Faktor-Faktor Yang Mempengaruhi Tingkat Kecelakaan Lalu Lintas Di Kota Medan Berdasarkan Data Tahun 2006-2015 Chapter III V
BAB 3
PENGOLAHAN DATA
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
Jumlah
Jumlah
Panjang
Jumlah
Kecelakaan
Kendaraan
Jalan
Pelanggaran
Lalu Lintas
Bermotor
(Km)
Rambu- Rambu
(Orang)
(Ribuan Unit)
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
Tahun
Lalu Lintas
(Sumber: Badan Pusat Statistik Provinsi Sumtera Utara)
Universitas Sumatera Utara
14
Tabel 3.2 Data Jumlah Kecelakaan Lalu lintas, Jumlah Kendaraan
Bermotor, Panjang Jalan, dan Jumlah Pelanggaran Ramburambu Lalu Lintas dengan Variabel Dilambangkan
Variabel Bebas
Tahun
Y
2006
1.084
2007
�
2.555,45
�
�
3.078,94
73.864
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, ∑� , ∑� , ∑� , ∑� � ,
∑� � , ∑� � , ∑Y� , ∑Y� , ∑Y� , ∑� , ∑� , ∑� , ∑
.
Universitas Sumatera Utara
15
Tabel 3.3 Nilai-nilai yang Diperlukan untuk Menentukan Koefisien Regresi
2.555,45
�
3.078,94
�
73.864
2.770.111,05
862
2.896,91
3.078,94
57.258
2.497.138,14
3
877
3.304,73
3.078,35
49.096
2.898.246,46
4
1.055
3.613,88
3.078,94
86.364
3.812.639,18
5
843
4.039,13
3.191,50
37.018
3.404.984,06
6
1.705
4.569,30
3.245,15
77.988
7.790.663,32
7
1.756
4.982,42
3.435,05
72.396
8.749.124,25
8
1.339
5.315,18
3.711,74
68.560
7.117.027,36
9
1.326
5.315,18
3.711,74
40.918
7.047.930,01
10
1.598
5.824,72
3.191,50
40.333
9.307.902,56
12.445
42.416,90
32.801,85
603.795
55.395.766,39
N0.
Y
1
1.084
2
�
�
Sambungan Tabel 3.3
�
3.337.570,96
�
80.068
�
6.530.340,04
�
9.479.871,52
5.455.890.496
2.654.046,28
.576
49.356.396
8.392.099,14
9.479.871,52
3.278.478.564
2.699.712,95
43.057.192
10.921.227,15
9.476.238,72
2.410.417.216
3.248.281,70
91.114.020
13.060.099,74
9.479.871,52
7.458.740.496
2.690.434,50
31.206.174
16.314.546,92 10.185.672,25
1.370.332.324
5.532.980,75 132.969.540 20.878.539,04 10.530.998,52
6.082.128.144
6.031.947,80 127.127.376 24.824.479,16 11.799.568,50
5.241.180.816
4.970.019,86
91.801.840
28.251.149,06 13.777.013,83
4.700.473.600
4.921.767,24
54.257.268
28.251.149,06 13.777.013,83
1.674.282.724
5.100.017,00
64.452.134
33.927.363,08 10.185.672,25
1.626.750.889
�
41.186.779,04 765.410.516 191.350.992,40 108.171.792,47 39.298.675.269
Universitas Sumatera Utara
16
Sambungan Tabel 3.3
� �
Y2
� �
� �
1.175.056
7.868.086,46
188.755.980,39
227.422.824,1
743.044
8.919.418,23
165.871.387,30
6
176.293.946,5
769.129
10.173.109,44
162.248.925,89
2
151.134.671,6
1.113.025
11.126.907,37
312.108.786,86
0
265.909.574,1
710.649
12.890.873,82
149.520.403,29
6
118.142.947,0
2.907.025
14.828.076,88
356.350.880,35
0
253.082.758,2
3.083.536
17.114.851,52
360.707.061,13
0
248.683.879,8
1.792.921
19.728.569,92
364.408.809,36
0
254.476.894,4
1.758.276
19.728.569,92
217.486.576,16
0
151.876.977,3
2.553.604
18.589.593,88
234.928.431,76
2
128.722.769,5
16.606.265
140.968.057,45
0
2.512.387.242,49 1.975.747.242
,66
Dari Tabel 3.3 diperoleh harga-harga sebagai berikut:
n
= 10
∑Y
= 12.445
∑�
= 32.801,85
∑�
= 42.416,90
∑�
= 603.795
∑�
= 108.171.792,47
∑�
=191.350.992,40
∑
=16.606.265
∑� �
= 140.968.057,45
∑� �
= 1.975.747.242,66
∑Y�
= 41.186.779,04
∑� �
= 2.512.387.242,49
∑Y�
= 55.395.766,39
∑Y�
= 765.410.516
∑�
= 39.298.675.269
Rumus umum persamaan regresi linier berganda dengan tiga variabel
bebas yaitu:
Ŷ= � +� � + � � + � �
dan diperoleh melalui persamaan-persamaan berikut:
∑
= �. � + � ∑ � + � ∑ � + � ∑ �
∑ � = � ∑� + � ∑�
+ � ∑� � + � ∑� �
∑ � = � ∑� + � ∑� � + � ∑� + � ∑� �
∑ � = � ∑� + � ∑� � + � ∑� � + � ∑�
Universitas Sumatera Utara
17
Harga-harga yang telah diperoleh disubsitusikan ke dalam bentuk
persamaan tersebut, maka didapatkan:
� +42.416,90� +
.
