• Tidak ada hasil yang ditemukan

Faktor-Faktor Yang Mempengaruhi Tingkat Kecelakaan Lalu Lintas Di Kota Medan Berdasarkan Data Tahun 2006-2015 Chapter III V

N/A
N/A
Protected

Academic year: 2017

Membagikan "Faktor-Faktor Yang Mempengaruhi Tingkat Kecelakaan Lalu Lintas Di Kota Medan Berdasarkan Data Tahun 2006-2015 Chapter III V"

Copied!
28
0
0

Teks penuh

(1)

3.1 Menentukan Model Persamaan Regresi Linier Berganda

Data yang dikumpulkan dalam penelitian ini adalah jumlah kecelakaan lalu lintas dan faktor-faktor yang mempengaruhinya yaitu jumlah kendaraan bermotor (ribuan unit), panjang jalan (km), dan jumlah pelanggaran lalu lintas.

Untuk memperoleh model yang cocok dalam menduga tingkat kecelakaan lalu lintas berdasarkan faktor-faktor penduga tersebut maka penulis menggunakan analisis regresi linier dengan satu variabel terikat yaitu jumlah kecelakaan lalu lintas (Y) dan tiga variabel bebas yaitu jumlah kendaraan bermotor (� ), Panjang jalan (� ), dan jumlah pelanggaran lalu lintas (� ). Data yang diolah adalah data 10 tahun terakhir yaitu tahun 2006-2015.

Tabel 3.1 Data Jumlah Kecelakaan Lalu Lintas, Jumlah Kendaraan Bermotor, Panjang Jalan, dan Jumlah Pelanggaran Rambu– rambu Lalu Lintas

(2)

Tabel 3.2 Data Jumlah Kecelakaan Lalu lintas, Jumlah Kendaraan Bermotor, Panjang Jalan, dan Jumlah Pelanggaran Rambu- rambu Lalu Lintas dengan Variabel Dilambangkan

Tahun Y

Variabel Bebas

� � �

2006 1.084 2.555,45 3.078,94 73.864

2007 862 2.896,91 3.078,94 57.258

2008 877 3.304,73 3.078,35 49.096

2009 1.055 3.613,88 3.078,94 86.364

2010 843 4.039,13 3.191,50 37.018

2011 1.705 4.569,30 3.245,15 77.988 2012 1.756 4.982,42 3.435,05 72.396 2013 1.339 5.315,18 3.711,74 68.560 2014 1.326 5.315,18 3.711,74 40.918 2015 1.598 5.824,72 3.191,50 40.333

Hubungan antara variabel-variabel bebas X terhadap variabel tak bebas Y dapat terlihat melalui persamaan penduga untuk regresi linier berganda. Persamaan penduga tersebut, yaitu:

Ŷ = � + � � + � � + � �

Untuk menentukan koefisien-koefisien regresi (� , � , � , � ), maka dibutuhkan beberapa tabel untuk nilai-nilai �, ∑Y, ∑� , ∑� , ∑� , ∑� � ,

(3)

Tabel 3.3 Nilai-nilai yang Diperlukan untuk Menentukan Koefisien Regresi 12.445 42.416,90 32.801,85 603.795 55.395.766,39

Sambungan Tabel 3.3

� � � � �

3.337.570,96 80.068 .576

(4)

Sambungan Tabel 3.3

Y2 � � � � � �

1.175.056 7.868.086,46 188.755.980,39 227.422.824,1 6 743.044 8.919.418,23 165.871.387,30 176.293.946,5

2 769.129 10.173.109,44 162.248.925,89 151.134.671,6

0 1.113.025 11.126.907,37 312.108.786,86 265.909.574,1

6 710.649 12.890.873,82 149.520.403,29 118.142.947,0

0 2.907.025 14.828.076,88 356.350.880,35 253.082.758,2

0 3.083.536 17.114.851,52 360.707.061,13 248.683.879,8

0 1.792.921 19.728.569,92 364.408.809,36 254.476.894,4

0 1.758.276 19.728.569,92 217.486.576,16 151.876.977,3

2 2.553.604 18.589.593,88 234.928.431,76 128.722.769,5

0 16.606.265 140.968.057,45 2.512.387.242,49 1.975.747.242

,66 Dari Tabel 3.3 diperoleh harga-harga sebagai berikut:

n = 10 ∑� � = 140.968.057,45

Rumus umum persamaan regresi linier berganda dengan tiga variabel bebas yaitu:

