IV.3 Model Perhitungan Produksi Perjalanan
Dari data yang diperoleh melalui kuesioner model formulasi produksi perjalanan menggunakan formula Multiple Regression dengan bantuan software SPSS 16.
IV.3.1 Analisa Korelasi
Untuk melihat hubungan bivarat, antara variabel independent, yang meliputi jumlah anggota keluarga, jumlah penghasilan keluarga, jumlah
kepemilikan kendaraan Mobil, jumlah kepemilikan kendaraan Sepeda Motor jumlah anggota keluarga yang bekerja, dan jumlah keluarga yang
bersekolah dengan Produksi perjalanan Y dapat dilihat dari hasil uji korelasi Pearson. Korelasi Pearson dapat digunakan sebagai statistik uji, karena keenam
variabel yang dianalisis berdistribusi. Terlihat pada Tabel IV.9 Analisa Korelasi
Korelasi pada perumahan Menteng Indah dengan Variabel dependen jumlah perjalanan, dan independennya jumlah anggota keluarga, jumlah
kepemilikan kendaraan Mobil, jumlah kepemilikan kendaraan Sepeda Motor, jumlah anggota keluarga yang bekerja, jumlah anggota keluarga yang
bersekolah, pendapatan. Dimana:
Y adalah jumlah perjalanan X
1
adalah jumlah anggota keluarga X
2
adalah jumlah kepemilikan kendaraan Mobil
Universitas Sumatera Utara
pergerakan keluarga mobil motor
bekerja sekolah pendapatan
pergerakan Pearson Correlation
1 .738
.359 473
590 .390
.621
Sig. 2-tailed .000
.001 .000
.000 .000
.000 N
85 85
85 85
85 85
85 keluarga
Pearson Correlation
.738 1
.457 .548
.602 .331
.729
Sig. 2-tailed .000 .000
.000 .000
.002 .000
N 85
85 85
85 85
85 85
mobil Pearson
Correlation .359
.457 1
.128 .420
-.085 .514
Sig. 2-tailed .001 .000
.242 .000
.440 .000
N 85
85 85
85 85
85 85
motor Pearson
Correlation .473
.548 .128
1 .445
.033 .456
Sig. 2-tailed .000 .000
.242 .000
.762 .000
N 85 85
85 85
85 85
85 bekerja
Pearson Correlation
.590 .602
.420 .445
1 -.175
.485
Sig. 2-tailed .000 .000
.000 .000
.109 .000
N 85 85
85 85
85 85
85
Universitas Sumatera Utara
Tabel IV.9 Analisa Korelasi
X
3
adalah jumlah kepemilikan kendaraan Sepeda Motor X
4
adalah jumlah anggota keluarga yang bekerja X
5
adalah jumlah anggota keluarga yang bersekolah X
6
adalah pendapatan 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
sekolah Pearson
Correlation .390
.331 -.085
.033 -.175
1 264
Sig. 2-tailed .000 .002
.440 .762
.109 .015
N 85 85
85 85
85 85
85 pendapatan Pearson
Correlation .621
.729 .514
.456 .485
.264 1
Sig. 2-tailed .000 .000
.000 .000
.000 .015
N 85 85
85 85
85 85
85 . Correlation is significant at the 0.01 level 2-
tailed. . Correlation is significant at the 0.05 level 2-
tailed.
Universitas Sumatera Utara
bebas tidak boleh saling berkorelasi. Apabila terdapat korelasi diantara variabel bebas, pilih salah satu yang mempunyai nilai korelasi yang terbesar untuk
mewakili. Pada Tabel diatas dapat dilihat bahwa variabel-variabel yang
mempunyai hubungan signifikan atau pengaruh besar terhadap jumlah perjalanan Y adalah jumlah anggota keluarga X
1
, jumlah kepemilikan kendaraan Mobil X
2
, jumlah kepemilikan kendaraan Sepeda Motor X
3
, jumlah anggota keluarga yang bekerja, X
4
, jumlah anggota keluarga yang bersekolah X
5
, pendapatan X
6
. Jumlah anggota keluarga X
1
mempunyai hubungan yang signifikan dengan produksi perjalanan Y dengan nilai R koefisien korelasi yaitu
sebesar 0, 738 atau variabel bebas dapat mempengaruhi variabel terikat dengan kuat hubungan sebesar 73,8.