,
� +
12.445
=
55.395.766,39
=
41.186.779,04
= 32.801,85� + 140.968.057,45 � +
39.298.675.269
.
=
,
.
� + 191.350.992,40 �
�
+
+ 2.512.387.242,49� + .
.
.
�
.
.
.
.
.
,
,
�
,
+ .
� + .
� +
.
.
.
.
.
.
,
,
.
�
�
�
Setelah persamaan di atas diselesaikan, maka diperolehlah nilai koefisienkoefisien linier bergandanya antara lain:
�
=
�
= ,
�
= ,
�
,
=− ,
Dari koefisien-koefisien yang diperoleh dibentuklah model persamaan
regresi linier berganda:
Ŷ= � +� � + � � + � �
Ŷ=
3.2
,
+ ,
� − , � � + ,
�
Analisis Residu
Untuk menghitung kekeliruan baku taksiran diperlukan harga-harga Ŷ
yang diperoleh dari persamaan regresi di atas untuk tiap-tiap harga � , � , dan
� .
Universitas Sumatera Utara
18
Tabel 3.4 Harga Y untuk Data Dalam Tabel
2.555,45
�
3.078,94
�
73.864
-160,50
-1.686,24
862
2.896,91
3.078,94
57.258
-382,50
-1.344,78
3
877
3.304,73
3.078,35
49.096
-367,50
-936,96
4
1.055
3.613,88
3.078,94
86.364
-189,50
-627,81
5
843
4.039,13
3.191,50
37.018
-401,50
-202,56
6
1.705
4.569,30
3.245,15
77.988
460,50
327,61
7
1.756
4.982,42
3.435,05
72.396
511,50
740,73
8
1.339
5.315,18
3.711,74
68.560
94,50
1.073,49
9
1.326
5.315,18
3.711,74
40.918
81,50
1.073,49
10
1.598
5.824,72
3.191,50
40.333
353,50
1.583,03
12.445
42.416,90 32.801,85
603.795
-
-
N0.
Y
1
1.084
2
�
yi
�
Sambungan Tabel 3.4
�
�
�
�
�
yi
�
yi
-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
-
-
2.607.935,58
364.876,72
13.987.638,50
Universitas Sumatera Utara
19
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
12.511,38
-
260.725,94
Universitas Sumatera Utara
20
Dari Tabel 3.4 diperoleh nilai-nilai berikut:
∑
� �
= 2.607.935,58
∑
�
= 2.607.935,58
∑
= 364.876,72
� �
∑
∑
�
= 13.987.638,50
� �
= 1.118.462,50
∑
�
= 11.431.660,32
∑
�
= 2.841.835.066,50
∑
= 575.656,13
�
∑Ŷ
∑
= 12.511,38
− Ŷ) = 260.725,94
Maka kesalahan bakunya dapat dihitung dengan rumus:
�.
�.
�.
.
�.
=
∑
−Ŷ)
=
�− −
=
.
=√
.
,
− −
.
,
= 208,47
,
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
� :� =� =� =
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.
Universitas Sumatera Utara
21
� :� ≠� ≠� ≠
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
dan dk penyebut (v2) =10 – 3 – 1 = 6 maka diperoleh F(3;6;0,05) = 4,76.
3.
Kriteria pengujian
� diterima apabila �ℎ�
��
� ditolak apabila �ℎ�
4.
Nilai �ℎ�
��
≤�
��
>�
�ℎ�
��
�
=
�
�
�� ⁄�
⁄ �−�− )
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:
��
=� ∑
� �
+� ∑
� �
+� ∑
� �
= (0,317)(2.607.935,58) + (-0,294)(364.876,72) + (0,01)(13.987.638,50)
= 826.715,58 -107.273,76 + 139.876,38
= 859.318,2
�
= ∑( − Ŷ)
= 260.725,94
sehingga
�ℎ�
=
=
��
.
��� ⁄
=
.
.
= 6,59
,
,
,
.
��� ⁄
�− − )
⁄
− − )
, ⁄
Universitas Sumatera Utara
22
5.
Hasil yang diperoleh
Dengan demikian dapat diartikan bahwa dari tabel distribusi F dengan dk
pembilang = 3, dkpenyebut = (n-k-1) = (10-3-1) = 6, dan α = 5 % (0,05)
didapat �
�
= 4,76. Karena �ℎ�
�� =
6,59 lebih kecil dari �
�
= 3,59,
maka � ditolak dan � diterima. Hal ini berarti persamaan regresi linier
berganda Y atas � , � , � , bersifat nyata atau ini juga berarti bahwa jumlah
kendaraaan bermotor, panjang jalan, dan jumlah pelanggaran rambu-rambu
lalu lintas secara bersama-sama berpengaruh terhadap tingkat kecelakaan lalu
lintas.
3.4
Koefisien Determinasi (
)
Untuk mengetahui seberapa besar kemampuan semua variabel dalam menjelaskan
varians dari variabel terikat maka digunakan rumus:
=
=
���
∑ �
.
.
.
= ,
,
,
Untuk koefisien korelasi ganda digunakan rumus:
=√
=√ .
