menentukan persamaan regresi liner berganda …
TRANSCRIPT
MENENTUKAN PERSAMAAN REGRESI LINER BERGANDA
DENGAN METODE BACKWARD PADA KASUS
TINGKAT KECELAKAAN LALU LINTAS
DI KOTA MEDAN
SKRIPSI
HENDRO KRISTIAN SIGALINGGING
160823032
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUANALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2018
UNIVERSITAS SUMATERA UTARA
MENENTUKAN PERSAMAAN REGRESI LINIER BERGANDA
DENGAN METODE BACKWARD PADA KASUS
TINGKAT KECELAKAAN LALU LINTAS
DI KOTA MEDAN
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar
Sarjana Sains
HENDRO KRISTIAN SIGALINGGING
160823032
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2018
UNIVERSITAS SUMATERA UTARA
i
PERSETUJUAN
Judul : Menentukan Persamaan Regresi Linier Berganda
dengan Metode Backward pada Kasus Tingkat
Kecelakaan Lalu Lintas di Kota Medan
Kategori : Skripsi
Nama : Hendro Kristian Sigalingging
Nomor Induk Mahasiswa : 160823032
Program Studi : Ekstensi Matematika-S1
Departemen : Matematika
Fakultas : Matematika Dan Ilmu Pengetahuan Alam
Universitas Sumatera Utara
Diluluskan di
Medan, Juli 2018
Komisi Pembimbing:
Pembimbing
Drs. Rosman Siregar, M. Si
NIP. 19610107 198601 1 001
Diketahui/Disetujui oleh:
Departemen Matematika FMIPA USU
Ketua,
Dr. Suyanto, M. Kom
NIP. 19590813 198601 1 002
UNIVERSITAS SUMATERA UTARA
ii
PERNYATAAN
MENENTUKAN PERSAMAAN REGRESI LINIER BERGANDA
DENGAN METODE BACKWARD PADA KASUS
TINGKAT KECELAKAAN LALU LINTAS
DI KOTA MEDAN
SKRIPSI
Penulis menyatakan bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali
beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Juli 2018
HENDRO KRISTIAN SIGALINGING
160823032
UNIVERSITAS SUMATERA UTARA
iii
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat dan
karunia-Nya penulis dapat menyelesaikan penyusunan skripsi ini dengan judul
“Menentukan Persamaan Regresi Linier Berganda dengan Metode Backward pada
Kasus Tingkat Kecelakaan Lalu Lintas di Kota Medan” guna melengkapi syarat
memperoleh gelar S1 Matematika pada Fakultas Matematika dan Ilmu
Pengetahuan Alam di Universitas Sumatera Utara.
Dalam kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-
besarnya kepada semua pihak yang turut mendukung dalam penulisan skripsi ini,
ucapan terima kasih penulis sampaikan kepada:
1. Bapak Drs. Rosman Siregar, M.Si selaku Sekretaris Departemen
Matematika FMIPA USU dan dosen pembimbing atas segala waktu dan
arahan yang diberikan selama mengerjakan skripsi ini.
2. Bapak Drs. Gim Tarigan, M.Si dan Drs. Ujian Sinulingga, M.si selaku
dosen pembanding atas segala saran dan masukan yang diberikan dalam
penyelesaian skripsi ini.
3. Bapak Dr. Suyanto, M.Kom selaku Ketua Departemen Matematika
FMIPA USU.
4. Bapak Dr. Kerista Sebayang, MS selaku dekan FMIPA, dan semua
pegawai di FMIPA USU.
5. Bapak pimpinan Direktorat Lalu Lintas Kota Medan yang telah membantu
penulis memberikan data yang diperlukan dalam penulisan skripsi ini.
6. Ayahanda H.M Sihar Sigalingging dan Ibunda Jelliana Sihombing, S.Pd
yang telah memberikan dukungan baik moril maupun materi. Juga kepada
saudara-saudara saya Perdana Hamonangan Sigalingging, S.H, Riendy
Peisten Sigalingging, Darwin Pamela Sigalingging, A.md, Cita Grace
Sigalingging, Bagas Pirmadi Tua Sigalingging dan Stiven Ebenezer
Sigalingging atas dukungan dan semangat yang diberikan kepada penulis.
7. Kekasih saya Marleni Devita Sella Pasaribu dan Sahabat saya yang selalu
menyemangati dan mendukung Erickson Lumban Batu, Firman Pane serta
sahabat dan semua teman yang tidak dapat saya sebut satu per satu.
Semoga damai sejahtera dari Tuhan selalu menyertai kita.
Medan, Juli 2018
Penulis
Hendro Kristian Sigalingging
UNIVERSITAS SUMATERA UTARA
iv
MENENTUKAN PERSAMAAN REGRESI LINIER BERGANDA
DENGAN METODE BACKWARD PADA KASUS
TINGKAT KECELAKAAN LALU LINTAS
DI KOTA MEDAN
ABSTRAK
Kecelakaan lalu lintas adalah suatu peristiwa di jalan yang tidak disangka-sangka
dan tidak disengaja melibatkan kendaraan dengan atau tanpa pemakai jalan
lainnya, mengakibatkan korban manusia atau kerugian harta benda. Faktor-faktor
yang dianggap berpengaruh terhadap tingkat kecelakaan lalu lintas adalah faktor
pengemudi, faktor kendaraan, faktor jalan, faktor alam dan faktor teknologi.
Dalam tulisan ini ingin dicari faktor-faktor manakah yang paling berpengaruh
terhadap peningkatan tingkat kecelakaan lalu lintas di Kota Medan, dan untuk
mencari nya maka penulis menggunakan metode Backward dan hasil penduga
yang diperoleh metode Backward adalah
. Dengan Y menyatakan Tingkat kecelakaan lalu lintas di kota
Medan, adalah Faktor pengemudi, adalah Faktor kendaraan dan adalah
Faktor alam. Sehingga dapat disimpulkan bahwa model penduga yang diperoleh
cukup baik digunakan sebagai penduga besar Tingkat kecelakaan lalu lintas di
kota Medan.
Kata Kunci: Kecelakaan lalu lintas, Metode Backward
UNIVERSITAS SUMATERA UTARA
v
DETERMINING THE EQUATION OF MULTIPLE LINIER
REGRESSION WITH BACKWARD METHOD
IN CASETRAFFIC ACCIDENT LEVELS
IN THE MEDAN CITY
ABSTRACT
A traffic accident is an unexpected and accidental road accident involving a
vehicle with or without other road users, resulting in human casualties or property
losses. Factors considered to have an effect on traffic accident rate are driver
factor, vehicle factor, road factor, natural factor and technological factor. In this
paper to find out which factors are most influential on increasing the level of
traffic accidents in the city of Medan, and to look for it then the author uses
Backward method and the results of estimators obtained Backward method is
. With Y stating The traffic accident
level in Medan city, is the driver factor, is vehicle factor is natural factor. So it can be concluded that the model estimator obtained is good enough to
be used as a large estimator Traffic accidents in the city of Medan.