Jumlah kepemilikan kendaraan Mobil X
2
, mempunyai hubungan yang signifikan dengan produksi perjalanan Y dengan nilai R koefisien
korelasi yaitu sebesar 0,359 atau variabel bebas dapat mempengaruhi variabel terikat dengan kuat hubungan sebesar 35,9.
Jumlah kepemilikan kendaraan Sepeda Motor X
3
, mempunyai hubungan yang signifikan dengan produksi perjalanan Y dengan nilai R
koefisien korelasi yaitu 0,473 atau variabel bebas dapat mempengaruhi variabel terikat dengan kuat hubungan sebesar 47,3 .
Jumlah anggota keluarga yang bekerja X
4
, mempunyai hubungan yang signifikan dengan produksi perjalanan Y dengan nilai R koefisien
Universitas Sumatera Utara
korelasi yaitu 0,590 atau variabel bebas dapat mempengaruhi variabel terikat dengan kuat hubungan sebesar 59.
jumlah anggota keluarga yang bersekolah X
5
,, mempunyai hubungan yang signifikan dengan produksi perjalanan Y dengan nilai R
koefisien korelasi yaitu 0,390 atau variabel bebas dapat mempengaruhi variabel terikat dengan kuat hubungan sebesar 39.
jumlah penghasilan keluarga X
6
mempunyai hubungan yang signifikan dengan produksi perjalanan Y dengan nilai R koefisien korelasi
yaitu 0, 621 atau variabel bebas dapat mempengaruhi variabel terikat dengan kuat hubungan sebesar 62,1 .
Dalam uji korelasi terdapatkan juga variabel-variabel bebas yang saling berkorelasi kuat, seperti jumlah anggota keluarga X
1
yang berkorelasi kuat dengan jumlah penghasilan keluarga X
6
sebesar 0,729atau 72,9
IV.3.2 Model Analisis Regresi Untuk Mendapatkan Persamaan Model Bangkitan
Analisis regresi linear berganda digunakan untuk meramalkan suatu variable terikat Y berdasarkan dua atau lebih variable bebas X
1
,X
2
, ….,X
n
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 yang ditampilkan diolah dengan
bantuan Software SPSS-16.
A. Y dan X
1
→ r = 0,738
Universitas Sumatera Utara
X
1
–X
2
→ r = 0,457 X
1
– X
3
→ r = 0,584 X
1
–X
4
→ r = 0,602 X
1
–X
5
→ r = 0,331 X
1
–X
6
→ r = 0,729
Karena korelasi antara variabel X
1
dan X
6
kuat maka X
6
tidak bisa digunakan dalam persamaan bila di masukkan ke dalam persamaan. Dengan
analisa regresi menggunakan program SPSS 16 maka persamaan yang mungkin terjadi yaitu:
Dengan satu variabel X
1
:
ANOVA
b
Model Sum of Squares
df Mean Square
F Sig.