= ,
Dari hasil perhitungan diperoleh nilai korelasi (R) yaitu sebesar 0,87
yang menunjukkan bahwa korelasi antara variabel bebas X dengan variabel tak
bebas Y berhubungan secara positif dengan tingkat yang tinggi. Adapun nilai
koefisien determinasi R2 diperoleh sebesar 0,76 yang berarti sekitar 76% tingkat
kecelakaan lalu lintas yang terjadi dipengaruhi oleh jumlah kendaraan, panjang
jalan, dan jumlah pelanggaran rambu-rambu lalu lintas. Sedangkan sisanya
sebesarnya sebesar 100% - 76% = 24% dipengaruhi oleh faktor-faktor yang lain.
Universitas Sumatera Utara
23
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∑
√{n ∑
=
=
=
√{
.
.
.
.
= 0,73
2.
) } {n ∑
− ∑
√{
.
) ∑ )
− ∑
.
.
.
.
.
, −
,
,
,
− ∑ ) }
.
.
}{
.
)−
.
.
.
)−
.
,
.
.
) }{
,
)
,
.
.
)
)−
.
) }
.
}
.
Koefisien korelasi antara tingkat kecelakaan lalu lintas (Y) dengan
jumlah panjang jalan (� )
r
=
=
.
.
.
.
.
.
,
.
,
.
,
,
.
− ∑ ) }
.
,
)−
)−
.
.
}{
,
.
.
)−
,
}
.
.
) }{
)
,
.
.
)
)−
.
.
) }
)
,
= 0,45
3.
) } {n ∑
.
√{ .
) ∑ )
− ∑
− ∑
√{
=
=
n∑
√{n ∑
Koefisien korelasi antara tingkat kecelakaan lalu lintas (Y) dengan
jumlah pelanggaran rambu-rambu lalu lintas (� )
r
=
=
=
=
√{n ∑
n∑
.
√{
.
) } {n ∑
− ∑
√{
.
.
.
.
.
.
.
) ∑ )
− ∑
.
.
.
.
)− .
}{
.
− ∑ ) }
)−
.
.
.
.
.
.
)−
) }{
)
.
)
.
.
.
)
)−
.
) }
}
,
Universitas Sumatera Utara
24
= 0,25
3.5.2
Koefisien korelasi antara junlah kendaraan bermotor (� ) dengan jumlah
1.
rX
Korelasi antara Variabel Bebas
X
panjang jalan (� )
=
n∑
√{n ∑
=
=
.
�
)− .
,
) }
− ∑
.
)−
,
}{
,
,
.
.
)
.
.
,
.
.
.
)−
) }{
,
,
.
)
,
}
,
.
)
.
.
,
,
)
)−
.
,
) }
,
jumlah pelanggaran rambu-rambu lalu lintas (� )
�∑� � − ∑� ) ∑� )
=
√{� ∑ � − ∑ � ) } {� ∑ �
=
√{
−
=
.
.
.
√{
.
.
.
.
.
.
.
,
.
)−
)−
,
.
Koefisien
.
.
.
= - 0,27
�
.
) ∑
Koefisien korelasi antara jumlah kendaraan bermotor (� ) dengan
=
3.
.
.
.
.
= 0,71
2.
.
√{ .
.
=
) } {n ∑
− ∑
√{
.
− ∑
}{
.
− ∑� ) }
.
.
.
.
,
.
)−
.
) }{
.
.
,
}
,
)
.
)
.
.
,
,
)
)−
korelasi
antara
=
=
) }
panjang
(� )
jalan
dengan
jumlah
�∑� � − ∑� ) ∑� )
√{� ∑ � − ∑ � ) } {� ∑ �
=
,
,
pelanggaran rambu-rambu lalu lintas (� )
=
.
√{
−
.
√{
.
.
= -0,12
.
.
.
.
.
.
.
,
.
,
.
.
.
.
)−
)−
− ∑� ) }
.
.
}{ .
.
,
.
.
)−
.
) }{
.
,
}
,
)
.
)
.
.
,
,
)
)−
.
,
) }
,
Universitas Sumatera Utara
25
Dari perhitungan koefisien korelasi baik antara variabel bebas terhadap
variabel tak bebas maupun antara sesama variabel bebas diperoleh kesimpulan
sebagai berikut:
1.
2.
3.
4.
5.
6.
3.6
�
= 0, 73; variabel � berkorelasi sangat kuat terhadap variabel Y
�
= 0, 45; variabel � berkorelasi cukup terhadap variabel Y
�
= 0, 71; variabel � berkorelasi sangat kuat terhadap variabel �
�
= -0, 12; variabel � berkorelasi sangat lemah terhadap variabel �
�
= 0, 25; variabel � berkorelasi lemah terhadap variabel Y
�
= -0, 27; variabel � berkorelasi lemah terhadap variabel �
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
Dengan taraf nyata α = 0,05 maka nilai tingkat signifikan
−
2,45.
,
=
− ,
)= ,
−
α
=
dan dk = n-k-1 = 10 -3-1= 6. t(6;0,975) =
Universitas Sumatera Utara
26
3.
Kriteria pengujian
� diterima apabila �ℎ�
4.
� ditolak apabila �ℎ�
Menentukan nilai �ℎ�
��
��
��
≤ �
>�
�
�
Dari perhitungan sebelumnya telah diketahui bahwa nilai dari:
R
= 0,76
= 43.454,32
.
∑�
�
=
∑�
�
= .
∑�
.
=
�
=�
.
.
.
,
= 0, 715.
=�
,
.
