram di atas di Gambar 1 bahwa penumpang dengan tujuan Not home paling banyak berkendara sejauh 50 dan sejauh sekitar 52 kilometer. Sedangkan pada penumpang dengan jarak ke rumah paling banyak jaraknya sekitar 50 hingga 52 kilometer. Selain menggunakan histogram untuk data Distance berdasarkan tujuan perjalanan, persebaran data untuk yang bersifat numerik dapat divisualisasikan seperti berikut.
Gambar 2. Histogram Variabel Max Speed, Avg Speed, Avg Moving Speed, dan Fuel Economy
Berdasarkan Gambar 2 dapat dilihat bahwa histogram dari variabel MaxSpeed cenderung simetris, dapat diartikan bahwa variabel Max Speed berdistribusi normal. Dilihat dari Avg Speed, kebanyakan kecepatan berkendara pengendara lebih cepat dari kecepatan rata rata. Dengan demikian frekuensi maksimum adalah pengendarayang menaiki kecepatan dengan sisi kanan dari distribusi, yang merupakan sisi dengan kecepatan lebih tinggi. Namun beberapa pengendara juga pernah mengendarai dengan kecepatan yang lebih kecil. Para pengendara ini mengambil nilai terendah yaitu ke arah sisi kiri.
Sedangkan pada variabel Avg Speed data menjulur ke arah tengah sehingga dapat diartikan bahwa variabel Avg Speed berdistribusi normal. Pada umumnya rata rata kecepatan berkendara <100 km/Hours, dari grafik dapat dilihat bahwa Avg Speed berkisar antara 60-85 km/Hours membentuk sebagian besar distribusi ke sisi kiri. Namun beberapa pengendara berkendara melebihi kecepatan rata rata. Hal ini membuat ekor nilai ekstrim sehingga distribusi miring positif.
Selanjutnya pada variabel Avg Moving Speed dapat dilihat bahwa histogram dari variabel Avg Moving Speed tidak simetris, data menjulur ke arah kiri (skew positif) sehingga dapat diartikan bahwa variabel Avg Moving Speed tidak berdistribusi normal. Avg Moving Speed normal berkisar
anatara 40-80 km/hours terhadap sisi distribusi kiri. Namun, beberapa pengendara mendorong rata-rata lebih tinggi dan menghasilkan ekor panjang ke arah sisi kanan, sehingga distribusi miring positif.
Untuk variabel Total Time dapat dilihat bahwa histogram dari variabel Total Time tidak simetris, data menjulur ke arah kiri (skew positif) sehingga dapat diartikan bahwa variabel Total Time tidak berdistribusi normal. Batas normal Total Time adalah 40-50 menit, nilai tersebut berada pada sisi distribusi kiri. Namun, beberapa pengendara memiliki waktu yang lebih lama dan menghasilkan ekor panjang ke kanan, sehingga distribusi miring positif. Distribusi variabel berikutnya menggunakan boxplot antara jarak yang ditempuh penumpang dengan hari penumpang menumpangi jasa travel tersebut, yaitu dalam weekday dan weekend.
Gambar 3. Boxplot variabel Distance dan variabel Day of Dari gambar dapat dilihat bahwa Distance atau jarak bila diukur dari hari menempuh perjalanan mempunyai nilai tengah yang stasioner dan cenderung lebih besar pada hari biasa. Dapat dilihat bahwa jarak perjalanan pada hari biasa memiliki plot lebih lebar artinya jarak perjalanan pada hari biasa lebih banyak dilakukan daripada hari akhir pekan. Kemudian dapat dibuat boxplot juga antara jarak tempuh dengan tujuan seperti gampang dibawah.
memiliki range data. Distribusi data selanjutnya dapat dilihat dengan menggunakan visualisasi Density plot sebagai berikut.
Gambar 5. Density Plot berdasarkan variabel Distance dan Day Of Data Total time berdasarkan hasil density plot diketahui berpola distribusi normal. Pada gambar dapat ditunjukkan data tertinggi terletak pada range data 70-90 dengan kepadatan >0,04.
C. Hubungan Antara Variabel
Gambar 6. Korelasi Plot semua variabel
Pada gambar di atas diketahui bahwa terjadi hubungan kuat antar variabel prediktor, yakni hubungan antar total time dengan Moving Time, Avg Speed dengan Avg Moving Speed, Selanjutnya, untuk mengetahui korelasi setiap variabel satu per satu terhadap respon travel times dapat diketahui sebagai berikut.
Gambar 6. Scatter Plot distance denga Total Times
Semakin besar nilai distance maka semakin besar TotalTime. Sehngga jauh dekatnya jarak sangat mempengaruhi lamanya perjalanan.
Gambar 7. Scatter Plot distance denga Max Speed
Semakin besar kecepatan berkendara maka jarak yang ditempuh pun cenderung semakin jauh.
Gambar 8. Scatter Plot Total Times dengan Max Speed
Semakin besar kecepatan juga mempengaruhi waktu perjalanan semakin cepat.