Ŷ= � + � � + � � + � � dan diperoleh melalui persamaan-persamaan berikut: ∑ = �. � + � ∑ � + � ∑ � + � ∑ �

(5)

Harga-harga yang telah diperoleh disubsitusikan ke dalam bentuk persamaan tersebut, maka didapatkan:

12.445 = � +42.416,90� + . , � + . �

55.395.766,39 = . , � + 191.350.992,40 � + . . , � + . . . , �

41.186.779,04 = 32.801,85� + 140.968.057,45 � + . . , � + . . . , �

39.298.675.269 = . � + 2.512.387.242,49� + . . . , � + . . . �

Setelah persamaan di atas diselesaikan, maka diperolehlah nilai koefisien- koefisien linier bergandanya antara lain:

� = ,

� = , � = − , � = ,

Dari koefisien-koefisien yang diperoleh dibentuklah model persamaan regresi linier berganda:

Ŷ = � + � � + � � + � �

Ŷ = , + , � − , � � + , �

3.2 Analisis Residu

(6)

Tabel 3.4 Harga Y untuk Data Dalam Tabel

-201,25 13.484,50 270.641,04 32.300,63 -2.164.262,25 -201,25 -3.121,50 514.377,59 76.978,13 1.193.973,75 -201,84 -11.283,50 344.333,54 74.176,20 4.146.686,25 -201,25 25.984,50 118.970,75 38.136,88 -4.924.062,75

-88,69 -23.361,50 81.329,04 35.609,04 9.379.642,25 -35,04 17.608,50 150.866,25 -16.135,92 8.108.714,25 154,86 12.016,50 378.881,86 79.210,89 6.146.439,75 431,55 8.180,50 101.444,90 40.781,48 773.057,25 431,55 -19.461,50 87.489,52 35.171,33 -1.586.112,25

-88,69 -20.046,50 559.601,11 -31.351,92 -7.086.437,75

(7)

Sambungan Tabel 3.4

25.760,25 2.843.395,22 40.501,56 181.831.740,25 146.306,25 1.808.427,87 40.501,56 9.743.762,25 135.056,25 877.897,79 40.739,39 127.317.372,25

35.910,25 394.150,42 40.501,56 675.194.240,25 161.202,25 41.031,77 7.865,92 545.759.682,25 212.060,25 107.330,93 1.227,80 310.059.272,25 261.632,25 548.676,49 23.981,62 144.396.272,25 8.930,25 1.152.382,93 186.235,40 66.920.580,25 6.642,25 1.152.382,93 186.235,40 378.749.982,25 124.962,25 2.505.983,98 7.865,92 401.862.162,25 1.118.462,50 11.431.660,32 575.656,13 2.841.835.066,50

Sambungan Tabel 3.4

Ŷ Y-Ŷ (Y-Ŷ)2

910,61 173,39 30.063,31

852,79 9,21 84,74

900,63 -23,63 558,18

1.371,13 -316,13 99.939,65 979,38 -136,38 18.600,67 1.541,38 163,62 26.772,40 1.560,58 195,42 38.187,61 1.546,36 -207,36 42.999,34

1.269,94 56,06 3.142,41

1.578,57 19,43 377,63

(8)

Dari Tabel 3.4 diperoleh nilai-nilai berikut:

Maka kesalahan bakunya dapat dihitung dengan rumus:

�. =

Ini berarti bahwa rata-rata jumlah kecelakaan lalu lintas yang sebenarnya akan menyimpang dari rata-rata jumlah kecelakaan lalu lintas diperkirakan sebesar 1.167,11.

3.3 Uji Keberartian Regresi 3.3.1 Uji F (Simultan)

1. Menentukan hipotesis pengujian

(9)

� : � ≠ � ≠ � ≠ Terdapat pengaruh yang signifikan antara jumlah kendaraan, panjang jalan, dan jumlah pelanggaran rambu-rambu lalu lintas secara bersama-sama terhadap tingkat kecelakaan lalu lintas.

2. Menentukan taraf nyata

Dengan taraf nyata α = 0,05 dan nilai Ftabel dengan dk pembilang (v1) = k = 3

Untuk menguji model regresi linier berganda yang telah terbentuk, maka dilakukan pengujian dengan menggunakan uji F .Untuk itu diperlukan nilai dari jumlah kuadrat regresi (JKreg) dan nilai jumlah kuadrat residu (JKres) .Yang secara umum menggunakan rumus:

(10)

5. Hasil yang diperoleh kendaraaan bermotor, panjang jalan, dan jumlah pelanggaran rambu-rambu lalu lintas secara bersama-sama berpengaruh terhadap tingkat kecelakaan lalu lintas.