,
= -0, 27;
=�
= -0, 12
Dari harga-harga tersebut dihitung kekeliruan baku koefisien �� adalah
sebagai berikut:
= √(∑
�.
� )(
−
.
.
,
=√
=√
.
.
.
=√ ,
,
)
.
,
) − ,
)
,
= 0,09
�.
= √(∑
=√
=√
=√ ,
.
�)
.
.
,
,
.
− )
,
) − ,
)
,
= 0,29
Universitas Sumatera Utara
27
�.
= √(∑
=√
=√
)( −
.
= √ ,
.
.
.
,
.
)
.
.
,
,
) − ,
)
,
= 0,008
Diperoleh distribusi student yaitu:
�� =
� =
� =
5.
�
��
� =
�
�
�
=
=
=
,
,
,
= 0,71
,
= 0,517
,
,
= 1,25
Hasil yang diperoleh
�
,
�
,
� − ,
)>�
)�
�
�
(0,45); maka � ditolak
�
(0,45); maka � ditolak
(0,45); maka � ditolak
Dari ketiga koefisien regresi tersebut menunjukkan bahwa variabel � , � dan �
(jumlah kendaraan bermotor, panjang jalan dan banyaknya pelanggaran ramburambu lalu lintas) memberikan pengaruh yang berarti terhadap tingkat kecelakaan
lalu lintas.
Universitas Sumatera Utara
BAB 4
IMPLEMENTASI SISTEM
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 faktorfaktor 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
Komputer dapat melakukan proses pengolahan jumlah data yang besar dalam
waktu yang singkat. Jumlah data yang besar dan sedikit akan sama cepatnya
diolah oleh komputer, yang membedakannya hanya pada proses pemasukan
data saja.
Universitas Sumatera Utara
29
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
1.
Pengolahan Data dengan SPSS
Memulai SPSS pada window yaitu sebagai
a. Pilih menu Start dari Windows
b. Selanjutnya pilih menu Program
c. Pilih PASW Statistic 18
Universitas Sumatera Utara
30
Gambar 4.1 Tampilan SPSS saat dibuka pada Windows
Gambar 4.2 Tampilan Worksheet SPSS 18 For Windows
4.4
Mengoperasikan SPSS
Dari tampilan SPSS yang muncul, pilih type in data untuk membuat data baru dari
menu utama file, pilih new, lalu klik, maka akan tampil, muncul jendela editor
kemudian klik data. Cara menamai variabel dilakukan dengan, Klik variabel View
yang terletak sebelah kiri bawah jendela editor, lalu lakukan langkah berikut:
a.
Name
: digunakan untuk memberikan nama variabel.
Universitas Sumatera Utara
31
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
1.
Pengolahan Data untuk Regresi
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
2.
Kemudian isi data pada kolom Data View, Sehingga diperoleh seperti gambar
berikut:
Universitas Sumatera Utara
32
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
4.
Kemudian akan didapat tampilan sebagai berikut:
Universitas Sumatera Utara
33
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
pastikan memberi tanda check (ν) pada Estimates, Model fit dan Descriptives
sebagai berikut:
Universitas Sumatera Utara
34
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.
4.6
Pengolahan Data untuk Korelasi
Universitas Sumatera Utara
35
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
3. Klik OK maka hasilnya akan muncul pada output.
Universitas Sumatera Utara
36
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
Sig. (1-tailed)
N
�
�
�
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
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
-
Y
10
10
10
10
�
10
10
10
10
10
10
10
10
�
10
10
10
10
�
Universitas Sumatera Utara
37
Model Summaryb
Model
R
R Square
0,876a
0
Adjusted R
Std. Error of
Square
the Estimate
0,767
0,651
208,25783
a. Predictors: (Constant), � , � , �
b. Dependent Variable: Y
ANOVAb
Model
1
Sum of
Squares
Df
Mean Square
F
Sig.
Regression
858.234,568
3
286.078,189
6,596
0,025a
Residual
260.227,932
6
43.371,322
1.118.462,500
9
Total
a. Predictors: (Constant), � , � , �
b. Dependent Variable: Y
Coefficientsa
Model
1 (Constant)
�
�
�
Unstandardized
Standardized
Coefficients
Coefficients
t
Sig.
0,248
0,812
B
Std. Error
Beta
267,102
1.075,198
0,317
0,091
1,014
3,474
0,013
-0,294
0,395
-0,211
-0,745
0,485
0,010
0,004
0,497
2,416
0,052
a. Dependent Variable: Y
Universitas Sumatera Utara
38
Residuals Statisticsa
Std.
Predicted Value
Residual
Std. Predicted
Minimum
Maximum
Deviation
N
846,1599
1.575,1115 1.244,5000 308,80317
10
-305,76920 203,44804
Mean
0,00000
170,04180
10
-1,290
1,071
0,000
1,000
10
-1,468
0,977
0,000
0,816
10
Value
Std. Residual
a. Dependent Variable: Y
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
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
1.
Saran
Faktor yang menyebabkan tingginya tingkat kecelakaan lalu lintas adalah
jumlah kendaraan bermotor, dan pelanggaran rambu-rambu lalu lintas untuk
itu diharapkan agar pemerintah bisa mengambil kebijakan untuk mengurangi
kecelakaan lalu lintas demi keselamatan masyarakat Kota Medan. Salah
Universitas Sumatera Utara
40
satunya yaitu dengan kebijakan penambahan panjang jalan, semakin tinggi
panjang jalan maka tingkat kecelakaan semakin rendah..
