ANALISIS MODEL TARIKAN PERJALANAN PADA KAWASAN PENDIDIKAN DI CENGKLIK SURAKARTA

ANALISIS MODEL TARIKAN PERJALANAN PADA KAWASAN PENDIDIKAN DI CENGKLIK SURAKARTA (Trip Attraction Model Analysis for School Area in Cengklik Surakarta)

Disusun Oleh :

YULIANI NIM.I0199154 Skripsi Diajukan sebagai salah satu syarat untuk Memperoleh gelar Sarjana Teknik

JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS SEBELAS MARET SURAKARTA 2004

ABSTRAKSI YULIANI,2004, Analisis Model Tarikan Perjalanan Pada Kawasan Pendidikan di Cengklik, Surakarta, Skripsi Jurusan Teknik Sipil Fakultas Teknik Universitas Sebelas Maret Surakarta. Salah satu kawasan pendidikan di kota Surakarta adalah kawasan pendidikan di Cengklik, dimana tersedia sarana pendidikan informal seperti lembaga pendidikan (tempat kursus), serta pendidikan formal mulai dari SD sampai dengan Perguruan Tinggi. Banyaknya bangunan sekolah di kawasan Cengklik tentulah mempunyai pengaruh yang besar terhadap banyaknya tarikan perjalanan di arae ini. Banyaknya bangunan sekolah pada kawasan tersebut tentulah mempunyai pengaruh yang besar terhadap banyaknya tarikan perjalanan di kawasan tersebut, perjalanan ke sekolah inipun turut mewarnai pola waktu puncak perjalanan, sehingga perlu dianalisis mengenai model tarikan perjalanan yang menuju ke kawasan tersebut. Tujuan penelitian ini untuk mendapatkan model tarikan perjalanan pada kawasan Cengklik Surakarta, yang nantinya diharapkan dapat digunakan untuk memperkirakan banyaknya tarikan yang menuju kawasan tersebut dimasa mendatang, sehingga dapat digunakan untuk mengantisipasi permasalahan yang timbul akibat tarikan perjalanan itu. Pengambilan data primer pada penelitian ini dilakukan secara random sampling dengan cara membagikan kuisioner kepada penghuni sekolah, sedangkan data sekunder diperoleh dari pihak sekolah, metode analisis yang digunakan adalah metode analisis regresi linear berganda dengan jumlah tarikan perjalanan total sebagai variabel terikat, sedangkan variabel bebasnya adalah jumlah siswa, jumlah guru/karyawan, luas lahan, dan luas bangunan, serta jumlah tarikan perjalanan berdasarkan moda yang digunakan sebagai variabel terikat dengan variabel bebas jumlah penghuni, luas lahan, luas bangunan, kepemilikan kendaraan, serta memperhitungkan faktor biaya, jarak dan waktu tempuh. Hasil dari analisis model menunjukkan bahwa model tarikan perjalanan yang paling dapat merepresentasikan realita yang ada adalah bentuk model untuk perjalanan total dengan bentuk pemodelan Y= 3.926+0.971X1 +2.678E-3X4 yang mempunyai nilai R2 sebesar 0.996. hal ini berarti bahwa 99.6% jumlah tarikan perjalanan total dapat dijelaskan oleh variabel X1 =jumlah siswa dan X4 =luas bangunan,sedangkan sisanya dijelaskan oleh variabel-variabel yang lain, bentuk model untuk tarikan perjalanan dengan menggunakan sepeda motor dengan bentuk pemodelan Y= -4.594 + 0.347X1 +3.756-3X3 + 0.273X5 - 0.921X8 yang mempunyai nilai R2 sebesar 0.995. hal ini berarti bahwa 99.5% jumlah tarikan perjalanan dengan sepeda motor dapat dijelaskan oleh variabel X1 =jumlah penghuni, X3 =luas bangunan, X5 =jumlah pemilik sepeda motor, dan X8 = jumlah responden yang memilih alasan biaya lebih murah dalam alasan pemilihan moda, sedangkan sisanya dijelaskan oleh variabel-variabel yang lain. Selain bentuk model diatas bentuk model untuk Tarikan Perjalanan dengan Bus juga dapat merepresentasikan realita yang ada dengan bentuk pemodelan Y= 7.351 – 1.23E-3X2 – 0.726X4 – 1.770X6 yang mempunyai nilai R2 sebesar 0.978. hal ini berarti bahwa 97.8% jumlah tarikan perjalanan dengan bus dapat dijelaskan oleh variabel X3 =luas lahan, X4 =jumlah pemilik sepeda, X6=jumlah pemilik mobil, jumlah responden tidak punya kendaraan, sedangkan sisanya dijelaskan oleh variabel-variabel yang lain. ii