Gambar 9. Scatter Plot Distance dengan Day Of
Gambar10. Scatter Plot Distance dengan Total time dibedakan dengan Take 407 All
Dari visualisasi didapatkan bahwa semakin jauh jarak, waktu perjalanannya juga semakin lama namun kebanyakn cenderung lebih banyak yang tidak naik tol.
Gambar11. Scatter Plot Total Time dengan Distance berdasarkan Going To Semakin jauh jarak semakin lama perjalanan dan tujuan kebanyakan pulang ke rumah.
Gambar12. Scatter Plot Total Time dengan Max Speed berdasarkan hari Ternyata setelah didapati semakin cepat kecepatannya semakin cepat waktu perjalanan dan kebanyakan terjadi saat weekday.
Gambar13. Scatter Plot Total Time dengan Max Speed berdasarkan Naik Tidaknya Tol
Dari korelasi yang didapat semakin cepat kecepatan mengendarai maka semakin cepat pula waktu perjalanannya dan kebanyakan tidak naik tol.
Gambar14. Scatter Plot Total Time dengan Max Speed berdasarkan Tujuan Berdasarkan kecepatan mengendarai semakin cepat makan wa ktu perjalanan juga semakin cepat, hal ini sama pengaruhnya d engan tujuan berkendara ke rumah maupun bukan kerumah. D. Analisis Lanjutan (One-Way MANOVAdan Two-Way
MANOVA)
1. Uji Asumsi Normal Multivariat
Dapat dilihat bahwa titik-titik tidak menyerupai garis lurus regresi maka data tersebut dapat dikatakan tidak berdistribusi normal. Akan tetapi agar dapat melakukan pengolahan data lebih lanjut, maka data Travel Times diasumsikan telah berdisribusi normal.
12 10
a. Uji Asumsi Homogenitas
Uji homogenitas bertujuan untuk menguji asumsi homogenitas matriks varian-kovarian. Pada penelitian ini dilakukan dua pengujian yaitu pada data dengan satu faktor dan pada data dengan dua faktor.
1. sUji Asumsi Homogenitas One Way
Selain asumsi normal, asumsi lain yang harus dipenuhi sebelum melakukan analisis lebih lanjut adalah asumsi homogenitas matriks varian kovarian. Statistik uji yang digunakan dalam pengujian ini adalah Box’s M yang disajikan dalam tabel berikut.
Tabel 6. Output SPSS Uji Homogenitas
Box's Test of Equality of
Covariance Matricesa
Sig. 0,123
Berdasarkan Tabel 6 diketahui nilai signifikansi (P-Value) = 0,123, maka keputusannya adalah gagal tolak H0 karena
P-Value = 0,123 > α = 0,05 yang berarti bahwa pada taraf signifikan 5%, matrik varian-kovarian pada data Travel Times dengan satu faktor perlakuan (Day of Week) homogen. 2. Uji Asumsi Homogenitas Two Way
Pada data dengan dua faktor asumsi homogenitas matriks varian kovarian juga harus dipenuhi. Hasil pengujian homogenitas disajikan dalam tabel sebagai berikut.
Tabel 7. Output SPSS Uji Homogenitas
Box's Test of Equality of
Covariance Matricesa
Sig. 0,000
Berdasarkan Tabel 7 diketahui nilai signifikansi (P-Value) = 0,000, maka keputusannya adalah tolak H0 karena P-Value =
0,000 < α=0,05 yang berarti bahwa pada taraf signifikan 5%, matriks varian-kovarian pada data Travel Times dengan dua faktor perlakuan (Day of Week dan Going To) tidak homogen. Agar dapat dilakukan pengolahan data lebih lanjut, maka matriks varian kovarian dari data tersebut diasumsikan homogen.
b. Analisis One-Way MANOVA
Pada pengujian dengan One-Way MANOVA dalam praktikum ini dilakukan pada salah satu faktor yakni faktor A yaitu Day of Week. Berikut tabel One-Way MANOVA.
Tabel 8. Tabel One-Way MANOVA Sumber
Berdasarkan tabel One-Way MANOVA pada Tabel 8 dapat dihitung statistik uji Wilk’s Lambda yang disajikan pada tabel berikut.
Tabel 9. Output Pengujian One-Way MANOVA Statistik Uji Efek A Nilai P-Value Partial Eta Squared
Wilk's Lambda 0,924 0,018 0,076
Berdasarkan Tabel 9 dapat diketahui pada statistik uji
Wilk’s Lambda bernilai 0,924 dengan nilai signifikansi (P -Value) sebesar 0,018 sehingga dengan tingkat signifikan α=5% keputusannya adalah tolak H0 karena P-Value < α=5%.
Artinya faktor A (Day of Week) memberikan pengaruh
perbedaan rata-rata secara signifikan terhadap respon distance dan total time informasi dengan besarnya pengaruh faktor A terhadap respon yakni sebesar 0,076 (nilai Partial Eta Squared) dimana nilai Partial Eta Squared mendekati 0 yang artinya pengaruhnya kecil terhadap respon.
c. Analisis Two-Way MANOVA
Pada pengujian dengan Two-Way MANOVA dalam praktikum ini dilakukan pada data interaksi antara faktor A (Day of week) dan faktor B (Going To). Berikut ini disajikan hasil tabel Two-Way MANOVA.