3.4 Koefisien Determinasi ( )

Untuk mengetahui seberapa besar kemampuan semua variabel dalam menjelaskan varians dari variabel terikat maka digunakan rumus:

= ���

= . .. ,, = ,

(11)

3.5 Koefisien Korelasi

3.5.1 Korelasi antara Variabel Bebas dan Variabel Terikat

Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tidak bebas, maka dari tabel dapat dihitung besar koefisien korelasinya yaitu:

1. Koefisien korelasi antara tingkat kecelakaan lalu lintas (Y) dengan jumlah kendaraan bermotor (� )

r = n ∑ − ∑ ) ∑ ) jumlah pelanggaran rambu-rambu lalu lintas (� )

(12)

= 0,25

3.5.2 Korelasi antara Variabel Bebas

1. Koefisien korelasi antara junlah kendaraan bermotor (� ) dengan jumlah jumlah pelanggaran rambu-rambu lalu lintas (� )

� pelanggaran rambu-rambu lalu lintas (� )

(13)

Dari perhitungan koefisien korelasi baik antara variabel bebas terhadap variabel tak bebas maupun antara sesama variabel bebas diperoleh kesimpulan sebagai berikut:

3.6 Uji Koefisien Regresi Linier Berganda

Dari hasil perhitungan didapat persamaan penduga regresi linier berganda: Ŷ = 267.102 + 0,317 � – 0.294� + 0,01�

Untuk mengetahui bagaimana keberartian adanya setiap variabel bebas dalam

persamaan regresi di atas, perlu diadakan pengujian tersendiri mengenai koefisien-koefisien regresinya. Langkah-langkah pengujiannya sebagai berikut: 1. Menentukan hipotesis pengujian

� : � = � = � = Tidak terdapat pengaruh yang signifikan antara jumlah kendaraan, panjang jalan, dan jumlah pelanggaran rambu-rambu lalu lintas secara bersama-sama terhadap tingkat kecelakaan lalu lintas.

� : � ≠ � ≠ � ≠ Terdapat pengaruh yang signifikan antara jumlah kendaraan, panjang jalan, dan jumlah pelanggaran rambu-rambu lalu lintas secara bersama-sama terhadap tingkat kecelakaan lalu lintas.

2. Menentukan taraf nyata

(14)

3. Kriteria pengujian

� diterima apabila �ℎ� �� � ditolak apabila �ℎ� ��>� 4. Menentukan nilai �ℎ� ��

(15)

= √ �.

5. Hasil yang diperoleh

� , ) > � � (0,45); maka � ditolak

� − , ) < � (0,45); maka � ditolak � , ) > � (0,45); maka � ditolak

(16)

4.1 Pengertian Implementasi

Sistem Implementasi sistem adalah tahapan hasil desain tertulis kedalam programming dengan menggunakan perangkat lunak (software) sebagai implementasi ataupun prosedur untuk menyelesaikan desain sistem, yang mana dalam hal ini implementasi sistem digunakan untuk menganalisa data dari faktor-faktor yang mempengaruhi tingkat kecelakaan lalu lintas di Kota Medan.

Adapun implementasi yang digunakan untuk menganalisa hubungan ataupun pengaruh tingkat kecelakaan lalu lintas adalah SPSS. Diharapkan dengan menggunakan SPSS ini dapat meningkatkan pengetahuan dan kemampuan dalam hal:

1. Pemahaman elemen dari lembar kerja SPSS 2. Menganalisa data dan lembar kerja

3. Kreasi dan modifikasi grafik 4. Pendayagunaan fasilitas SPSS.

4.2 Peranan Komputer dalam Statistika

Komputer memegang peranan yang sangat penting dalam statistika. Komputer bekerja secara efisien dalam pengolahan data yang mempunyai karateristik yaitu: 1. Jumlah input yang besar

Jumlah input yang besar akan dapat diolah komputer dengan mudah, semudah kita mengolah data yang jumlahnya sedikit sehingga komputer akan dapat bekerja secara efisien pada pengolahan data dengan menggunakan input yang besar.