Keywords: Traffic accidents, Backward Methods
UNIVERSITAS SUMATERA UTARA
vi
DAFTAR ISI
Halaman
PERSETUJUAN i
PERNYATAAN ii
PENGHARGAAN iii
ABSTRAK iv
ABSTRACT v
DAFTAR ISI vi
DAFTAR TABEL viii
BAB 1 PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Perumusan Masalah 2
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 3
1.6 Tinjauan Pustaka 4
1.7 Metodologi Penelitian 7
BAB 2 LANDASAN TEORI 9
2.1 Uji Kecukupan Sampel 9
2.2 Regresi Linier Sederhana 10
2.3 Regresi Linier Berganda 12
2.4 Model Regresi Linier dengan Pendekatan Matriks 13
2.4.1 Konsep Dasar dan Definisi Matriks 13
2.4.2 Trasnspose Suatu Matriks 14
2.4.3 Perkalian Matriks 14
2.4.4 Mencari Determinan dengan Menggunakan Kofaktor 15
2.4.5 Mencari Invers Suatu Matriks dengan Menggunakan
Adjoint 15
2.5 Prosedur Regresi dengan Menggunakan Metode Backward 18
2.6 Membentuk Persamaan Regresi Linier Berganda Pertama 20
2.7 Membentuk Model Penduga 21
2.7.1 Persamaan Penduga Pada Metode Backward 21
2.7.2 Koefisien Korelasi Determinasi (Indeks Determinasi) 21
2.7.3 Pertimbangan Terhadap Penduga 22
2.7.4 Pembuktian Asumsi 22
BAB 3 PEMBAHASAN 26
3.1 Data 26
3.2 Uji Kecukupan Sampel 27
3.3 Pengolahan Data 29
3.4 Model Regresi Linier dengan Pendekatan Matriks 32
3.5 Persamaan Regresi Berganda antara Y dengan
, , , , 38
UNIVERSITAS SUMATERA UTARA
vii
3.5.1 Koefisien Korelasi 38
3.5.2 Uji Keberartian Regresi Ganda 39
3.5.3 Uji Korelasi Parsial 40
3.6 Persamaan Regresi Berganda antara Y dengan
, , , 41
3.6.1 Koefisien Regesi Ganda 41
3.6.2 Uji Keberartian Regresi Ganda 44
3.6.3 Uji Korelasi Parsial 44
3.7 Persamaan Regresi Berganda antara Y dengan
, , 45 3.7.1 Koefisien Regresi Ganda 45
3.7.2 Uji Keberartian Regresi Ganda 46
3.7.3 Uji Korelasi Parsial 46
3.8 Pembentukan Penduga 47
3.8.1 Bentuk Persamaan Penduga 47
3.8.2 Metode Backward 47
3.8.3 Koefisien Korelasi Determinasi 48
3.8.4 Analisa Residu 49
BAB 4 KESIMPULAN DAN SARAN 52
5.1 Kesimpulan 52
5.2 Saran 52
DAFTAR PUSTAKA 53
LAMPIRAN
UNIVERSITAS SUMATERA UTARA
viii
DAFTAR TABEL
Tabel 2.1 Uji Korelasi Parsial 18
Tabel 2.2 Koefisien Korelasi Rank Sperman dan Residu 23
Tabel 3.1 Tingkat Kecelakaan Lalu Lintas dan Faktor-faktor
yang mempengaruhinya 26
Tabel 3.2 Uji Kecukupan Sampel 27
Tabel 3.3 Pengolahan Data 29
Tabel 3.4 Koefisien Regresi Ganda Antara Y dengan
, , , , 38
Tabel 3.5 ANOVA antara Y dengan , , , , 39
Tabel 3.6 Uji Korelasi Parsial dan ANOVA antara Y dengan
, , , , 40
Tabel 3.7 Koefisien regresi ganda antara Y dengan , , , 43
Tabel 3.8 Anova antara Y dengan , , , 44
Tabel 3.9 Uji Korelasi Parsial antara Y dengan , , 44
Tabel 3.10 Koefisien regresi ganda antara Y dengan , , 45
Tabel 3.11 Anova antara Y dengan , , 46
Tabel 3.12 Uji Korelasi Parsial antara Y dengan , , 46
Tabel 3.13 Rank Spearman dan Residu 49
UNIVERSITAS SUMATERA UTARA
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Indonesia merupakan salah satu negara yang memiliki tingkat kecelakaan lalu
lintas yang cukup tinggi. Data Kepolisian RI menyebutkan bahwa setiap tahun ada
28.000-38.000 orang meninggal akibat kecelakaan lalu lintas di Indonesia. Jumlah
tersebut membuat Indonesia berada di peringkat pertama negara dengan rasio
tertinggi kematian akibat kecelakaan lalu lintas di dunia (kompas.com). Data
statistik Organisasi Kesehatan Dunia (World Health Organization) atau WHO
menyebutkan bahwa faktanya Indonesia menjadi negara ketiga di Asia di bawah
Tiongkok dan India dengan total 38.279 total kematian akibat kecelakaan lalu
lintas di tahun 2015. Meskipun Indonesia secara data memang menduduki
peringkat ketiga, namun dilihat dari presentase statistik dari jumlah populasi,
Indonesia menduduki peringkat pertama dengan angka kematian 0,015 persen dari
jumlah populasi di bawah Tiongkok dengan presentase 0,018 persen dan India
0,017 (analisa daily).
Permasalahan kecelakaan lalu lintas pada umumnya terjadi ketika sarana
transportasi, baik dari segi jalan, kendaraan, dan sarana pendukung lainnya belum
mampu mengimbangi perkembangan yang ada di masyarakat. Pertumbuhan
ekonomi dan jumlah penduduk yang besar menyebabkan meningkatnya aktivitas
pemenuhan kebutuhan yang tentunya meningkatkan pula kebutuhan akan alat
transportasi, baik itu yang pribadi maupun yang umum. Dengan kondisi angkutan
umum yang kurang memadai, masyarakat mengatasinya dengan menggunakan
kendaraan pribadi. Pemakaian kendaraan pribadi ini di satu pihak akan
menguntungkan, akan tetapi di pihak lain akan menimbulkan masalah lalu lintas.
dipengaruhi tiga faktor utama.
UNIVERSITAS SUMATERA UTARA
2
Tiga faktor utama tersebut yang menyebabkan terjadinya kecelakaan. Faktor
pertama adalah manusia sendiri. Faktor kedua adalah faktor kendaraan, dan faktor
terakhir adalah faktor jalan. Kecelakaan lalu lintas bisa saja terjadi akibat
kombinasi ketiga faktor penyebab utama kecelakaan tersebut. Faktor-faktor yang
berada di luar tiga faktor utama tersebut antara lain faktor lingkungan dan cuaca
yang juga bisa berkontribusi terhadap terjadinya kecelakaan. Seberapa besar
pengaruh faktor-faktor tersebut merupakan Dari tahun ke tahun, permasalahan
transportasi diringi dengan tingkat kepadatan lalu lintas yang selalu meningkat.
Hal ini dikarenakan bertambahnya intensitas kendaraan yang ada pada setiap
tahunnya. Selain itu, pembangunan pusat- pusat keramaian seperti tempat wisata
dan pendidikan menyebabkan tingkat tarikan frekuensi kendaraan semakin
meningkat. Hal ini menyebabkan intensitas kecelakaan lalu lintas yang terjadi
pada setiap tahunnya juga ikut mengalami peningkatan, karena bisa dikatakan
bahwa intensitas kecelakaan berbanding lurus dengan intensitas kendaraan yang
lewat, dengan mengasumsikan faktor kecelakaan yang lainnya dalam tingkat
pengaruh yang sama seperti, mengantuk saat berkendara dan kurang baiknya
kendaraan yang dikemudikan.
Kecelakaan lalu lintas permasalahan yang harus diketahui oleh petugas lalu
lintas dan pemerintah Kota Medan untuk dapat mengambil tindakan dan
keputusan dalam rangka mengurangi tingkat kecelakaan lalu lintas. Berdasarkan
latar belakang di atas maka penulis tertarik melakukan penelitian dengan judul
“Menentukan Persamaan Regresi Linier Berganda dengan Metode
Backward Pada Kasus Tingkat Kecelakaan Lalu Lintas di Kota Medan”.
1.2 Perumusan Masalah
Permasalahan yang akan dibahas dalam penulisan ini adalah faktor manakah yang
berpengaruh terhadap tingkat kecelakaan lalu lintas di kota Medan dengan
menggunakan metode backward dalam menentukan persamaan regresi linier
berganda. Sehingga akan diperoleh nilai variabel bebas yang lebih signifikan.
UNIVERSITAS SUMATERA UTARA
3
1.3 Batasan Masalah
Dalam penelitian ini, penulis membatasi ruang lingkup permasalahan sebagai
berikut:
1. Data yang digunakan dalam penelitian ini adalah data sekunder yang
diperoleh dari Kepolisian Negara Republik Indonesia Daerah Sumatera Utara
Direktorat Lalu Lintas kota Medan. Data yang digunakan dalam penelitian ini
hanya pada data tahun 2016 dan 2017.
2. Dari beberapa faktor yang mempengaruhi tingkat kecelakaan lalu lintas di
kota Medan, penulis hanya mengambil faktor-faktor yang sering terjadi setiap
bulannya.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mencari hubungan antara variabel-variabel
bebas terhadap tingkat kecelakaan lalu lintas sehingga diperoleh persamaan
regresi linier berganda dengan menggunakan metode backward.
1.5 Manfaat Penelitian
1. Penelitian ini dapat dijadikan sebagai rujukan oleh pihak aparat di Kepolisian
Negara Republik Indonesia Daerah Sumatera Utara Direktorat Lalu Lintas
Kota Medan berkaitan dengan tingkat kecelakaan lalu lintas di kota Medan.
2. Menjadi pedoman dan bahan pertimbangan bagi laporan penelitian
selanjutnya.
UNIVERSITAS SUMATERA UTARA
4
1.6 Tinjauan Pustaka
1. Analisis Regresi Terapan, Edisi Kedua (N. R Draper dan H. Smith, 1992).
Buku ini menjelaskan bahwa Metode Backward merupakan metode eliminasi
langkah mundur (The Backward Elimination). Metode eliminasi langkah
mundur lebih ekonomis dibandingkan dengan metode semua kemungkinan
regresi dalam pengertian bahwa metode ini mencoba memeriksa hanya
regresi terbaik yang mengandung sejumlah tertentu variabel peramal.
Langkah-langkah pokok dalam prosedur ini adalah sebagai berikut:
1) Menghitung persamaan regresi yang mengandung semua variabel
penduga.
2) Menghitung nilai untuk setiap peubah peramal, seolah-olah
merupakan variabel terakhir yang dimasukkan ke dalam persamaan
regresi.