Tabel 10. Tabel Two-Way MANOVA Sumber dapat dihitung statistik uji Wilk’s Lambda yang disajikan pada tabel berikut.
Tabel 11. Output Pengujian Two-Way MANOVA
Faktor Statistik Uji Wilk's Lambda Nilai P-Value Partial Eta Squared
A 0,924 0,02 0,076
B 0,999 0,954 0,001 A*B 0,998 0,891 0,002
Berdasarkan Tabel 11 dapat diketahui pada faktor A (Day of Week), statistik uji Wilk’s Lambda bernilai 0,924 dengan nilai signifikansi (P-Value) sebesar 0,02 sehingga dengan tingkat signifikan α=5% keputusannya adalah tolak H0 karena P-Value
< α=5%. Artinya pada taraf signifikan 5%, faktor A (Day of Week) memberikan pengaruh perbedaan rata-rata secara signifikan terhadap respon Distance dan Total Time, kemudian pada faktor B (Going To), statistik uji Wilk’s Lambda bernilai 0,999 dengan nilai signifikansi (P-Value) sebesar 0,954 sehingga dengan tingkat signifikan α=5% keputusannya adalah gagal tolak H0 karena P-Value > α=5%. Artinya pada
taraf signifikan 5%, faktor B (Going To) tidak memberikan pengaruh perbedaan rata-rata secara signifikan terhadap respon Distance dan Total Time. Sedangkan pada interaksi antara faktor A (Day of Week) dan faktor B (Going To), statistik uji Wilk’s Lambda bernilai 0,998 dengan nilai signifikansi (P-Value) sebesar 0,891 sehingga dengan tingkat signifikan α=5% keputusannya adalah gagal tolak H0 karena
P-Value > α=5%. Artinya pada taraf signifikan 5%, interaksi faktor Day of Week dan faktor Going To tidak memberikan pengaruh perbedaan rata-rata secara signifikan terhadap respon Distance dan Total Time.
n terhadap respon Distance dan Total Time, kemudian juga dik etahui nilai Partial Eta Squared dari interaksi faktor A dan B bernilai 0,002 yang berarti bahwa interaksi faktor A dan B tida k memberikan pengaruh respon. Jika dibandingkan dengan nil ai Partial Eta Squared faktor A, maka nilai Partial Eta Square d faktor A lebih besar daripada nilai Partial Eta Squared fakto r B dan interaksi faktor A dan B. Ketiga nilai Partial Eta Squa red menghasilkan nilai yang mendekati 0, yang artinya meskip un ada pengaruh faktor, pengaruhnya sangat kecil terhadap res pon
III. KESIMPULAN/RINGKASAN A. Kesimpulan
Berdasarkan analisis dan pembahasan di atas, dapat disimpulkan bahwa karakteristik data Travel Times dapat dilihat dengan menggunakan analisis statistika deskriptif. Pengujian distribusi normal pada data travel times yaitu menghasilkan data yang berdistribusi normal pada variabel Max Speed dan Avg Speed. Kemudian terdapat korelasi tinggi antar variabel Total Time dan Moving Time sedangkan antar variabel Distance dan Total Time memliki korelasi kecil.
Pada pengujian homogenitas one way, matriks varian-kovarian pada data Travel Times dengan satu faktor perlakuan (Day of Week) homogen. Sedangkan pada pengujian homogenitas two-way matriks varian-kovarian data Travel Times dengan dua faktor perlakuan (Day of Week dan Going To) tidak homogen. Pengujian mean secara multivariat menggunakan satu faktor (One-Way MANOVA), faktor A (Day of Week) memberikan pengaruh perbedaan rata-rata secara signifikan terhadap respon distance dan total time, dengan besarnya pengaruh faktor A terhadap respon yakni sebesar 0,076. Uji mean secara multivariat menggunakan dua faktor (Two-Way MANOVA), diketahui faktor A (Day of Week) memberikan pengaruh perbedaan rata-rata secara signifikan terhadap respon Distance dan Total Time, faktor B tidak memberikan pengaruh perbedaan rata-rata secara signifikan terhadap respon Distance dan Total Time. Sedangkan pada interaksi antara faktor A dan faktor B tidak memberikan pengaruh perbedaan rata-rata secara signifikan terhadap respon Distance dan Total Time.
DAFTAR PUSTAKA
[1] Website : https://openmv.net/ (OpenMV.net Dataset) diakses pada tanggal 18 Mei 2018.
[2] Website : http://www.visualcomplexity.com/ diakses pada tanggal 30 Mei 2018.
[3] Website : http://datavisualization.ch/showcases/ diakses pada tanggal 30 Mei 2018.
[4] Website : http://internet-map.net/ diakses pada tanggal 30 Mei 2018. [5] Website : http://www.visualcomplexity.com/ diakses pada tanggal 30 Mei