2. Diperlukan kecepatan tinggi

(17)

3. Diperlukan ketepatan yang tinggi

Komputer yang telah terprogram dengan benar akan melakukan proses pengolahan yang tepat. Kesalahan informasi yang mungkin dihasilkan hanya terjadi pada proses pemasukan data saja.

4. Pengolahan hal yang kompleks

Hubungan antar fenomena yang kompleks akan dapat dipecahkan dengan menggunakan komputer dalam waktu yang tepat dan cepat.

SPSS sebagai software statistik, pertama kali dibuat tahun 1968 oleh tiga mahasiswa Standford University, yang dioperasikan pada komputer mainframe SPSS yang tadinya ditujukan bagi pengolah data statistik untuk ilmu sosial, sehingga (SPSS saat itu adalah singkatan dari Statistical Package for the Social Sciences), sekarang diperluas untuk melayani berbagai pengguna, seperti untuk proses produksi di pabrik, riset ilmu-ilmu sains dan lainnya. Sehingga sekarang kepanjangan SPSS adalah Statistical Product and Services Solutions. Kelebihan program ini adalah kita dapat melakukan secara lebih cepat semua perhitungan statistik dari yang sederhana sampai yang rumit sekalipun yang jika kita lakukan secara manual akan memakan waktu yang lebih lama.

4.3 Pengolahan Data dengan SPSS 1. Memulai SPSS pada window yaitu sebagai

(18)

Gambar 4.1 Tampilan SPSS saat dibuka pada Windows

Gambar 4.2 Tampilan Worksheet SPSS 18 For Windows

4.4 Mengoperasikan SPSS

(19)

b. Type : digunakan untuk menentukan tipe data. c. Width : digunakan untuk menetukan lebar kolom. d. Decimals : digunakan untuk memberikan nilai desimal. e. Label : digunakan untuk memberi nama variable.

f. Value : digunakan untuk menjelaskan nilai data pada kolom. g. Missing : digunakan untuk menentukan data yang hilang. h. Columns : digunakan untuk menetukan lebar kolom.

i. Align : digunakan untuk menetukan rata kanan, kiri, atau tengah. j. Measur : digunakan untuk menentukan tipe atau ukuran data, yaitu

nominal, ordinal atau skala.

4.5 Pengolahan Data untuk Regresi

1. Klik lembar Variabel View dari SPSS Data Editor, kita definisikan variabel Y dengan nama variabel Y, variabel � dengan nama x1, � dengan nama x2, dan � dengan nama x3.

Gambar 4.3 Tampilan Pengisian Data Variabel pada Variable View

(20)

Gambar 4.4 Tampilan Pengisian Data Variabel pada Data View

3. Klik Analyze → Regression → Linear sebagai berikut:

Gambar 4.5 Tampilan pada Kotak Dialog Regression

(21)

Gambar 4.6 Tampilan Linier Regression

5. Pindahkan variabel Y ke dalam kotak berjudul Dependent dan variabel x1, x2, dan x3 ke dalam kotak berjudul Independent(s). Seperti terlihat pada tampilan berikut:

Gambar 4.7 Tampilan Dependent dan Independent

6. Pastikan memilih Method: Enter. Kemudian klik tombol Statistics dan

(22)

Gambar 4.8 Tampilan Linier Regression Statistic

7. Kemudian klik Continue.

8. Klik Plots akan didapat tampilan sebagai berikut:

Gambar 4.9 Tampilan Plots

9. pada standardized Residual Plots centang pada produce all Partial plots 10. kemudian klik continue dan ok.

(23)

1. Klik Analyze → Correlate Bivariate sebagai berikut:

Gambar 4.10 Tampilan Correlations Statistic

2. Pada kotak bivariate correlations akan ditampilkan variabel-variabel yang akan diuji. Pindahkan keseluruhan variabel. Kemudian aktifkan pearson, two tailed, dan flag significant correlations lalu klik OK seperti terlihat dalam tampilan berikut ini:

Gambar 4.11 Tampilan Bivariates Correlations Statistic

(24)

Output:

Descriptive Statistics

Mean Std. Deviation N Y 1.244,5000 352,52462 10 � 4.241,6899 1.127,02461 10 � 3.280,1850 252,90669 10 � 60.379,5000 17.769,62160 10

Correlations

Y � � �

Pearson Correlation Y 1,000 0,729 0,455 0,248 � 0,729 1,000 0,714 -0,270 � 0,455 0,714 1,000 -0,119 � 0,248 -0,270 -0,119 1,000 Sig. (1-tailed) Y - 0,008 0,093 0,245

� 0,008 - 0,010 0,225

� 0,093 0,010 - 0,372

� 0,245 0,225 0,372 -

N Y 10 10 10 10

� 10 10 10 10

� 10 10 10 10

(25)

Model Summaryb

(26)

Residuals Statisticsa

Minimum Maximum Mean

Std.