3) Membandingkan nilai terendah, misalnya , dengan nilai F
bertaraf nyata tertentu dari tabel, misalnya .
a) Jika , maka variabel bebas yang bersangkutan
dikeluarkan dari model dan dilanjutkan dengan pembuatan model
baru tanpa variabel tersebut.
b) Jika , maka proses dihentikan artinya tidak ada
veriabel yang perlu dikeluarkan dan persamaan terakhir tersebut
yang digunakan atau dipilih.
2. Analisis Regresi dan Korelasi Teori, Kasus, dan Solusi (Algifari, 1997).
Perubahan nilai suatu variabel tidak selalu terjadi dengan sendirinya, namun
perubahan nilai variabel itu dapat disebabkan oleh berubahnya variabel lain
yang berhubungan dengan variabel tersebut. Untuk mengetahui pola
perubahan nilai suatu variabel yang disebabkan oleh variabel lain diperlukan
alat analisis yang memungkinkan kita untuk membuat perkiraan nilai variabel
tersebut pada masa yang akan datang.
UNIVERSITAS SUMATERA UTARA
5
Analisis regresi merupakan suatu model matematis yang dapat
digunakan untuk mengetahui pola hubungan antara dua atau lebih variabel.
Tujuan utama analisis regresi adalah untuk membuat perkiraan nilai suatu
variabel (variabel terikat) jika nilai variabel yang lain berhubungan
dengannya (variabel bebas) sudah ditentukan.
Bentuk umum persamaan linier sederhana yang menunjukkan hubungan
antara dua variabel, yaitu variabel X sebagai variabel bebas dan variabel Y
sebagai variabel terikat adalah:
(1.1)
Keterangan:
Y = variabel terikat
a = intersep (titik potong kurva terhadap sumbu Y)
b = kemiringan (slope) kurva linier
X = variabel bebas
e = kesalahan
Pada regresi linier berganda terdapat sejumlah (sebut k buah, k ≥ 2)
variabel bebas yang dihubungkan dengan Y linier atau berpangkat satu dalam
semua variabel bebas. Jika variabel bebas itu , , ..., (k ≥ 2) dan seperti
biasa variabel tak bebas Y, maka bentuk umum untuk regresi linier ganda
atas , , ..., ditaksir oleh:
(1.2)
Keterangan:
= nilai Y pada perpotongan antara garis linier dengan sumbu vertikal Y
, , ..., = kofisien regresi
= variabel bebas.
e = kesalahan
UNIVERSITAS SUMATERA UTARA
6
Uji keberartian koefisien korelasi ganda dengan hipotesis nol adalah:
(1.3)
Keterangan:
R = koefisien korelasi ganda
k = banyaknya variabel bebas dari n
n = banyaknya pasang data (banyaknya subjek sampel)
3. Statistika Nonparametrik, (M. Sudradjat, 2008)
Dalam bukunya menyatakan bahwa uji korelasi spearman rank dengan rumus:
∑
(1.4)
Keterangan:
Uji korelasi Spearman
= Perbedaan (selisih) dari pasangan rank ke-i.
n = Jumlah Observasi atau banyaknya pasangan rank.
4. Statistika Untuk Penelitian, (Prof. DR. Sugiyono 2012)
Dari bukunya menjelaskan bahwa uji dengan t, dimana harga adalah:
√
√
(1.5)
Keterangan:
= uji korelasi spearman rank.
n = Jumlah Observasi atau banyaknya pasangan rank.
Bila maka asumsi heteroskedastisitas dipenuhi sehingga
peramalan menjadi efisien dan cocok.
5. Pengantar Matrix. Edisi revisi, Oleh J. Supranto (1998)
Matriks adalah suatu kumpulan angka-angka (sering disebut elemen-elemen)
yang disusun menurut baris dan kolom sehingga berbentuk empat persegi
panjang, dimana panjangnya dan lebarnya ditunjukkan oleh banyaknya
kolom-kolom dan baris-baris. Apabila matriks A terdiri m baris dan n kolom,
maka matriks A bisa ditulis sebagai berikut:
UNIVERSITAS SUMATERA UTARA
7
[
]
merupakan elemen matriks A dari baris i dan kolom j, i dan j dinamakan
indeks.
1.7 Metodologi Penelitian
Metode yang digunakan dalam penelitian ini adalah analisis regresi linear
berganda dengan metode backward. Adapun langkah-langkah yang dilakukan
sebagai berikut:
Langkah 1 : Pengumpulan data
Langkah 2 : Pendefinisian variabel terikat dan variabel bebas
Y = tingkat kecelakaan lalu lintas di kota medan (kasus)
X1 = faktor pengemudi, terdiri atas: lengah, lelah, mengantuk, sakit, tidak
tertib, pengaruh obat, pengaruh alkohol, batas kecepatan (orang)
X2 = faktor kendaraan, tediri atas: rem tidak berfungsi, kemudi kurang baik,
ban kurang baik, as muka pecah, as belakang pecah, lampu depan tidak
berfungsi, lampu belakang tidak berfungsi, penerangan kurang baik,
lampu menyilaukan kendaraan lain (unit)
X3 = faktor jalan, terdiri atas: rusak, lubang, bergelombang (cm)
X4 = faktor alam, terdiri atas: banjir, longsor, hujan, tsunami ( )
X5 = faktor teknologi, terdiri atas: menelpon, menerima telepon, kirim SMS,
terima SMS, menyetel CD/tape, dan melihat reklame (menit)
Langkah 3 : Menguji kecukupan sampel
[ √ ∑
∑
∑
]
UNIVERSITAS SUMATERA UTARA
8
Keterangan:
N = Ukuran sampel pengambilan
= Ukuran sampel yang di perlukan
= Data yang di uji
Kriteria pengujian: diterima .
Langkah 4 : membentuk model regresi dengan pendekatan matriks
Langkah 5 : proses regresi dengan Metode Backward Membentuk persamaan
regresi linier berganda. Bentuk umum dari persamaan penduga:
Keterangan: = koefisien regresi
= faktor-faktor yang mempengaruhi tingkat
kecelakaan lalu lintas
i = 1,2,3,4,5
Langkah 6 : menentukan nilai Fpar dari masing-masing variabel Xi dan
menentukan hasil analisa dan uji korelasi parsial.
Langkah 7 : membentuk persamaan regresi linier berganda pertama
Langkah 8 : Pemilihan variabel yang pertama keluar dari model regresi
Langkah 9 : Pembentukan regresi linear berganda kedua
Langkah 10 : Pemilihan variabel yang kedua keluar dari model regresi
Langkah 11 : Berhenti apabila semua nilai p-value kurang dari kriteria α
Langkah 12 : menganalisa residu
Langkah 13 : kesimpulan dan saran
UNIVERSITAS SUMATERA UTARA
BAB 2
LANDASAN TEORI
2.1 Uji Kecukupan Sampel
Dalam melakukan penelitian ini yang berhubungan dengan kecukupan sampel,
maka langkah awal yang harus dilakukan adalah pengujian terhadap jumlah
sampel. Pengujian ini dimaksudkan untuk mengetahui apakah data yang diperoleh
dapat diterima sebagai sampel.
Hipotesis yang diuji:
= Ukuran sampel telah memenuhi syarat
= Ukuran sampel belum memenuhi syarat
Rumus yang digunakan untuk menentukan jumlah sampel adalah:
[ √ ∑
∑
∑ ]
(2.1)
Keterangan:
= ukuran sampel pengambilan
N = ukuran sampel yang diperlukan.
= Data yang di uji
Kriteria pengujian:
diterima jika
ditolak jika
UNIVERSITAS SUMATERA UTARA
10
2.2 Regresi Linier Sederhana
Regresi linier sederhana adalah metode statistik yang berfungsi untuk menguji
sejauh mana hubungan sebab akibat antara variabel faktor penyebab (X) terhadap
variabel terikatnya (Y). Regresi linier sederhana juga merupakan salah satu
metode statistik yang dipergunakan dalam produksi untuk melakukan prediksi
tentang karakteristik kualitas maupun kuantitas. Bila hanya terdapat satu X dan
satu Y maka terdapat bentuk pasangan pengamatan himpunan X dan Y, dimana
{ }. Bila nilai X diatur yaitu bila percobaan dirancang maka
proses percobaan menetapkan tau memilih nilai-nilai terlebih dahulu dan
kemudian mengamati nilai pedanannya . Bila dimisalkan bahwa semua rataan
terletak pada satu garis lurus, maka peubah acak dapat ditulis
sebagai peubah acak . Hal ini dapat ditulis sebagai:
(2.2)
dengan peubah acak yang mempunyai rataan 0. Setiap pengamatan dalam
sampel memiliki hubungan
(2.3)
dengan nilai yang dicapai bila berharga . Demikian juga dengan
menggunakan persamaan regresi:
(2.4)
tiap pasangan pengamatan memenuhi:
(2.5)
disebut sisa.