1 Regression
15.208 1
15.208 99.039
.000
a
Residual 12.745
83 .154
Total 27.953
84 a. Predictors: Constant, keluarga
b. Dependent Variable: pergerakan
Coefficients
a
Model Summary
Model R
R Square Adjusted R Square
Std. Error of the Estimate 1
.738
a
.544 .539
.39186 a. Predictors: Constant, keluarga
Universitas Sumatera Utara
Model Unstandardized
Coefficients Standardized
Coefficients t
Sig. B
Std. Error Beta
1 Constant
.439 .126
3.473 .001
keluarga .582
.058 .738
9.952 .000
a. Dependent Variable: pergerakan
persamaan yang terbentuk adalah:
Y = 0,439 + 0,582X
1
R 0,738 dan R
2
0,544 Dengan dua variabel
X1 – X2
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.738
a
.545 .534
.39397 a. Predictors: Constant, mobil, keluarga
Coefficients
a
ANOVA
b
Model Sum of Squares
df Mean Square F
Sig. 1 Regression
15.226 2 7.613 49.047 .000
a
Residual 12.727 82
.155 Total
27.953 84 a. Predictors: Constant, mobil, keluarga
b. Dependent Variable: pergerakan
Universitas Sumatera Utara
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.401 .169
2.378 .020 keluarga
.572 .066
.725 8.652 .000 mobil
.053 .156
.028 .337 .737 a. Dependent Variable: pergerakan
Y= 0,401+0,572X
1
-0,053X
2
R 0,738 dan R
2
0,545 X
1
- X
3
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.742
a
.551 .540
.39130
a. Predictors: Constant, motor, keluarga
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.361 .144
2.496 .015 keluarga
.539 .070
.684 7.726 .000 motor
.105 .094
.099 1.113 .269 a. Dependent Variable: pergerakan
Y= 0,361+0,539X
1
+0,105X
3
R 0,742 dan R
2
0,551
ANOVA
b
Model Sum of Squares
df Mean Square F
Sig.
1 Regression
15.398 2
7.699 50.283 .000
a
Residual 12.555
82 .153
Total 27.953
84 a. Predictors: Constant, motor, keluarga
b. Dependent Variable: pergerakan
Universitas Sumatera Utara
X
1
-X
5
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.754
a
.568 .557
.38375 a. Predictors: Constant, sekolah, keluarga
ANOVA
b
Model Sum of Squares
df Mean Square F
Sig. 1 Regression
15.877 2
7.939 53.909 .000
a
Residual 12.075 82
.147 Total
27.953 84 a. Predictors: Constant, sekolah, keluarga
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.247 .153
1.616 .110 keluarga
.539 .061
.683 8.881 .000 sekolah
.230 .108
.164 2.132 .036 a. Dependent Variable: pergerakan
Y= 0,247+0,539X
1
+0,230X
5
R 0,754 dan R
2
0,568 Dengan tiga variabel
X
1
-X
2
-X
3
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.743
a
.552 .536
.39303 a. Predictors: Constant, motor, mobil, keluarga
ANOVA
b
Universitas Sumatera Utara
Model Sum of Squares df Mean Square
F Sig.
1 Regression 15.441 3
5.147 33.319 .000
a
Residual 12.512 81
.154 Total
27.953 84 a. Predictors: Constant, motor, mobil, keluarga
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.295 .191
1.545 .126 keluarga
.520 .079
.659 6.561 .000 mobil
.083 .158
.045 .527 .600 motor
.113 .096
.106 1.180 .241 a. Dependent Variable: pergerakan
Y= 0,295+0,520X
1
-0,083X
2
+0,113X
3
R 0,743 dan R
2
0,552 X
1
-X
2
-X
5
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.757
a
.573 .557
.38381 a. Predictors: Constant, sekolah, mobil, keluarga
ANOVA
b
Model Sum of Squares df Mean Square
F Sig.
1 Regression 16.021 3
5.340 36.251 .000
a
Residual 11.932 81
.147 Total
27.953 84 a. Predictors: Constant, sekolah, mobil, keluarga
b. Dependent Variable: pergerakan
Coefficients
a
Universitas Sumatera Utara
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.110 .207
.532 .596 keluarga
.503 .071
.638 7.099 .000 mobil
.156 .159
.084 .986 .327 sekolah
.261 .113
.186 2.323 .023 a. Dependent Variable: pergerakan
Y= 0,110+0,503X
1
+0,156X
2
+0,216X
5
R 0,757 dan R
2
0,573 X
1
-X
3
-X
5
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.762
a
.581 .565
.38030 a. Predictors: Constant, sekolah, motor, keluarga
ANOVA
b
Model Sum of Squares df Mean Square
F Sig.