Deviation N Predicted Value 846,1599 1.575,1115 1.244,5000 308,80317 10 Residual -305,76920 203,44804 0,00000 170,04180 10 Std. Predicted

Value

-1,290 1,071 0,000 1,000 10

(27)

5.1 Kesimpulan

Berdasarkan pengolahan data yang telah dilakukan, maka diperoleh beberapa kesimpulan antara lain:

1. Dengan menggunakan analisis regresi linier berganda diperoleh model persamaan sebagai berikut:

Ŷ = , + , � − , � � + , �

Jika jumlah kendaran bermotor (� ) dan jumlah pelanggaran rambu-rambu lalu lintas (� ) tinggi maka tingkat kecelakaan (Y) akan semakin tinggi, sementara jika panjag jalan (� ) semakin tinggi maka tingkat kecelakaan (Y) akan semakin rendah.

2. Dari perhitungan koefisien korelasi antara variabel bebas terhadap variabel tak bebas diperoleh hasil sebagai berikut:

a. Hubungan antara tingkat kecelakaan lalu lintas dengan banyaknya kendaraan bermotor yaitu sebesar 0,73.

b. Hubungan antara tingkat kecelakaan lalu lintas dengan panjang jalan yaitu sebesar 0,45.

c. Hubungan antara tingkat kecelakaan lalu lintas dengan banyaknya pelanggaran rambu-rambu lalu lintas yaitu sebesar 0,25.

Maka faktor yang paling berpengaruh terhadap tingginya tingkat kecelakaan lalu lintas di Kota Medan adalah jumlah kendaraan bermotor yaitu sebesar 0,73. Artinya semakin banyak kendaraan bermotor di Kota Medan maka akan semakin tinggilah tingkat kecelakaan lalu lintas yang terjadi.

5.2 Saran

(28)

Gambar

Tabel 3.1 Data Jumlah Kecelakaan Lalu Lintas, Jumlah Kendaraan Bermotor, Panjang Jalan, dan Jumlah Pelanggaran Rambu–rambu Lalu Lintas
Tabel 3.2 Data Jumlah Kecelakaan Lalu lintas, Jumlah KendaraanBermotor, Panjang Jalan, dan Jumlah Pelanggaran Rambu- rambu Lalu Lintas dengan Variabel Dilambangkan
Tabel  3.3  Nilai-nilai yang Diperlukan untuk Menentukan Koefisien Regresi
Tabel 3.4  Harga Y untuk Data Dalam Tabel
+7

Referensi

Dokumen terkait

Jumlah total BAL yang diuji menggunakan Kruskall Wallis yaitu nilai p= 0,620 menunjukkan bahwa perlakuan penambahan sari buah nanas tidak ada pengaruh nyata

Jika kunci yang digunakan untuk proses verifikasi berbeda dengan kunci pada proses pemberian digital signature , maka nilai digital signature akan memberikan hasil

Hal ini sesuai dengan penelitian Kusumaningtyas (2011) bahwa terdapat perbedaan yang signifikan (p&lt;0,000) pada hasil pretest dan posttest terhadap pengetahuan

berupa JSON (JavaScript Object Notation) ke data server. Aplikasi ini juga dibangun dengan memanfaatkan Google Maps API dalam memberikan informasi berupa peta lokasi

Tabulasi silang antara pengetahuan ibu dengan kekambuhan alergi makanan pada balita, dari penelitian ini menunjukkan bahwa pengetahuan ibu yang baik dalam pencegahan

[r]

Artinya berdasarkan pasal tersebut Undang- Undang tentang Pemberantasan Tindak Pidana Korupsi dapat juga digunakan untuk mengadili tindak pidana lain seperti tindak

Dalam makalah ini akan disampaikan cara penentuan nilai ketidakpastian pada material magnet permanen dengan alat ukur permagraph dengan menggunakan evaluasi tipe A yaitu dengan cara