ANALISIS MODEL TARIKAN PERJALANAN PADA KAWASAN PENDIDIKAN DI CENGKLIK SURAKARTA (Trip Attraction Model Analysis for School Area in Cengklik Surakarta)

Disusun Oleh :

YULIANI NIM.I0199154 Telah disetujui untuk dipertahankan dihadapan Tim Penguji Pendadaran Fakultas Teknik Universitas Sebelas Maret Surakarta

Disetujui: Dosen Pembimbing I

Dosen Pembimbing II

Ir. Agus Sumarsono, MT

Amirotul MHM, ST, MSc

NIP. 131 568 285

NIP. 132 134 686

JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS SEBELAS MARET SURAKARTA 2004

iii

Dipertahankan di depan Tim Penguji Pendadaran Fakultas Teknik Universitas Sebelas Maret Surakarta dan diterima guna memenuhi sebagian persyaratan untuk mendapatkan gelar Sarjana Teknik.

Pada hari : Jum’at Tanggal : 7 – Mei - 2004

Tim Penguji Pendadaran: Ketua

: Ir. Agus Sumarsono, MT

(

)

(

)

(

)

(

)

NIP.131 568 285 Anggota 1

: Amirotul MHM, ST, MSc NIP.131 134 686

2

: Dewi Handayani, ST, MT NIP.132 134 683

3

: Ir. Djumari, MT NIP.131 658 553

Mengetahui, Fakultas Teknik

Disahkan oleh:

a.n. Dekan

Jurusan Teknik Sipil

Pembantu Dekan I

Ketua Jurusan

Ir. Paryanto, MS

Ir. Agus Supriyadi, MT

NIP.130 569 244

NIP.131 792 199

iv

MOTTO dan PERSEMBAHAN

Ø Tuntutlah ilmu tetapi jangan lupakan ibadah, dan kerjakanlah ibadah tanpa melupakan ilmu. (Hasan Al Basri) Ø Bacalah, dan Tuhanmu amat mulia, Yang telah mengajar dengan qalam. Dia telah mengajarkan kepada manusia apa yang tidak diketahuinya.

(QS. Al’Alaq 3-5)

Buku ini kupersembahkan kepada Ayah dan Ibu, atas do’a, bimbingan dan kasih sayangnya Mbak Ratmi, uruslah The Pooh dengan baik, makasih kertasnya Mbak Rati, Be good Wife Catur, yang selalu bantah kata ortu Semua keluarga Jati yang telah mencetak Yuli jadi seperti ini Dan semua orang yang telah membantu Yuli