1 Regression 16.238 3
5.413 37.424 .000
a
Residual 11.715 81
.145 Total
27.953 84 a. Predictors: Constant, sekolah, motor, keluarga
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.110 .175
.632 .529 keluarga
.473 .073
.600 6.467 .000 motor
.147 .093
.138 1.578 .118 sekolah
.263 .109
.187 2.410 .018 a. Dependent Variable: pergerakan
Universitas Sumatera Utara
Y= 0,110+0,473X
1
+0,147X
3
+0,263X
5
R 0,762dan R
2
0,581 Dengan empat variabel
X
1
-X
2
-X
3
-X
5
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.769
a
.591 .571
.37805 a. Predictors: Constant, sekolah, motor, mobil, keluarga
Y= -0,116+0,408X
1
+0,225X
2
+0,178X
3
+0,314X
5
R 0,769 dan R
2
0,591 Dengan empat variabel
X
1
-X
2
-X
3
-X
4
-X
5
ANOVA
b
Model Sum of Squares
df Mean Square F
Sig. 1 Regression
16.519 4 4.130 28.896 .000
a
Residual 11.434 80
.143 Total
27.953 84 a. Predictors: Constant, sekolah, motor, mobil, keluarga
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients t
Sig. B
Std. Error Beta
1 Constant -.116
.237 -.489 .626
keluarga .408
.087 .517 4.712 .000
mobil .225
.160 .121 1.404 .164
motor .178
.095 .167 1.868 .065
sekolah .314
.114 .224 2.747 .007
a. Dependent Variable: pergerakan
Universitas Sumatera Utara
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.819
a
.670 .649
.34161 a. Predictors: Constant, sekolah, motor, mobil, bekerja, keluarga
ANOVA
b
Model Sum of Squares
df Mean Square F
Sig. 1 Regression
18.734 5 3.747 32.107 .000
a
Residual 9.219 79
.117 Total
27.953 84 a. Predictors: Constant, sekolah, motor, mobil, bekerja, keluarga
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
-.400 .224
-1.788 .078 keluarga
.201 .091
.255 2.203 .031 mobil
.161 .146
.086 3.104 .273 motor
.135 .086
.127 3.563 .122 bekerja
.388 .089
.410 4.356 .000 sekolah
.534 .115
.381 4.645 .000 a. Dependent Variable: pergerakan
Y= -0,400+0,201X
1
+0,161X
2
+0,135X
3
+0,388X
4
+0,534X
5
R 0,819 dan R
2
0,670
B. Y dan X
2
→ r = 0,359 X
2
– X
3
→ r = 0,128 X
2
–X
4
→ r = 0,420
Universitas Sumatera Utara
X
2
–X
5
→ r = -0,085 X
2
–X
6
→ r = 0,514
Karena korelasi antara variabel X
2
dan X
6
kuat maka X
6
tidak bisa digunakan dalam persamaan bila di masukkan ke dalam persamaan.
Dengan analisa regresi menggunakan program SPSS 16 maka persamaan yang mungkin terjadi yaitu:
Dengan satu variabel X
2
ANOVA
b
Model Sum of Squares
df Mean Square
F Sig.
1 Regression
3.608 1
3.608 12.301
.001
a
Residual 24.345
83 .293
Total 27.953
84 a. Predictors: Constant, mobil
b. Dependent Variable: pergerakan
Y = 0,883+ 0,670X
2
R= 0,359 dan R
2
=0,129
Model Summary
Model R
R Square Adjusted R
Square Std. Error of the
Estimate 1
.359
a
.129 .119
.54158 a. Predictors: Constant, mobil
Coefficients
a
Model Unstandardized Coefficients
Standardized Coefficients
t Sig.
B Std. Error
Beta 1
Constant .883
.219 4.029
.000 mobil
.670 .191
.359 3.507
.001 a. Dependent Variable: pergerakan
Universitas Sumatera Utara
Dengan dua variabel
X
2
-X
3
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.561
a
.315 .298
.48340 a. Predictors: Constant, motor, mobil
ANOVA
b
Model Sum of Squares df Mean Square
F Sig.