Untuk menafsir parameter yang diramalkan digunakan metode kuadrat
terkecil diperoleh . Jadi harga a dan b akan dicari dengan
meminimumkan dari persamaan (2.5), maka diperoleh:
∑
∑
(2.6)
UNIVERSITAS SUMATERA UTARA
11
Bila JKG diturunkan terhadap a dan b maka diperoleh:
∑
∑ (2.7)
∑
∑ (2.8)
Bila kedua persamaan (2.7) dan (2.8) disamakan dengan 0 kemudian
disusun kembali maka akan diperoleh yang disebut dengan persamaan normal
yaitu:
dari persamaan (2.7) diperoleh: ∑ (2.9)
dari persamaan (2.8) diperoleh: ∑ (2.10)
Dari persamaan (2.9) dan persamaan (2.10) yaitu persamaan normal maka dapat
dicari harga a dan b dengan metode subtitusi dapat dicari dari persamaan yaitu
sebagai berikut:
∑ ∑
(2.11)
∑ ∑
∑
(2.12)
Dari persamaan (2.11) diperoleh:
∑ ∑
∑
∑
.
Subtitusi a dalam persamaan (2.12) diperoleh:
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
∑
]
∑
∑
∑
∑
∑
]
∑ ∑
∑
∑
∑
]
∑ ∑
∑
∑
∑
Dari persamaan atau diperoleh
UNIVERSITAS SUMATERA UTARA
12
2.3 Regresi Linier Berganda
Regresi linier berganda adalah hubungan secara linier antara dua atau lebih
variabel bebas (X) dengan variabel terikat (Y) dan untuk mengetahui arah
hubungan antara X dan Y apakah berhubungan positif atau negatif serta untuk
memprediksi nilai dari variabel terikat dari variabel bebas apabila nilai variabel
bebas mengalami kenaikan atau penurunan. Model linier dalam koefisien
berganda pada K pebah bebas yaitu dengan rataan
diberikan oleh model regresi linier ganda
Andaikan kita mengambil regresi linier berganda dalam bentuk
{( ) } bila respon amatan yang berpadanan
dengan nilai dari kedua peubah bebas dan . Tiap nilai amatan
memenuhi persamaan:
(2.13)
(2.14)
dengan dan masing-masing menyatakan galat acak dan sisa berpadanan
dengan respon . Menurut metode kuadrat terkecil, untuk mencari taksiran
dengan meminimumkan jumlah kuadrat galat:
∑ ∑
(2.15)
Jika diturunkan atau dideferensialkan JKG secara berurutan terhadap , ,
maka diperoleh:
∑ ∑
∑
∑ (2.16)
∑
∑ (2.17)
UNIVERSITAS SUMATERA UTARA
13
∑
∑ (2.18)
kemudian disamakan dengan 0 maka diperoleh persamaan normal sebagai
berikut:
(2.19)
∑
∑ ∑
∑
∑ ∑
∑
∑
∑ ∑
∑
Sehingga taksiran respon diperoleh dari persamaan regresi:
(2.20)
2.4 Model Regresi Linier Dengan Pendekatan Matriks
2.4.1 Konsep Dasar dan Defenisi Matriks
Matriks ialah suatu kumpulan angka-angka (sering disebut elemen-elemen) yang
disusun menurut baris dan kolom sehingga berbentuk empat persegi panjang,
dimana panjangnya dan lebarnya ditunjukkan oleh banyaknya kolom-kolom dan
baris-baris.
Apabila matriks A terdiri dari m baris dan n kolom, maka matriks A bisa
di tulis sebagai berikut:
[
]
( )
(2.21)
merupakan elemen matriks dari baris dan kolom dan dinamakan
indeks.
UNIVERSITAS SUMATERA UTARA
14
2.4.2 Transpose Suatu Matriks
Transpose suatu matriks ( ) ialah suatu matriks baru yang mana elemen-
elemennya diperoleh dari elemen-elemen matriks dengan syarat bahwa baris-
baris dan kolom-kolom matriks menjadi kolom-kolom dan baris-baris dari matriks
yang baru ini, dengan perkataan lain baris ke-i dari matriks menjadi kolom ke-i
dari matriks baru.
Biasanya transpose matriks diberi simbol dan ditulis ( ).
[
] [
] (2.22)
2.4.3 Perkalian Matriks
Apabila ( ) yaitu matriks dengan baris dan kolom, ( )
matriks dengan baris dan kolom, kemudian dengan perkalian matriks
, kita maksudkan suatu matriks , yaitu matriks
dengan baris dan kolom, dimana elemen dari baris ke-i kolom ke-j
diperoleh rumus:
∑ dimana
(2.23)
Didalam menentukan apakah dua buah matriks bisa dikalikan atau tidak dan
sekaligus untuk menentukan jumlah baris dan kolom dari hasil kalinya, kita harus
yakin benar bahwa jumlah kolom dari matriks sebelah kiri (matriks A) harus sama
dengan jumlah garis dari matriks sebelah kanan (matriks B).
(2.24)
UNIVERSITAS SUMATERA UTARA
15
2.4.4 Mencari Determinan dengan Menggunakan Kofaktor
Determinan suatu fungsi tertentu yang menghubungkan suatu bilangan real
dengan suatu matriks bujur sangkar. Kalau merupakan transpose dari matriks
, maka . Setiap hasil kali dari rumus determinan, yaitu:
∑ (2.25)
Kalau dari matriks kuadrat dengan baris dan kolom kita hilangkan
baris ke-i dan kolom ke-j maka determinan dari matriks kuadrat dengan
baris dan kolom, yaitu sisa matriks yang tinggal disebut Minor Matriks
dari elemen dan diberi simbol | |. Apabila pada setiap minor kita tambahkan
tanda plus (+) atau minus (-) sebagai tanda pada determinan kita beri simbol:
| | maka diperoleh apa yang disebut kofaktor dari elemen dan
biasanya diberi simbol .
| | (2.26)
Ini berarti bahwa setiap elemen mempunyai kofaktor sendiri-sendiri.
1. Dengan menggunakan elemen-elemen dari baris ke-i
; (2.27)
2. Dengan menggunakan elemen-elemen dari kolom ke-j
; (2.28)
2.4.5 Mencari Inverse Suatu Matriks dengan Menggunakan Adjoint
Adjoint matriks ialah suatu matriks yang elemen-elemennya terdiri dari
transpose semua kofaktor dari elemen-elemen matriks , yaitu apabila:
( ), dimana ialah kofaktor dari elemen , maka adjoint matriks yaitu:
( ). Jadi jelasnya Adj ialah transpose dari matriks
kofaktor , yaitu:
UNIVERSITAS SUMATERA UTARA
16
[
]
(2.29)
Apabila matriks yang kuadrat dengan baris dan kolom, dan
merupakan matriks yang non-singular yaitu dan merupakan
kofaktor dari elemen , maka inverse matriks , yaitu dirumuskan sebagai
berikut:
(2.30)
Dalam melakukan percobaan data yang berbentuk: {
} menyatakan respon amatan pada nilai , ..., dari k
peubah bebas . Tiap amatan memenuhi
persamaan:
(2.31)
. (2.32)
Dengan dan menyatakan galat acak dan sisa Y berpadanan dengan
respon . Metode kuadrat terkecil juga dapat digunakan untuk mencari tafsiran
harga-harga dan kemudian disamakan dengan nol sehingga diperoleh
persamaan normal dalam bentuk berikut:
∑
∑
∑
∑
∑
∑
∑
∑
∑
(2.33)
∑
∑
∑ ∑ ∑
Dari:
UNIVERSITAS SUMATERA UTARA
17
diperoleh, jika:
Bentuk matriksnya:
[
]
[
]
[
]
(2.34)
Matriks X adalah:
[
]
(2.35)
Bentuk matriks A sehingga . Selain unsur pertama baris ke i matrik X
menyatakan X yang menentukan respon . Dari persamaan (2.28) diperoleh:
[
∑ ∑ ∑
∑ ∑ ∑ ∑
∑ ∑ ∑ ∑
]
(2.36)
[
]
[
∑
∑
∑
] .
Maka persamaan normal dapat dinyatakan dalam bentuk matriks:
Bila matriks A tidak ireguler, maka koefisien regresi dapat ditulis:
UNIVERSITAS SUMATERA UTARA
18
2.5 Prosedur Regresi dengan Menggunakan Metode Backward
Metode Backward merupakan langkah mundur, dimana semua variabel
diregresikan dengan variabel terikat Y. Pengeleminasian variabel didasarkan
pada nilai dari masing-masing variabel yaitu variabel yang mempunyai
nilai langkah pokok terkecil dan turut tidaknya variabel tersebut di dalam
model didasarkan pada .
Langkah 1: Membentuk persamaan regresi linier berganda lengkap variabel
bebas , ,..., ,. Menentukan persamaan yang membuat semua variabel bebas
di mana koefisien regresi .