Universitas Sumatera Utara
PENGOLAHAN DATA
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
Jumlah
Jumlah
Panjang
Jumlah
Kecelakaan
Kendaraan
Jalan
Pelanggaran
Lalu Lintas
Bermotor
(Km)
Rambu- Rambu
(Orang)
(Ribuan Unit)
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
Tahun
Lalu Lintas
(Sumber: Badan Pusat Statistik Provinsi Sumtera Utara)
Universitas Sumatera Utara
14
Tabel 3.2 Data Jumlah Kecelakaan Lalu lintas, Jumlah Kendaraan
Bermotor, Panjang Jalan, dan Jumlah Pelanggaran Ramburambu Lalu Lintas dengan Variabel Dilambangkan
Variabel Bebas
Tahun
Y
2006
1.084
2007
�
2.555,45
�
�
3.078,94
73.864
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, ∑� , ∑� , ∑� , ∑� � ,
∑� � , ∑� � , ∑Y� , ∑Y� , ∑Y� , ∑� , ∑� , ∑� , ∑
.
Universitas Sumatera Utara
15
Tabel 3.3 Nilai-nilai yang Diperlukan untuk Menentukan Koefisien Regresi
2.555,45
�
3.078,94
�
73.864
2.770.111,05
862
2.896,91
3.078,94
57.258
2.497.138,14
3
877
3.304,73
3.078,35
49.096
2.898.246,46
4
1.055
3.613,88
3.078,94
86.364
3.812.639,18
5
843
4.039,13
3.191,50
37.018
3.404.984,06
6
1.705
4.569,30
3.245,15
77.988
7.790.663,32
7
1.756
4.982,42
3.435,05
72.396
8.749.124,25
8
1.339
5.315,18
3.711,74
68.560
7.117.027,36
9
1.326
5.315,18
3.711,74
40.918
7.047.930,01
10
1.598
5.824,72
3.191,50
40.333
9.307.902,56
12.445
42.416,90
32.801,85
603.795
55.395.766,39
N0.
Y
1
1.084
2
�
�
Sambungan Tabel 3.3
�
3.337.570,96
�
80.068
�
6.530.340,04
�
9.479.871,52
5.455.890.496
2.654.046,28
.576
49.356.396
8.392.099,14
9.479.871,52
3.278.478.564
2.699.712,95
43.057.192
10.921.227,15
9.476.238,72
2.410.417.216
3.248.281,70
91.114.020
13.060.099,74
9.479.871,52
7.458.740.496
2.690.434,50
31.206.174
16.314.546,92 10.185.672,25
1.370.332.324
5.532.980,75 132.969.540 20.878.539,04 10.530.998,52
6.082.128.144
6.031.947,80 127.127.376 24.824.479,16 11.799.568,50
5.241.180.816
4.970.019,86
91.801.840
28.251.149,06 13.777.013,83
4.700.473.600
4.921.767,24
54.257.268
28.251.149,06 13.777.013,83
1.674.282.724
5.100.017,00
64.452.134
33.927.363,08 10.185.672,25
1.626.750.889
�
41.186.779,04 765.410.516 191.350.992,40 108.171.792,47 39.298.675.269
Universitas Sumatera Utara
16
Sambungan Tabel 3.3
� �
Y2
� �
� �
1.175.056
7.868.086,46
188.755.980,39
227.422.824,1
743.044
8.919.418,23
165.871.387,30
6
176.293.946,5
769.129
10.173.109,44
162.248.925,89
2
151.134.671,6
1.113.025
11.126.907,37
312.108.786,86
0
265.909.574,1
710.649
12.890.873,82
149.520.403,29
6
118.142.947,0
2.907.025
14.828.076,88
356.350.880,35
0
253.082.758,2
3.083.536
17.114.851,52
360.707.061,13
0
248.683.879,8
1.792.921
19.728.569,92
364.408.809,36
0
254.476.894,4
1.758.276
19.728.569,92
217.486.576,16
0
151.876.977,3
2.553.604
18.589.593,88
234.928.431,76
2
128.722.769,5
16.606.265
140.968.057,45
0
2.512.387.242,49 1.975.747.242
,66
Dari Tabel 3.3 diperoleh harga-harga sebagai berikut:
n
= 10
∑Y
= 12.445
∑�
= 32.801,85
∑�
= 42.416,90
∑�
= 603.795
∑�
= 108.171.792,47
∑�
=191.350.992,40
∑
=16.606.265
∑� �
= 140.968.057,45
∑� �
= 1.975.747.242,66
∑Y�
= 41.186.779,04
∑� �
= 2.512.387.242,49
∑Y�
= 55.395.766,39
∑Y�
= 765.410.516
∑�
= 39.298.675.269
Rumus umum persamaan regresi linier berganda dengan tiga variabel
bebas yaitu:
Ŷ= � +� � + � � + � �
dan diperoleh melalui persamaan-persamaan berikut:
∑
= �. � + � ∑ � + � ∑ � + � ∑ �
∑ � = � ∑� + � ∑�
+ � ∑� � + � ∑� �
∑ � = � ∑� + � ∑� � + � ∑� + � ∑� �
∑ � = � ∑� + � ∑� � + � ∑� � + � ∑�
Universitas Sumatera Utara
17
Harga-harga yang telah diperoleh disubsitusikan ke dalam bentuk
persamaan tersebut, maka didapatkan:
� +42.416,90� +
.