1 Regression 8.792 2
4.396 18.812 .000
a
Residual 19.161 82
.234 Total
27.953 84 a. Predictors: Constant, motor, mobil
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.270 .235
1.151 .253 mobil
.566 .172
.304 3.292 .001 motor
.461 .098
.434 4.710 .000 a. Dependent Variable: pergerakan
Y= 0,270+0,566X
2
+0,461X
3
R= 0,561 dan R
2
=0,315 X
2
-X
4
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.603
a
.363 .348
.46586 a. Predictors: Constant, bekerja, mobil
ANOVA
b
Universitas Sumatera Utara
Model Sum of Squares
df Mean Square F
Sig. 1 Regression
10.157 2 5.078 23.400 .000
a
Residual 17.796 82
.217 Total
27.953 84 a. Predictors: Constant, bekerja, mobil
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.597 .196
3.051 .003 mobil
.252 .181
.135 1.392 .168 bekerja
.505 .092
.533 5.493 .000 a. Dependent Variable: pergerakan
Y= 0,597+0,252X
2
+0,505X
4
R= 0,603 dan R
2
=0,363 X
2
-X
5
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.555
a
.308 .291
.48585 a. Predictors: Constant, sekolah, mobil
ANOVA
b
Model Sum of Squares
df Mean Square F
Sig. 1 Regression
8.597 2 4.298 18.210 .000
a
Residual 19.356 82
.236 Total
27.953 84 a. Predictors: Constant, sekolah, mobil
b. Dependent Variable: pergerakan
Universitas Sumatera Utara
Y= 0,088+0,737X
2
+0, 595X
5
R= 0,555 dan R
2
=0,308 Dengan tiga variabel
X
2
-X
3
-X
4
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.651
a
.423 .402
.44614 a. Predictors: Constant, bekerja, mobil, motor
ANOVA
b
Model Sum of Squares df Mean Square
F Sig.
1 Regression 11.831 3
3.944 19.813 .000
a
Residual 16.122 81
.199 Total
27.953 84 a. Predictors: Constant, bekerja, mobil, motor
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.088 .262
.335 .738 mobil
.737 .172
.395 4.285 .000 sekolah
.595 .129
.424 4.597 .000 a. Dependent Variable: pergerakan
Universitas Sumatera Utara
1 Constant .280
.217 1.292 .200
mobil .288
.174 .155 1.659 .101
motor .291
.100 .274 2.900 .005
bekerja .382
.098 .403 3.907 .000
a. Dependent Variable: pergerakan
Y= 0,280+0,288X
2
+0,291X
3
+0,382X
4
R= 0,651 dan R
2
=0,423 X
2
-X
3
-X
5
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.691
a
.477 .458
.42466 a. Predictors: Constant, sekolah, motor, mobil
ANOVA
b
Model Sum of Squares df Mean Square
F Sig.
1 Regression 13.346 3
4.449 24.668 .000
a
Residual 14.607 81
.180 Total
27.953 84 a. Predictors: Constant, sekolah, motor, mobil
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
-.464 .253
-1.836 .070 mobil
.634 .152
.340 4.184 .000 motor
.442 .086
.416 5.132 .000 sekolah
.569 .113
.405 5.025 .000 a. Dependent Variable: pergerakan
Y= -0,464+0,634X
2
+0,442X
3
+0,569X
5
R= 0,691 dan R
2
=0,477 X
2
-X
4
-X
5
Universitas Sumatera Utara
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.785
a
.616 .602
.36383 a. Predictors: Constant, sekolah, mobil, bekerja
ANOVA
b
Model Sum of Squares df Mean Square
F Sig.