Dihitung berdasarkan persamaan:
[
]
[
∑ ∑ ∑
∑ ∑ ∑ ∑
∑ ∑ ∑
∑
∑ ∑ ∑ ∑
]
[
∑
∑
∑
∑ ]
(2.37)
Langkah 2: Menentukan nilai terkecil untuk yang pertama keluar dari
model regresi. Kemudian dihitung dari masing-masing variabel bebas
dengan menggunakan tabel berikut:
Tabel 2.1 Uji Korelasi Parsial
No Koefisien Regresi Galat Baku
1
⁄
2
⁄
.
.
.
K
⁄
UNIVERSITAS SUMATERA UTARA
19
√ (2.38)
Keterangan:
= Galat taksiran Y atas
Uji hipotesa:
Tidak ada pengaruh yang signifikan antara dengan
: Ada pengaruh yang signifikan antara dengan
Keputusan:
Bila maka diterima
Bila maka ditolak
Dengan:
Langkah 3: Membentuk Persamaan Regresi Linier Berganda yang Kedua.
Bila pada langkah 3, ditolak maka proses berakhir dan penduga yang
digunakan adalah persamaan regresi linier berganda lengkap. Sebaliknya jika
diterima maka langkah selanjutnya adalah membentuk persamaan regresi linier
berganda yang membuat semua variabel (untuk i ≠ 1). Untuk itu prosedur yang
digunakan adalah sama seperti pada langkah 1.
Langkah 4: Pemilihan Variabel yang kedua keluar dari Model.
Untuk memilih variabel yang kedua keluar dari model didasarkan pada nilai
dari variabel bebas yang termuat pada persamaan regresi linier berganda
yang kedua (pada langkah 4).
Proses ini diulang secara berurutan sampai akhirnya nilai terkecil
dari variabel bebas akan lebih besar dari .
:2.6 Membentuk Pesamaan Regresi Linier Berganda Pertama
Langkah 1: Membentuk persamaan regresi linier berganda lengkap variabel
bebas , ,..., .
Langkah 2: Membentuk koefisien korelasi ganda dan menguji keberartian regresi
ganda , ,..., .
UNIVERSITAS SUMATERA UTARA
20
Apabila antara dua variabel (X dan Y) yang masing-masing mempunyai
skala pengukuran sekurang-kurangnya interval (ratio) dan hubungannya
merupakan hubungan linier, maka keeratan hubungan antara variabel itu dapat
dihitung dengan:
∑ ∑ ∑
√ ∑ ∑
√ ∑ ∑
(2.39)
Langkah 3: Menentukan nilai terkecil untuk yang pertama keluar dari
model regresi.
Uji hipotesa:
Tidak ada pengaruh yang signifikan antara dengan
: Ada pengaruh yang signifikan antara dengan
Keputusan:
Bila maka diterima.
Bila maka ditolak
Dengan:
Langkah 4: Membentuk persamaan regresi linier berganda yang kedua.
Bila pada langkah 3, ditolak maka proses berakhir dan penduga yang
digunakan adalah persamaan regresi linier berganda lengkap. Sebaliknya jika
diterima maka langkah selanjutnya adalah membentuk persamaan regresi linier
berganda yang membuat semua variabel (untuk i 1). Untuk itu prosedur yang
digunakan adalah sama seperti pada langkah 1.
UNIVERSITAS SUMATERA UTARA
21
Langkah 5: Pemilihan variabel yang kedua keluar dari model.
Untuk memilih variabel yang kedua keluar dari model didasarkan pada nilai
dari variabel bebas yang termuat pada persamaan regresi linier berganda
yang kedua (pada langkah 4).
Proses ini diulang secara berurutan sampai akhirnya nilai terkecil
dari variabel bebas akan lebih besar dari .
2.7 Membentuk Model Penduga
Apabila proses pengeluaran variabel bebas dari persamaan regresi telah selesai,
maka ditetapkan persamaan regresi yang menjadi penduga linier yang diinginkan.
2.7.1 Persamaan Penduga Pada Metode Backward
Bentuk penduga ditetapkan adalah: dimana adalah semua
variabel X yang tinggal di dalam persamaan dan adalah koefisien regresi dari
.
2.7.2 Koefisien Korelasi Determinasi (Indeks Determinasi)
adalah suatu indikator yang menggambarkan berapa banyak variasi yang
dijelaskan dalam model. Nilai dapat dicari dengan menggunakan rumus:
∑ ∑ ∑
∑ (2.40)
Dimana terlebih dahulu dicari nilai dari masing-masing sigma yaitu:
∑ ∑ ∑
∑ ∑ ∑ ∑
∑ ∑ ∑ ∑
(2.41)
∑ ∑ ∑ ∑
UNIVERSITAS SUMATERA UTARA
22
Harga yang diperoleh akan sesuai dengan variasi yang dijelaskan
masing-masing variabel dalam regresi. Hal ini berakibat bahwa variasi yang
dijelaskan penduga hanya disebabkan oleh variabel yang berpengaruh saja (yang
bersifat nyata atau lebih).
2.7.3. Pertimbangan Terhadap Penduga
a. Pertimbangan Berdasarkan .
Diterima atau tidaknya suatu penduga yang diperoleh atas besarnya adalah
tergantung kepada yang menilainya atau yang membuat keputusan. Suatu
penduga sangat baik digunakan bila persentase variasi yang dijelaskan sangat
besar (mendekati satu).
b. Pertimbangan Berdasarkan Residu (Sisa)
Suatu regresi adalah berarti dan model regresinya cocok apabila ketiga asumsi
dipenuhi. Ketiga asumsi itu dibuktikan (ditunjukkan kebenarannya) dengan
analisa residu dari penduga, yaitu selisih dari respon observasi terhadap hasil
keluaran oleh penduga berdasarkan predictor observasi.
2.7.4. Pembuktian Asumsi
Asumsi (i): rata-rata residu sama dengan nol (0).
Keberartian dari keadaan ini akan terlihat pada perhitungan seperti tabel dibawah
ini.
Asumsi (ii): variansi (ej) = variansi (ek) = .
Keadaan ini akan dibuktikan melalui uji statistika yaitu uji t, dengan terlebih
dahulu menghitung koefisien korelasi Rank Spearman (membandingkan harga
dengan ). Uji Spearman merupakan salah satu uji statistik non
parametris. Digunakan apabila ingin mengetahui kesesuaian antara 2 subjek
dimana skala datanya adalah ordinal.
UNIVERSITAS SUMATERA UTARA
23
Karena uji kesesuaian, maka jelas sifat hubungan kedua variabel adalah
simetris, bukan resiprocal. Sakala data jelas adalah nominal (2 subjek) dengan
interval yang diubah menjadi peringkat.Untuk uji ini, data yang digunakan dengan
tabel sebagai berikut:
Tabel 2.2 Koefisien Korelasi Rank Sperman dan Residu
No Observasi Penduga Residu Rank Rank
(e)
(e) (Y)
1
2
3
. . . . . . .
. . . . . . .
. . . . . . .
Jumlah
∑
Koefisien korelasi Rank Spearman ( :
Jika , dimana X adalah nilai tengah dan variabel X, dan jika
, maka rumus umum koefisien korelasi (Kendall, 1948) adalah:
∑
√ ∑ ∑
Di mana tanda jumlah berlaku untuk seluruh N nilai cuplikan. Sekarang
apabila X dan Y dalam bentuk rank, , dan jumlah bilangan N integer 1,2,...,
N adalah:
∑
Kemudian jumlah kuadratnya , , ..., dapat diperhatikan sebagai berikut:
∑
Oleh karena ∑ ∑ ∑ ∑
, maka dalam bentuk rank:
∑
]
Begitu juga ∑
(2.42)
UNIVERSITAS SUMATERA UTARA
24
Sekarang perhatikanlah:
∑ ∑ ∑ ∑
dan
∑ ∑ ∑ ∑
Tetapi rumus koefisien korelasi, diketahui bahwa:
∑
√ ∑ ∑
Jika pengamatan dalam bentuk rank:
∑ ∑ ∑
√ ∑ ∑ (2.43)
Dalam keadaan X dan Y berbentuk rank, maka dengan mensubtitusikan:
∑
∑ ke dalam (2.41) didapatkan:
∑
√
( )
(2.44)
∑
(
)
∑
∑
(2.45)
Oleh karena , untuk dalam
keadaan rank, maka rumus dapat dituliskan:
∑
∑
(2.46)
UNIVERSITAS SUMATERA UTARA
25
Keterangan:
koefisien korelasi Rank Spearman
= Perbedaan (selisih) dari pasangan rank ke-i.
n = Jumlah Observasi atau banyaknya pasangan rank.
√
√
(2.47)
Kemudian di uji dengan uji t dan selanjutnya di cari harga
dimana adalah derajat kebebasan dan adalah taraf nyata hipotesa. Dengan
membandingkan test terhadap tabel, bila maka, varian varian
sehingga variansi seluruh residu adalah sama.