,
� +
12.445
=
55.395.766,39
=
41.186.779,04
= 32.801,85� + 140.968.057,45 � +
39.298.675.269
.
=
,
.
� + 191.350.992,40 �
�
+
+ 2.512.387.242,49� + .
.
.
�
.
.
.
.
.
,
,
�
,
+ .
� + .
� +
.
.
.
.
.
.
,
,
.
�
�
�
Setelah persamaan di atas diselesaikan, maka diperolehlah nilai koefisienkoefisien linier bergandanya antara lain:
�
=
�
= ,
�
= ,
�
,
=− ,
Dari koefisien-koefisien yang diperoleh dibentuklah model persamaan
regresi linier berganda:
Ŷ= � +� � + � � + � �
Ŷ=
3.2
,
+ ,
� − , � � + ,
�
Analisis Residu
Untuk menghitung kekeliruan baku taksiran diperlukan harga-harga Ŷ
yang diperoleh dari persamaan regresi di atas untuk tiap-tiap harga � , � , dan
� .
Universitas Sumatera Utara
18
Tabel 3.4 Harga Y untuk Data Dalam Tabel
2.555,45
�
3.078,94
�
73.864
-160,50
-1.686,24
862
2.896,91
3.078,94
57.258
-382,50
-1.344,78
3
877
3.304,73
3.078,35
49.096
-367,50
-936,96
4
1.055
3.613,88
3.078,94
86.364
-189,50
-627,81
5
843
4.039,13
3.191,50
37.018
-401,50
-202,56
6
1.705
4.569,30
3.245,15
77.988
460,50
327,61
7
1.756
4.982,42
3.435,05
72.396
511,50
740,73
8
1.339
5.315,18
3.711,74
68.560
94,50
1.073,49
9
1.326
5.315,18
3.711,74
40.918
81,50
1.073,49
10
1.598
5.824,72
3.191,50
40.333
353,50
1.583,03
12.445
42.416,90 32.801,85
603.795
-
-
N0.
Y
1
1.084
2
�
yi
�
Sambungan Tabel 3.4
�
�
�
�
�
yi
�
yi
-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
-
-
2.607.935,58
364.876,72
13.987.638,50
Universitas Sumatera Utara
19
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
12.511,38
-
260.725,94
Universitas Sumatera Utara
20
Dari Tabel 3.4 diperoleh nilai-nilai berikut:
∑
� �
= 2.607.935,58
∑
�
= 2.607.935,58
∑
= 364.876,72
� �
∑
∑
�
= 13.987.638,50
� �
= 1.118.462,50
∑
�
= 11.431.660,32
∑
�
= 2.841.835.066,50
∑
= 575.656,13
�
∑Ŷ
∑
= 12.511,38
− Ŷ) = 260.725,94
Maka kesalahan bakunya dapat dihitung dengan rumus:
�.
�.
�.
.
�.
=
∑
−Ŷ)
=
�− −
=
.
=√
.
,
− −
.
,
= 208,47
,
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
� :� =� =� =
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.
Universitas Sumatera Utara
21
� :� ≠� ≠� ≠
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
dan dk penyebut (v2) =10 – 3 – 1 = 6 maka diperoleh F(3;6;0,05) = 4,76.
3.
Kriteria pengujian
� diterima apabila �ℎ�
��
� ditolak apabila �ℎ�
4.
Nilai �ℎ�
��
≤�
��
>�
�ℎ�
��
�
=
�
�
�� ⁄�
⁄ �−�− )
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:
��
=� ∑
� �
+� ∑
� �
+� ∑
� �
= (0,317)(2.607.935,58) + (-0,294)(364.876,72) + (0,01)(13.987.638,50)
= 826.715,58 -107.273,76 + 139.876,38
= 859.318,2
�
= ∑( − Ŷ)
= 260.725,94
sehingga
�ℎ�
=
=
��
.
��� ⁄
=
.
.
= 6,59
,
,
,
.
��� ⁄
�− − )
⁄
− − )
, ⁄
Universitas Sumatera Utara
22
5.
Hasil yang diperoleh
Dengan demikian dapat diartikan bahwa dari tabel distribusi F dengan dk
pembilang = 3, dkpenyebut = (n-k-1) = (10-3-1) = 6, dan α = 5 % (0,05)
didapat �
�
= 4,76. Karena �ℎ�
�� =
6,59 lebih kecil dari �
�
= 3,59,
maka � ditolak dan � diterima. Hal ini berarti persamaan regresi linier
berganda Y atas � , � , � , bersifat nyata atau ini juga berarti bahwa jumlah
kendaraaan bermotor, panjang jalan, dan jumlah pelanggaran rambu-rambu
lalu lintas secara bersama-sama berpengaruh terhadap tingkat kecelakaan lalu
lintas.
3.4
Koefisien Determinasi (
)
Untuk mengetahui seberapa besar kemampuan semua variabel dalam menjelaskan
varians dari variabel terikat maka digunakan rumus:
=
=
���
∑ �
.
.
.
= ,
,
,
Untuk koefisien korelasi ganda digunakan rumus:
=√
=√ .