1 Regression 17.231 3
5.744 43.390 .000
a
Residual 10.722 81
.132 Total
27.953 84 a. Predictors: Constant, sekolah, mobil, bekerja
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
-.408 .205
-1.986 .050 mobil
.265 .141
.142 1.875 .064 bekerja
.586 .073
.620 8.076 .000 sekolah
.717 .098
.511 7.310 .000 a. Dependent Variable: pergerakan
Y= -0,408+0,265X
2
+0,586X
4
+0,717X
5
R= 0,785 dan R
2
=0,616 Dengan empat variabel
X
2
-X
3
-X
4
-X
5
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .806
a
.650 .632
.34974 a. Predictors: Constant, sekolah, motor, mobil, bekerja
ANOVA
b
Universitas Sumatera Utara
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
-.601 .209
-2.868 .005 mobil
.292 .136
.157 2.142 .035 motor
.220 .079
.207 2.768 .007 bekerja
.490 .078
.518 6.279 .000 sekolah
.684 .095
.487 7.198 .000 a. Dependent Variable: pergerakan
Y= -0,601+0,292X
2
+0,220X
3
+0,490X
4
+0,684X
5
R= 0,806 dan R
2
=0,650
C. Y dan X
3
→ r = 0,473 X
3
– X
4
→ r = 0,445 X
3
–X
5
→ r = 0,033 X
3
–X
6
→ r = 0,456
Karena korelasi antara variabel X
3
dan X
4,
X
6
kuat maka X
4
dan X
6
tidak bisa digunakan dalam persamaan bila di masukkan ke dalam
Model Sum of Squares df Mean Square
F Sig.
1 Regression
18.168 4 4.542 37.133
.000
a
Residual 9.785 80
.122 Total
27.953 84 a. Predictors: Constant, sekolah, motor, mobil, bekerja
b. Dependent Variable: pergerakan
Universitas Sumatera Utara
persamaan. Dengan analisa regresi menggunakan program SPSS 16 maka persamaan yang mungkin terjadi yaitu
Dengan satu variabel X
3
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .473
a
.224 .215
.51125 a. Predictors: Constant, motor
ANOVA
b
Model Sum of Squares df Mean Square F
Sig. 1
Regression 6.259 1 6.259
23.947 .000
a
Residual 21.694
83 .261 Total
27.953 84
a. Predictors: Constant, motor b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant .831
.171 4.852 .000
motor .503
.103 .473
4.894 .000 a. Dependent Variable: pergerakan
Y = 0,831+0,503X
3
R= 0,473 dan R
2
=0,224 Dengan dua variabel
X
3
–X
5
Universitas Sumatera Utara
Model Summary
Model R R
Square Adjusted
R Square Std. Error of the
Estimate 1
.604
a
.364 .349
.46544 a. Predictors: Constant,
sekolah, motor
ANOVA
b
Model Sum of Squares
df Mean Square F
Sig. 1 Regression
10.189 2 5.094 23.516 .000
a
Residual 17.764 82
.217 Total
27.953 84 a. Predictors: Constant, sekolah, motor
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.214 .213
1.004 .318 motor
.490 .094
.461 5.230 .000 sekolah
.527 .124
.375 4.259 .000 a. Dependent Variable: pergerakan
Y= 0,214+0,490X
3
+0,527X
5
R= 0,604 dan R
2
= 0,364
D. Y dan X
4
→ r = 0,590 X
4
– X
5
→ r = -0,175 X
4
–X
6
→ r = 0,485
Karena korelasi antara variabel X
4
dan X
6
kuat maka X
6
tidak bisa digunakan dalam persamaan bila di masukkan ke dalam persamaan.
Universitas Sumatera Utara
Dengan analisa regresi menggunakan program SPSS 16 maka persamaan yang mungkin terjadi yaitu:
Dengan satu variabel X
4
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
1 .590
a
.348 .340
.46849 a. Predictors: Constant, bekerja
ANOVA
b
Model Sum of Squares df Mean Square F
Sig. 1
Regression 9.736 1 9.736
44.359 .000
a
Residual 18.217
83 .219 Total
27.953 84
a. Predictors: Constant, bekerja b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant .796
.134 5.927 .000
bekerja .558
.084 .590
6.660 .000 a. Dependent Variable: pergerakan
Y = 0,796+ 0,558X
4
R= 0,590 dan R
2
=0,348 Dengan dua variabel
X
4
–X
5
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate
Universitas Sumatera Utara
1 .774
a
.600 .590
.36937 a. Predictors: Constant, sekolah,
bekerja
ANOVA
b
Model Sum of Squares df Mean Square
F Sig.