Asumsi (iii): covarian ( ) = 0, .
Asumsi ini dibuktikan dengan plot residu (diagram pencar dari residu). Bila plot
residu menunjukkan pola tertentu yang beraturan maka asumsi dilanggar atau
covarian ( . Jika sebaliknya maka asumsi dipenuhi. Apabila asumsi ini
dipenuhi maka tidak terdapat autokorelasi antar residu.
UNIVERSITAS SUMATERA UTARA
BAB 3
PEMBAHASAN
3.1 Data
Berdasarkan data yang diperoleh dari Kepolisian Direktorat Lalu Lintas Medan.
Tabel 3.1 : Tingkat kecelakaan lalu lintas dan faktor-faktor yang
mempengaruhinya.
*sumber Direktorat Lalu Lintas Medan
No. Tahun Bulan
tingkat kecelakaan lalu lintas
(kasus)
faktor Pengemudi
(orang)
faktor Kendaraan
(unit)
faktor Jalan (cm)
Faktor Alam (m3)
Faktor Teknologi
(menit)
1 2016 Jan 121 74 64 21 4 2
2
Feb 136 75 67 14 4 3
3
Mar 132 77 59 16 3 2
4
Apr 129 82 69 15 2 2
5
Mei 126 74 57 18 6 1
6
Juni 134 86 69 15 4 2
7
Juli 129 78 58 14 3 2
8
Agust 102 59 41 12 4 3
9
Sept 127 67 53 18 2 4
10
Ok 133 71 58 12 3 1
11
Nov 118 68 56 10 3 1
12
Des 135 77 62 19 4 4
13 2017 Jan 116 81 64 14 6 2
14
Feb 78 44 32 16 2 1
15
Mar 108 68 51 16 3 3
16
Apr 83 46 34 13 8 3
17
Mei 76 48 35 22 2 1
18
Juni 70 54 38 12 3 2
19
Juli 64 42 31 14 2 4
20
Agust 65 41 30 14 5 2
21
Sept 93 52 42 14 2 5
22
Okt 65 41 32 16 4 2
23
Nov 110 64 49 14 6 4
24
Des 126 77 50 27 5 6
UNIVERSITAS SUMATERA UTARA
27
3.2. Uji Kecukupan Sampel
Rumus yang digunakan untuk menentukan kecukupan sampel adalah:
[ √ ∑
(∑ )
∑
]
Keterangan :
banyaknya data
= tingkat kecelakaan lalu lintas di kota medan
Untuk memudahkan perhitungan maka dibuat tabel di bawah ini sebagai berikut:
Tabel 3.2 : Uji kecukupan Sampel
No. Tingkat Kecelakaan Lalu Lintas ( )
1 121 14.641
2 136 18.496
3 132 17.424
4 129 16.641
5 126 15.876
6 134 17.956
7 129 16.641
8 102 10.404
9 127 16.129
10 133 17.689
11 118 13.924
12 135 18.225
13 116 13.456
14 78 6.084
15 108 11.664
16 83 6.889
17 76 5.776
18 70 4.900
19 64 4.096
20 65 4.225
21 93 8.649
22 65 4.225
23 110 12.100
24 126 15.876
Jumlah ∑ =2.576 ∑ =291.986
UNIVERSITAS SUMATERA UTARA
28
Dari hasil perhitungan di peroleh :
= 24
∑ = 2.576
∑ = 291.986
Maka dapat dihitung :
[ √ ∑
(∑ )
∑
]
[ √
]
[ √
]
[ √
]
[
]
[
]
]
Dengan nilai < = (22,42< 24) dan sesuai dengan kriteria uji maka diterima.
Sehingga data ini dapat memenuhi kriteria untuk dianalisa.
UNIVERSITAS SUMATERA UTARA
29
3.3. Pengolahan data
Penulis menggunakan metode backward dalam proses pengolahan data pada
skripsi ini, untuk mendapatkan persamaan regresi. Untuk perhitungan , penulis
mengambil pemisalan, sebagai berikut :
= tingkat kecelakaan lalu lintas di kota medan (kasus)
= faktor pengemudi (orang)
= faktor kendaraan (unit)
= faktor jalan (cm)
= faktor alam (m3)
= faktor teknologi (menit)
Tabel 3.3 : Pengolahan data
No. 1 121 14.641 74 64 21 4 2 4.736
2 136 18.496 75 67 14 4 3 5.025
3 132 17.424 77 59 16 3 2 4.543
4 129 16.641 82 69 15 2 2 5.658
5 126 15.876 74 57 18 6 1 4.218
6 134 17.956 86 69 15 4 2 5.934
7 129 16.641 78 58 14 3 2 4.524
8 102 10.404 59 41 12 4 3 2.419
9 127 16.129 67 53 18 2 4 3.551
10 133 17.689 71 58 12 3 1 4.118
11 118 13.924 68 56 10 3 1 3.808
12 135 18.225 77 62 19 4 4 4.774
13 116 13.456 81 64 14 6 2 5.184
14 78 6.084 44 32 16 2 1 1.408
15 108 11.664 68 51 16 3 3 3.468
16 83 6.889 46 34 13 8 3 1.564
17 76 5.776 48 35 22 2 1 1.680
18 70 4.900 54 38 12 3 2 2.052
19 64 4.096 42 31 14 2 4 1.302
20 65 4.225 41 30 14 5 2 1.230
21 93 8.649 52 42 14 2 5 2.184
22 65 4.225 41 32 16 4 2 1.312
23 110 12.100 64 49 14 6 4 3.136
24 126 15.876 77 50 27 5 6 3.850
Jumlah 2.576 291.986 1.546 1.201 376 90 62 81.678
UNIVERSITAS SUMATERA UTARA
30
No.
1 1.554 296 148 1.344 256 128 84
2 1.050 300 225 938 268 201 56
3 1.232 231 154 944 177 118 48
4 1.230 164 164 1.035 138 138 30
5 1.332 444 74 1.026 342 57 108
6 1.290 344 172 1.035 276 138 60
7 1.092 234 156 812 174 116 42
8 708 236 177 492 164 123 48
9 1.206 134 268 954 106 212 36
10 852 213 71 696 174 58 36
11 680 204 68 560 168 56 30
12 1.463 308 308 1.178 248 248 76
13 1.134 486 162 896 384 128 84
14 704 88 44 512 64 32 32
15 1.088 204 204 816 153 153 48
16 598 368 138 442 272 102 104
17 1.056 96 48 770 70 35 44
18 648 162 108 456 114 76 36
19 588 84 168 434 62 124 28
20 574 205 82 420 150 60 70
21 728 104 260 588 84 210 28
22 656 164 82 512 128 64 64
23 896 384 256 686 294 196 84
24 2.079 385 462 1.350 250 300 135
Jumlah 24.438 5.838 3.999 18.896 4.516 3.073 1.411
No.
1 42 8 8.954 7.744 2.541 484 242
2 42 12 10.200 9.112 1.904 544 408
3 32 6 10.164 7.788 2.112 396 264
4 30 4 10.578 8.901 1.935 258 258
5 18 6 9.324 7.182 2.268 756 126
6 30 8 11.524 9.246 2.010 536 268
7 28 6 10.062 7.482 1.806 387 258
8 36 12 6.018 4.182 1.224 408 306
9 72 8 8.509 6.731 2.286 254 508
10 12 3 9.443 7.714 1.596 399 133
11 10 3 8.024 6.608 1.180 354 118
12 76 16 10.395 8.370 2.565 540 540
13 28 12 9.396 7.424 1.624 696 232
14 16 2 3.432 2.496 1.248 156 78
15 48 9 7.344 5.508 1.728 324 324
16 39 24 3.818 2.822 1.079 664 249
UNIVERSITAS SUMATERA UTARA
31
17 22 2 3.648 2.660 1.672 152 76
18 24 6 3.780 2.660 840 210 140
No.