= ,
Dari hasil perhitungan diperoleh nilai korelasi (R) yaitu sebesar 0,87
yang menunjukkan bahwa korelasi antara variabel bebas X dengan variabel tak
bebas Y berhubungan secara positif dengan tingkat yang tinggi. Adapun nilai
koefisien determinasi R2 diperoleh sebesar 0,76 yang berarti sekitar 76% tingkat
kecelakaan lalu lintas yang terjadi dipengaruhi oleh jumlah kendaraan, panjang
jalan, dan jumlah pelanggaran rambu-rambu lalu lintas. Sedangkan sisanya
sebesarnya sebesar 100% - 76% = 24% dipengaruhi oleh faktor-faktor yang lain.
Universitas Sumatera Utara
23
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∑
√{n ∑
=
=
=
√{
.
.
.
.
= 0,73
2.
) } {n ∑
− ∑
√{
.
) ∑ )
− ∑
.
.
.
.
.
, −
,
,
,
− ∑ ) }
.
.
}{
.
)−
.
.
.
)−
.
,
.
.
) }{
,
)
,
.
.
)
)−
.
) }
.
}
.
Koefisien korelasi antara tingkat kecelakaan lalu lintas (Y) dengan
jumlah panjang jalan (� )
r
=
=
.
.
.
.
.
.
,
.
,
.
,
,
.
− ∑ ) }
.
,
)−
)−
.
.
}{
,
.
.
)−
,
}
.
.
) }{
)
,
.
.
)
)−
.
.
) }
)
,
= 0,45
3.
) } {n ∑
.
√{ .
) ∑ )
− ∑
− ∑
√{
=
=
n∑
√{n ∑
Koefisien korelasi antara tingkat kecelakaan lalu lintas (Y) dengan
jumlah pelanggaran rambu-rambu lalu lintas (� )
r
=
=
=
=
√{n ∑
n∑
.
√{
.
) } {n ∑
− ∑
√{
.
.
.
.
.
.
.
) ∑ )
− ∑
.
.
.
.
)− .
}{
.
− ∑ ) }
)−
.
.
.
.
.
.
)−
) }{
)
.
)
.
.
.
)
)−
.
) }
}
,
Universitas Sumatera Utara
24
= 0,25
3.5.2
Koefisien korelasi antara junlah kendaraan bermotor (� ) dengan jumlah
1.
rX
Korelasi antara Variabel Bebas
X
panjang jalan (� )
=
n∑
√{n ∑
=
=
.
�
)− .
,
) }
− ∑
.
)−
,
}{
,
,
.
.
)
.
.
,
.
.
.
)−
) }{
,
,
.
)
,
}
,
.
)
.
.
,
,
)
)−
.
,
) }
,
jumlah pelanggaran rambu-rambu lalu lintas (� )
�∑� � − ∑� ) ∑� )
=
√{� ∑ � − ∑ � ) } {� ∑ �
=
√{
−
=
.
.
.
√{
.
.
.
.
.
.
.
,
.
)−
)−
,
.
Koefisien
.
.
.
= - 0,27
�
.
) ∑
Koefisien korelasi antara jumlah kendaraan bermotor (� ) dengan
=
3.
.
.
.
.
= 0,71
2.
.
√{ .
.
=
) } {n ∑
− ∑
√{
.
− ∑
}{
.
− ∑� ) }
.
.
.
.
,
.
)−
.
) }{
.
.
,
}
,
)
.
)
.
.
,
,
)
)−
korelasi
antara
=
=
) }
panjang
(� )
jalan
dengan
jumlah
�∑� � − ∑� ) ∑� )
√{� ∑ � − ∑ � ) } {� ∑ �
=
,
,
pelanggaran rambu-rambu lalu lintas (� )
=
.
√{
−
.
√{
.
.
= -0,12
.
.
.
.
.
.
.
,
.
,
.
.
.
.
)−
)−
− ∑� ) }
.
.
}{ .
.
,
.
.
)−
.
) }{
.
,
}
,
)
.
)
.
.
,
,
)
)−
.
,
) }
,
Universitas Sumatera Utara
25
Dari perhitungan koefisien korelasi baik antara variabel bebas terhadap
variabel tak bebas maupun antara sesama variabel bebas diperoleh kesimpulan
sebagai berikut:
1.
2.
3.
4.
5.
6.
3.6
�
= 0, 73; variabel � berkorelasi sangat kuat terhadap variabel Y
�
= 0, 45; variabel � berkorelasi cukup terhadap variabel Y
�
= 0, 71; variabel � berkorelasi sangat kuat terhadap variabel �
�
= -0, 12; variabel � berkorelasi sangat lemah terhadap variabel �
�
= 0, 25; variabel � berkorelasi lemah terhadap variabel Y
�
= -0, 27; variabel � berkorelasi lemah terhadap variabel �
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
Dengan taraf nyata α = 0,05 maka nilai tingkat signifikan
−
2,45.
,
=
− ,
)= ,
−
α
=
dan dk = n-k-1 = 10 -3-1= 6. t(6;0,975) =
Universitas Sumatera Utara
26
3.
Kriteria pengujian
� diterima apabila �ℎ�
4.
� ditolak apabila �ℎ�
Menentukan nilai �ℎ�
��
��
��
≤ �
>�
�
�
Dari perhitungan sebelumnya telah diketahui bahwa nilai dari:
R
= 0,76
= 43.454,32
.
∑�
�
=
∑�
�
= .
∑�
.
=
�
=�
.
.
.
,
= 0, 715.
=�
,
.
,
= -0, 27;
=�
= -0, 12
Dari harga-harga tersebut dihitung kekeliruan baku koefisien �� adalah
sebagai berikut:
= √(∑
�.
