Model Perhitungan Produksi Perjalanan

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