19 56 8 2.688 1.984 896 128 256
20 28 10 2.665 1.950 910 325 130
21 70 10 4.836 3.906 1.302 186 465
22 32 8 2.665 2.080 1.040 260 130
23 56 24 7.040 5.390 1.540 660 440
24 162 30 9.702 6.300 3.402 630 756
Jumlah 1.009 237 174.209 136.240 40.708 9.707 6.705
No
1 5.476 4.096 441 16 4
2 5.625 4.489 196 16 9
3 5.929 3.481 256 9 4
4 6.724 4.761 225 4 4
5 5.676 3.249 324 36 1
6 7.396 4.761 225 16 4
7 6.084 3.364 196 9 4
8 3.481 1.681 144 16 9
9 4.489 2.809 324 4 16
10 5.041 3.364 144 9 1
11 4.624 3.136 100 9 1
12 5.929 3.844 361 16 16
13 6.561 4.096 196 36 4
14 1.936 1.024 256 4 1
15 4.624 2.601 256 9 9
16 2.116 1.156 169 64 9
17 2.304 1.225 484 4 1
18 2.916 1.444 144 9 4
19 1.764 961 196 4 16
20 1.681 900 196 25 4
21 2.074 6.764 196 4 25
22 1.681 1.024 256 16 4
23 4.096 2.401 196 36 16
24 5.929 2.500 729 25 36
Jumlah 104.586 64.131 6.210 396 202
UNIVERSITAS SUMATERA UTARA
32
3.4 Model Regresi Linear Dengan Pendekatan Matriks
Nilai koefisien regresi dihitung dengan menggunakan matriks. Dengan data yang
dibuat dalam matriks Y dan X berikut:
[
]
[
]
Kemudian di hitung matriks dengan merupakan matriks transpose
dari matriks , sehingga hasil perkalian matriks adalah:
[
]
[
]
Besar determinan matriks atau symbol dengan digunakan metode ekspansi
kofaktor pada baris pertama adalah:
∑
UNIVERSITAS SUMATERA UTARA
33
[
]
[
]
[
]
[
]
[
]
[
]
UNIVERSITAS SUMATERA UTARA
34
Selanjutnya dihitung kofaktor-kofaktor dari matriks dengan cara berikut:
[
]
Dengan determinan matriks-matriks kofaktor dari matriks sebagai berikut:
[
]
[
]
[
]
176.648.769.703
[
]
UNIVERSITAS SUMATERA UTARA
35
[
]
[
]
[
]
[
]
UNIVERSITAS SUMATERA UTARA
36
Maka matriks adalah:
[
]
[
]
Dan Adjoint (K) adalah:
[
]
sehingga nilai invers matriks yang di simbolkan dengan matriks dihitung
dengan cara berikut:
[
]
UNIVERSITAS SUMATERA UTARA
37
Selanjutnya menentukan besar nilai koefisien parameter populasi
dengan faktor penduga parameter koefisien populasi ( )
adalah:
Untuk matriks adalah:
[
]
[
]
[ ]
Sehingga, nilai matriks penduga ( ) adalah:
[
]
[ ]
[ ]
UNIVERSITAS SUMATERA UTARA
38
Maka besar koefisien ; ; ;
; , sehingga persamaan regresi berganda yang dibentuk
adalah:
3.5. Persamaaan Regresi Ganda AntaraY dengan ,
3.5.1. Koefisien Korelasi
Koefisien regresi masing-masing dapat di peroleh dari tabel di bawah ini melalui
SPSS 18.
Tabel 3.4 : koefisien Regresi Ganda Antara Y dengan
Coefficientsa
Model Unstandardized
Coefficients
Standardized
Coefficients
t Sig. B Std. Error Beta
1 (Constant) ,916 11,851 ,077 ,939
Faktor pengemudi ,947 ,536 ,538 1,768 ,094
Faktor kendaraan ,817 ,590 ,417 1,385 ,183
Faktor jalan ,056 ,588 ,008 ,096 ,925
Faktor alam -,150 1,251 -,009 -,120 ,906
Faktor teknologi 1,629 1,570 ,085 1,038 ,313
a. Dependent Variable: Tingkat kecelakaan lalu lintas di kota medan
UNIVERSITAS SUMATERA UTARA
39
Dari tabel di peroleh:
; ; ;
, sehingga persamaan regresi berganda yang dibentuk adalah:
3.5.2. Uji Keberartian Regresi Ganda
Tabel 3.5 : ANOVA antara Y dengan ,
Dari tabel di atas diketahui nilai Fhitung = 31,780, sedangkan nilai dengan taraf
nyata di pilih 0,05 diperoleh .Karena Fhitung>Ftabel ,
maka dapat disimpulkan bahwa regenerasi berarti. Untuk mengetahui berarti atau
tidaknya tiap koefisien regenerasi maka dia lakukan uji korelasi parsial regresi
antara Y dengan .
UNIVERSITAS SUMATERA UTARA
40
3.5.3. Uji Korelasi Parsial
Tabel 3.6 : Uji Korelasi parsial dan ANOVA antara Y dengan
∑ ∑ ∑
√ ∑ ∑ ][ ∑ ∑ ]
√ ] ]
√ ] ]
√
√
0,940
UNIVERSITAS SUMATERA UTARA
41
∑ ∑ ∑
√ ∑ ∑ ][ ∑ ∑ ]
√ ] ]
√ ] ]
√
√
0,928
∑ ∑ ∑
√ ∑ ∑ ][ ∑ ∑ ]
√ ] ]
√ ] ]
√
√
-0,158
UNIVERSITAS SUMATERA UTARA
42
∑ ∑ ∑
√ ∑ ∑ ][ ∑ ∑ ]
√ ] ]
√ ] ]
√
√
0,049
∑ ∑ ∑
√ ∑ ∑ ][ ∑ ∑ ]
√ ] ]
√ ] ]
√
√
0,063
Koefisien Korelasi parsial dengan Y.
Dimana: ;
; ;
;
63
UNIVERSITAS SUMATERA UTARA
43
Dengan taraf nyata yang di pilih 0,05 maka dari daftar distribusi F diperoleh
terkecil = 0,352 (variabel dan . Karena
terkecil < maka variabel dengan terkecil keluar dari
model regresi .
3.6. Persamaan Regresi Ganda antara Y dengan .
3.6.1. Koefisien Regresi Ganda
Tabel 3.7: Koefisien regresi ganda antara Y dengan .
Dari tabel di peroleh persamaan regresinya adalah :
UNIVERSITAS SUMATERA UTARA
44
3.6.2. Uji Keberartian Regresi Ganda
Tabel 3.8: Anova antara Y dengan
Dari tabel di atas diketahui nilai Fhitung = 39,297, sedangkan nilai dengan taraf
nyata di pilih 0,05 di peroleh . Karena Fhitung>Ftabel ,
maka dapat disimpulkan bahwa regenerasi berarti. Untuk mengetahui berarti atau
tidaknya tiap koefisien regenerasi maka dia lakukan uji korelasi parsial regresi
antara Y dengan .
3.6.3. Uji Korelasi Parsial
Tabel 3.9 : Uji Korelasi Parsial dan ANOVA antara Y dengan
Correlations
Faktor
pengemudi
Faktor
Kendaraan
Faktor
jalan
Faktor
alam
Faktor pengemudi Pearson Correlation 1 ,961** ,172 ,075
Sig. (2-tailed) ,000 ,422 ,728
N 24 24 24 24
Faktor Kendaraan Pearson Correlation ,961** 1 ,071 ,025
Sig. (2-tailed) ,000 ,742 ,907
N 24 24 24 24
Faktor jalan Pearson Correlation ,172 ,071 1 ,007
Sig. (2-tailed) ,422 ,742 ,973
N 24 24 24 24
Faktor alam Pearson Correlation ,075 ,025 ,007 1
Sig. (2-tailed) ,728 ,907 ,973
N 24 24 24 24
**. Correlation is significant at the 0.01 level (2-tailed).
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 13824,337 4 3456,084 39,297 ,000a
Residual 1670,996 19 87,947
Total 15495,333 23
a. Predictors: (Constant), Faktor alam, Faktor jalan, Faktor Kendaraan, Faktor pengemudi
b. Dependent Variable: Tingkat kecelakaan lalu lintas di kota Medan
UNIVERSITAS SUMATERA UTARA
45
ANOVA
Sum of
Squares df
Mean
Square F Sig.
Faktor pengemudi Between Groups 4985,333 20 249,267 59,824 ,003
Within Groups 12,500 3 4,167
Total 4997,833 23
Faktor Kendaraan Between Groups 3943,958 20 197,198 6,800 ,070
Within Groups 87,000 3 29,000
Total 4030,958 23
Faktor jalan Between Groups 276,333 20 13,817 ,964 ,603
Within Groups 43,000 3 14,333
Total 319,333 23
Faktor alam Between Groups 57,000 20 2,850 5,700 ,088
Within Groups 1,500 3 ,500
Total 58,500 23
Dengan taraf nyata yang di pilih 0,05 maka dari daftar distribusi F diperoleh
terkecil = 0,964 (variabel dan . Karena
terkecil < maka variabel dengan terkecil keluar dari
model regresi.
3.7. Persamaan Regresi Ganda antara Y dengan .
3.7.1. Koefisien Regresi Berganda
Tabel 3.10 : Koefisien Regresi Ganda antara Y dengan
Coefficientsa
Model
Unstandardized Coefficients
Standardized Coefficients
t Sig. B Std. Error Beta
1 (Constant) 4.499 9.677 .465 .647
Faktor pengemudi 1.120 .478 .636 2.345 .029
Faktor kendaraan .621 .530 .317 1.170 .256
Faktor alam -.102 1.220 -.006 -.084 .934
Persamaan regresinya adalah :
UNIVERSITAS SUMATERA UTARA
46
3.7.2. Uji Keberartian Regresi Ganda
Tabel 3.11 : ANOVA antara Y dengan
ANOVAb
Model Sum of Squares Df Mean Square F Sig.