1 Regression
16.765 2 8.383 61.441
.000
a
Residual 11.188 82
.136 Total
27.953 84 a. Predictors: Constant, sekolah, bekerja
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
-.195 .174
-1.123 .265 bekerja
.643 .067
.679 9.573 .000 sekolah
.715 .100
.509 7.178 .000 a. Dependent Variable: pergerakan
Y= -0,195+0,643X
4
+0,715X
5
R= 0,774 R
2
=0,600
E. Y dan X
5
→ r = 0,390 X
5
–X
6
→ r = 0,264
Dengan satu variabel X
5
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.390
a
.152 .142
.53426 a. Predictors: Constant, sekolah
Universitas Sumatera Utara
ANOVA
b
Model Sum of Squares df Mean Square
F Sig.
1 Regression 4.262
1 4.262
14.933 .000
a
Residual 23.691
83 .285
Total 27.953
84 a. Predictors: Constant, sekolah
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.959 .181
5.289 .000 sekolah
.548 .142
.390 3.864 .000
a. Dependent Variable: pergerakan
Y = 0,959+ 0,548X
5
R= 0,390 R
2
=0,152 Dengan dua variabel
X
5
–X
6
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.664
a
.440 .427
.43675 a. Predictors: Constant, pendapatan, sekolah
ANOVA
b
Model Sum of Squares df Mean Square
F Sig.
1 Regression
12.311 2 6.156 32.269 .000
a
Residual 15.642 82
.191
Universitas Sumatera Utara
Total 27.953 84
a. Predictors: Constant, pendapatan, sekolah b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.340 .176
1.926 .058 sekolah
.342 .120
.243 2.842 .006 pendapatan
2.020E-7 .000
.556 6.496 .000 a. Dependent Variable: pergerakan
Y= 0,340+0,342X
5
+2.020E-7X
6
R= 0,664 R
2
=0,440
F. Y dan X
6
→ r = 0,621
Model Summary
Model R R Square Adjusted R Square Std. Error of the Estimate 1
.621
a
.385 .378
.45500 a. Predictors: Constant, pendapatan
ANOVA
b
Model Sum of Squares df Mean Square
F Sig.
1 Regression 10.770 1
10.770 52.022 .000
a
Residual 17.183 83
.207 Total
27.953 84 a. Predictors: Constant, pendapatan
b. Dependent Variable: pergerakan
Coefficients
a
Model Unstandardized Coefficients Standardized Coefficients
t Sig.
B Std. Error
Beta 1 Constant
.653 .143
4.558 .000
Universitas Sumatera Utara
pendapatan 2.254E-7
.000 .621 7.213 .000
a. Dependent Variable: pergerakan
Y = 0, 653+ 2.254E-7X
6
R= 0,621 R
2
=0,385 IV.4 Uji Deteminasi
Uji determinasi ini dilakukan unutk mengetahui hubungan linier antara 2 variabel yang kita asumsikan memiliki keterkaitan atau keterhubungan yang kuat,
apakah kuat atau tidak. Kalau hubungan variabel terikat y dengan variabel bebas x ternyata tidak memiliki keterkaitan yang kuat lemah
Secara manual, r dapat dicari melalui perumusan berikut Enns, 1985:
2 2
2 2
. xy
x y n
r x
x n
y y
n
Dimana:
r =
koefisien korelasi sederhana x dan y
= variabel n
= jumlah pengamatan
Σ =
simbol penjumlahan
Koefisien determinasi sederhana r
2
merupakan nilai yang dipergunakan untuk mengukur besar kecilnya sumbangan kontribusi perubahan variabel bebas terhadap
perubahan variabel terikat yang tengah kita amati, yang secara manual dapat ditentukan cukup dengan cara mengkuadratkan nilai r yang sudah kita dapatkan dari
Universitas Sumatera Utara
formulasi diatas. Nilai r akan berkisar antara -1 sampai dengan +1 -1 r +1, tergantung kekuatan hubungan linear kedua variabel. Dari variabel
– variabel yang telah diolah dengan program SPSS melalui analisis regresi linear maka di dapatkan
beberapa model yang menghubungkan antara perjalanan dengan beberapa variabel bebas. Setiap model tersebut mempunyai Nilai R Square atau Koefisien Determinasi
atau R
2
dapat dilihat pada hasil pengolahan data bagian Model Summary.