� )(
−
.
.
,
=√
=√
.
.
.
=√ ,
,
)
.
,
) − ,
)
,
= 0,09
�.
= √(∑
=√
=√
=√ ,
.
�)
.
.
,
,
.
− )
,
) − ,
)
,
= 0,29
Universitas Sumatera Utara
27
�.
= √(∑
=√
=√
)( −
.
= √ ,
.
.
.
,
.
)
.
.
,
,
) − ,
)
,
= 0,008
Diperoleh distribusi student yaitu:
�� =
� =
� =
5.
�
��
� =
�
�
�
=
=
=
,
,
,
= 0,71
,
= 0,517
,
,
= 1,25
Hasil yang diperoleh
�
,
�
,
� − ,
)>�
)�
�
�
(0,45); maka � ditolak
�
(0,45); maka � ditolak
(0,45); maka � ditolak
Dari ketiga koefisien regresi tersebut menunjukkan bahwa variabel � , � dan �
(jumlah kendaraan bermotor, panjang jalan dan banyaknya pelanggaran ramburambu lalu lintas) memberikan pengaruh yang berarti terhadap tingkat kecelakaan
lalu lintas.
Universitas Sumatera Utara
BAB 4
IMPLEMENTASI SISTEM
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 faktorfaktor 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
Komputer dapat melakukan proses pengolahan jumlah data yang besar dalam
waktu yang singkat. Jumlah data yang besar dan sedikit akan sama cepatnya
diolah oleh komputer, yang membedakannya hanya pada proses pemasukan
data saja.
Universitas Sumatera Utara
29
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
1.
Pengolahan Data dengan SPSS
Memulai SPSS pada window yaitu sebagai
a. Pilih menu Start dari Windows
b. Selanjutnya pilih menu Program
c. Pilih PASW Statistic 18
Universitas Sumatera Utara
30
Gambar 4.1 Tampilan SPSS saat dibuka pada Windows
Gambar 4.2 Tampilan Worksheet SPSS 18 For Windows
4.4
Mengoperasikan SPSS
Dari tampilan SPSS yang muncul, pilih type in data untuk membuat data baru dari
menu utama file, pilih new, lalu klik, maka akan tampil, muncul jendela editor
kemudian klik data. Cara menamai variabel dilakukan dengan, Klik variabel View
yang terletak sebelah kiri bawah jendela editor, lalu lakukan langkah berikut:
a.
Name
: digunakan untuk memberikan nama variabel.
Universitas Sumatera Utara
31
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
1.
Pengolahan Data untuk Regresi
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
2.
Kemudian isi data pada kolom Data View, Sehingga diperoleh seperti gambar
berikut:
Universitas Sumatera Utara
32
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
4.
Kemudian akan didapat tampilan sebagai berikut:
Universitas Sumatera Utara
33
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
pastikan memberi tanda check (ν) pada Estimates, Model fit dan Descriptives
sebagai berikut:
Universitas Sumatera Utara
34
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.
4.6
Pengolahan Data untuk Korelasi
Universitas Sumatera Utara
35
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
3. Klik OK maka hasilnya akan muncul pada output.
Universitas Sumatera Utara
36
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
Sig. (1-tailed)
N
�
�
�
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
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
-
Y
10
10
10
10
�
10
10
10
10
10
10
10
10
�
10
10
10
10
�
Universitas Sumatera Utara
37
Model Summaryb
Model
R
R Square
0,876a
0
Adjusted R
Std. Error of
Square
the Estimate
0,767
0,651
208,25783
a. Predictors: (Constant), � , � , �
b. Dependent Variable: Y
ANOVAb
Model
1
Sum of
Squares
Df
Mean Square
F
Sig.
Regression
858.234,568
3
286.078,189
6,596
0,025a
Residual
260.227,932
6
43.371,322
1.118.462,500
9
Total
a. Predictors: (Constant), � , � , �
b. Dependent Variable: Y
Coefficientsa
Model
1 (Constant)
�
�
�
Unstandardized
Standardized
Coefficients
Coefficients
t
Sig.
0,248
0,812
B
Std. Error
Beta
267,102
1.075,198
0,317
0,091
1,014
3,474
0,013
-0,294
0,395
-0,211
-0,745
0,485
0,010
0,004
0,497
2,416
0,052
a. Dependent Variable: Y
Universitas Sumatera Utara
38
Residuals Statisticsa
Std.
Predicted Value
Residual
Std. Predicted
Minimum
Maximum
Deviation
N
846,1599
1.575,1115 1.244,5000 308,80317
10
-305,76920 203,44804
Mean
0,00000
170,04180
10
-1,290
1,071
0,000
1,000
10
-1,468
0,977
0,000
0,816
10
Value
Std. Residual
a. Dependent Variable: Y
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
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
1.
Saran
Faktor yang menyebabkan tingginya tingkat kecelakaan lalu lintas adalah
jumlah kendaraan bermotor, dan pelanggaran rambu-rambu lalu lintas untuk
itu diharapkan agar pemerintah bisa mengambil kebijakan untuk mengurangi
kecelakaan lalu lintas demi keselamatan masyarakat Kota Medan. Salah
Universitas Sumatera Utara
40
satunya yaitu dengan kebijakan penambahan panjang jalan, semakin tinggi
panjang jalan maka tingkat kecelakaan semakin rendah..
Universitas Sumatera Utara