1 Regression 13812,162 3 4604,054 54,707 ,000a
Residual 1683,171 20 84,159
Total 15495,333 23
a. Predictors: (Constant), Faktor alam, Faktor Kendaraan, Faktor pengemudi
b. Dependent Variable: Tingkat kecelakaan lalu lintas di kota Medan
Dari tabel di atas diketahui nilai Fhitung = 54,707, sedangkan nilai dengan taraf
nyata di pilih 0,05 di peroleh .Karena Fhitung>Ftabel ,
maka dapat disimpulkan bahwa regenerasi berarti. Untuk mengetahui berarti atau
tidaknya tiap koefisien regenerasi maka dia lakukan uji korelasi parsial regresi
antara Y dengan .
3.7.3. Uji Korelasi Parsial
Tabel 3.12 : Uji Korelasi Parsial dan ANOVA antara Y dengan
Correlations
Faktor pengemudi Faktor Kendaraan Faktor alam
Faktor pengemudi Pearson Correlation 1 ,961** ,075
Sig. (2-tailed) ,000 ,728
N 24 24 24
Faktor Kendaraan Pearson Correlation ,961** 1 ,025
Sig. (2-tailed) ,000 ,907
N 24 24 24
Faktor alam Pearson Correlation ,075 ,025 1
Sig. (2-tailed) ,728 ,907 N 24 24 24
**. Correlation is significant at the 0.01 level (2-tailed).
UNIVERSITAS SUMATERA UTARA
47
ANOVA
Sum of
Squares df
Mean
Square F Sig.
Faktor pengemudi Between Groups 4985,333 20 249,267 59,824 ,003
Within Groups 12,500 3 4,167
Total 4997,833 23
Faktor Kendaraan Between Groups 3943,958 20 197,198 6,800 ,070
Within Groups 87,000 3 29,000
Total 4030,958 23
Faktor alam Between Groups 57,000 20 2,850 5,700 ,088
Within Groups 1,500 3 ,500
Total 58,500 23
Dengan taraf nyata yang di pilih 0,05 maka dari daftar distribusi F diperoleh
terkecil = 5,700 (variabel dan . Karena
terkecil < maka variabel dengan terkecil tetap berada
dalam model regresi .
3.8. Pembentukan Penduga
3.8.1. Bentuk Persamaan Penduga
Diantara lima variabel (X) yang diteliti ternyata hanya 3 variabel yang masuk
kedalam persamaan penduga yaitu:
Maka untuk selanjutnya akan diperoleh persamaan regresi berganda.
3.8.2.Metode Backward
Pesamaan penduga yang terbentuk dengan menggunakan metode Backward
yang diperoleh dari persamaan regresi ganda antara Y dengan adalah :
UNIVERSITAS SUMATERA UTARA
48
3.8.3. Koefisien Korelasi Determinasi
Koefisien korelasi determinasi yang membentuk oleh metode backward yaitu :
∑ ∑ ∑
∑ ∑ ∑ ∑
∑ ∑ ∑ ∑
∑ ∑ ∑ ∑
∑ ∑ ∑ ∑
∑ ∑ ∑ ∑
Sehingga
∑ ∑ ∑ ∑ ∑
∑
UNIVERSITAS SUMATERA UTARA
49
√
3.8.4. Analisa Residu
Persamaan penduga yang terbentuk dengan menggunakan metode Backward
dapat menggunakan tabel untuk menganalisa residu. Pembahasan selanjutnya
adalah pada penduga yang diperoleh diatas maka dibuktikan asumsi (i), (ii), (iii).
Tabel 3.13 : Rank Spearman Dan Residu
No 1 121 126.715 -5.715 8 19 -11 121
2 136 129.698 6.302 4 5 -1 1
3 132 127.072 4.928 7 7 0 0
4 129 138.984 -9.984 2 22 -20 400
5 126 122.164 3.836 9 12 -3 9
6 134 143.26 -9.26 1 21 -20 400
7 129 127.571 1.429 6 14 -8 64
8 102 95.632 6.368 16 4 12 144
9 127 112.248 14.752 13 1 12 144
10 133 119.731 13.269 11 2 9 81
11 118 115.129 2.871 12 13 -1 1
12 135 128.833 6.167 5 6 -1 1
13 116 134.351 -18.351 3 24 -21 441
14 78 73.447 4.553 21 9 12 144
15 108 112.024 -4.024 14 17 -3 9
16 83 76.317 6.683 20 3 17 289
17 76 79.79 -3.79 19 16 3 9
18 70 88.271 -18.271 18 23 -5 25
19 64 70.586 -6.586 22 20 2 4
20 65 68.539 -3.539 24 15 9 81
21 93 88.617 4.383 17 10 7 49
22 65 69.883 -4.883 23 18 5 25
23 110 105.996 4.004 15 11 4 16
24 126 121.279 4.721 10 8 2 4
Jumlah 2576 2576.137 -0.137 300 300 0 2462
Rata-Rata 107.333 107.339 -0.006 12.5 12.5 0 102.583
UNIVERSITAS SUMATERA UTARA
50
a. Asumsi (i)
Dari Tabel diatas bahwa rata-rata residu (e) = 0 adalah terpenuhi.
b. Asumsi (ii)
Variansi ( ) = variansi ( ) σ2. Pembuktian asumsi ini dibuktikan dengan uji rank
spearman :
[∑
]
[
]
[
]
[
]
√
√
√
√
UNIVERSITAS SUMATERA UTARA
51
Karena n = 24 dan α = 0,05 maka dengan
membandingkan dengan maka di peroleh .
Kesimpulannya : asumsi variansi = variansi = σ2 di penuhi.
c. Asumsi (iii)
covarian = 0,j ≠ k
UNIVERSITAS SUMATERA UTARA
BAB 4
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan hasil pengolahan/analisis data yang dilakukan sebelumnya, maka
diambil kesimpulan berikut:
a. Dari kelima variabel yang diperhitungkan sebagai variabel yang paling
berpengaruh terhadap Tingkat kecelakaan lalu lintas di kota Medan yang
masuk ke dalam penduga adalah yaitu Faktor pengemudi, yaitu Faktor
kendaraan dan yaitu Faktor alam, maka diperoleh persamaan:
b. Dengan demikian telah tercapai tujuan untuk menentukan persamaan regresi
linier berganda dan mendapatkan variabel yang paling berpengaruh yaitu
faktor pengemudi, kendaraan dan alam terhadap Tingkat kecelakaan lalu
lintas di kota Medan.
4.2 Saran
a. Bagi para pembaca disarankan dapat melanjutkan penelitian ini dengan
menggunakan metode lain untuk menentukan persamaan regresi berganda
lainnya dengan menambahkan variabel lain yang ikut berpengaruh terhadap
Tingkat kecelakaan lalu lintas di kota Medan.
b. Bagi Direktorat lalu lintas kota Medan agar lebih memperhatikan 3 variabel
yang ternyata paling berpengaruh terhadap tingkat kecelakaan lalu lintas di
kota Medan yaitu: Faktor pengemudi, kendaraan dan alam, sehingga
kedepannya pihak kepolisian memberikan sosialisasi kepada pengendara agar
lebih mengutamakan keselamatan dan terlebih dahulu memeriksa keadaan
diri sendiri, kendaraan dan cuaca sebelum berkendara.
UNIVERSITAS SUMATERA UTARA
Daftar Pustaka
Algifari. 2000. Analisis Regresi Teori, Kasus, dan solusi. Edisi Kedua. BPFE-
Yogyakarta, Yogyakarta.
Draper, N. dan Smith, H. 1992. Analisis Regresi Terapan. Edisi Kedua.
Terjemahan Oleh Bambang Sumantri. Jakarta: Gramedia Pustaka Utama.
Iswardono. 1981. Sekelumit Analisis Regresi dan Korelasi, Edisi Pertama. BPFE-
Yogyakarta, Yogyakarta.
Riduan, Sunarto. 2009. Pengantar Statistika untuk Penelitian, Sosial, ekonomi,
Komunikasi dan Bisnis. Alfabeta. Bandung.
Sembiring, R.K. 2003. Analisis Regresi. Edisi Kedua. Bandung: Institut
Teknologi Bandung.
Sudjana, M.A. 1996. Teknik Analisis Regresi dan Korelasi Bagi Para Penelitian.
Tarsito, Bandung.
Sudradjat, M. 1985. Statistika Nonparametrik. Bandung: CV. ARMICO.
Usman, Husaini, Akbar Purnomo. 1995. Pegantar Statistika. Bumi Aksara,
Jakarta.
UNIVERSITAS SUMATERA UTARA
UNIVERSITAS SUMATERA UTARA
UNIVERSITAS SUMATERA UTARA
UNIVERSITAS SUMATERA UTARA
UNIVERSITAS SUMATERA UTARA