Tabel IV.8 Persamaan regresi, R
2
, R
Model analisis Regresi Linear Berganda R
R
2
Y = 0,439 + 0,582X
1
0,738 0,544
Y= 0,401+0,572X
1
-0,053X
2
0,738 0,545
Y= 0,361+0,539X
1
+0,105X
3
0,742 0,551
Y= 0,247+0,539X
1
+0,230X
5
0,754 0,568 Y= 0,295+0,520X
1
-0,083X
2
+0,113X
3
0,743 0,552
Y= 0,110+0,503X
1
+0,156X
2
+0,216X
5
0,757 0,573
Y=0, 110+0,473X
1
+0,147X
3
+0,263X
5
0,762 0,581
Y= -0,116+0,408X
1
+0,225X
2
+0,178X
3
+0,314X
5
0,769 0,591
Y= -0,400+0,201X
1
+0,161X
2
+0,135X
3
+0,388X
4
+0,534X
5
0,819 0,670 Y = 0,883+ 0,670X
2
0,359 0,129
Y= 0,270+0,566X
2
+0,461X
3
0,561 0,315
Y= 0,597+0,252X
2
+0,505X
4
0,603 0,363
Y= 0,088+0,737X
2
+0, 595X
5
0,555 0,308
Y= 0,280+0,288X
2
+0,291X
3
+0,382X
4
0,651 0,423
Y= -0,464+0,634X
2
+0,442X
3
+0,569X
5
0,691 0,477
Y= -0,408+0,265X
2
+0,586X
4
+0,717X
5
0,785 0,616
Y= -0,601+0,292X
2
+0,220X
3
+0,490X
4
+0,684X
5
0,806 0,650
Y = 0,831+0,503X
3
0,473 0,224
Y= 0,214+0,490X
3
+0,527X
5
0,604 0,364
Universitas Sumatera Utara
Y = 0,796+ 0,558X
4
0,590 0,348
Y= -0,195+0,643X
4
+0,715X
5
0,774 0,600 Y = 0,959+ 0,548X
5
0,390 0,152
Y= 0,340+0,342X
5
+2.020E-7X
6
0,664 0,440
Y = 0, 653+ 2.254E-7X
6
0,621 0,385
Dari hasil analisis diatas, model yang sesuai dengan uji determinasi adalah model yang menghubungkan antara jumlah perjalanan Y dengan Jumlah anggota keluarga
X
1
, jumlah kepemilikan kendaraan mobil X
2
, jumlah kepemilikan kendaraan motor X
3
, jumlah anggota keluarga yang bekerja X
4
dan jumlah anggota keluarga yang bersekolah X
5
, yaitu
Y= -0,400+0,201X
1
+0,161X
2
+0,135X
3
+0,388X
4
+0,534X
5
yang mempunyai nilai Koefisien Determinasi atau R
2
adalah sebesar 0,670 atau 67 .
Ini menunjukkan bahwa sebesar 67 variasi variabel Perjalanan Y dapat dijelaskan oleh 5 variabel independent yaitu Jumlah anggota keluarga X
1
, jumlah kepemilikan kendaraan mobil X
2
, jumlah kepemilikan kendaraan motor X
3
, jumlah anggota keluarga yang bekerja X
4
dan jumlah anggota keluarga yang bersekolah X
5
.
IV.5 Uji T