v

KATA PENGANTAR Segala puja dan puji syukur kehadirat Allah, SWT yang telah memberikan rahmat, hidayah dan berkah-Nya, sehingga skripsi dengan topik “ Analisis Model Tarikan Perjalanan pada Kawasan Cengklik Surakarta “ ini dapat diselesaikan. Penyusunan skripsi ini merupakan salah satu syarat yang harus ditempuh guna meraih gelar Sarjana Teknik pada Jurusan Teknik Sipil Fakultas Teknik Universitas Sebelas Maret Surakarta. Dengan penyusunan skripsi ini diharapkan penulis dapat menambah wawasan dan pengalaman, sehingga dapat menjadi bekal yanng sangat berharga di hari-hari yang akan datang. Bantuan dan bimbingan dari berbagai pihak telah memperlancar proses penyusunan skripsi ini, untuk itu penulis menyampaikan terima kasih kepada: 1. Pimpinan Fakultas Teknik Universitas Sebelas Maret Surakarta. 2. Pimpinan Jurusan Teknik Sipil Fakultas Teknik Universitas Sebelas Maret Surakarta. 3. Ir. Agus Sumarsono, MT, selaku dosen pembimbing I. 4. Amirotul MHM, ST, MSc, selaku dosen pembimbing II. 5. Ir. Sumardi MD, selaku dosen Pembimbing Akademis. 6. Tim penguji, selaku dosen penguji skripsi. 7. Seluruh staff pengajar pada Jurusan Teknik Sipil Fakultas Teknik Universitas Sebelas Maret Surakarta. 8. Kepala sekolah, guru/karyawan dan siswa/siswi SDN Cengklik I, II, SDN Bibis Luhur I, SLTPN 7, SMUN 5, SMUN 6, SMU 1 TP, SMEA TP, STM 2 TP, UTP, STIE-AUB, STMIK-AUB, AAP Bentara Surakarta. 9. Toe, makasih buat judul, persahabatan, dan segala bantuannya. 10. Tim Survey, may, 80, makasih buat tidur barengnya. 11. Si Doel, makasih buat bantuan ngetik dan survey. 12. Rekan-rekan angkatan ’99, atas bantuan dan dukungannya. 13. Semua pihak yang turut membantu penyusunan skripsi ini, yang tidak dapat disebutkan satu persatu.

vi

Sangat disadari bahwa skripsi ini masih banyak kekurangan, sehingga segala kritik dan saran yang bersifat membangun sangat diharapkan demi kesempurnaan penyusunan skripsi ini. Akhir kata, semoga skripsi ini memberikan manfaat bagi rekan pembaca semua.

Surakarta,

April 2004

Penyusun

vii

DAFTAR ISI Halaman HALAMAN JUDUL

i

ABSTRAKSI

ii

HALAMAN PERSETUJUAN

iii

HALAMAN PENGESAHAN

iv

HALAMAN MOTTO dan PERSEMBAHAN

v

KATA PENGANTAR

vi

DAFTAR ISI

viii

DAFTAR TABEL

xii

DAFTAR GAMBAR

xv

DAFTAR NOTASI DAN SIMBOL

xvi

DAFTAR LAMPIRAN

xvii

BAB I PENDAHULUAN A. Latar Belakang Masalah

1

B. Rumusan Masalah

2

C. Batasan Masalah

2

D. Tujuan Penelitian

3

E. Manfaat Penelitian

3

BAB II LANDASAN TEORI A. Tinjauan Pustaka

4

B. Dasar Teori

5

1. Tujuan Perencanaan Transportasi

5

2. Interaksi Tata guna Lahan dan Perencanaan Transportasi

6

3. Kedudukan Bangkitan Perjalanan dalam Perencanaan Transportasi

7

4. Nilai rata-rata okupansi

9

5. Konsep Pemodelan

9

6. Teknik Sampling

10

a. Pengertian

10

b. Cara Penarikan Sampel

10

viii

Halaman c. Kesalahan dalam Sampling 7. Analisis Regresi

11 12

a. Analisis Regresi Linear

12

b. Analisis Regresi Linear Berganda

13

8. Tahapan Uji Statistik dalam Model

14

a. Koefisien Korelasi

14

b. Pengujian Nilai Korelasi

15

c. Indeks determinasi

15

d. Korelasi Regresi Linear Berganda

16

9. Uji Signifikansi

17

10. Multikolinearitas

18

11. Analisis Variansi Garis Regresi

19

BAB III METHODOLOGI PENELITIAN A. Lokasi dan Waktu Penelitian

23

1. Lokasi Penelitian

23

2. Waktu Penelitian

23

B. Data Penelitian

23

C. Alat Penelitian

24

D. Cara Pengambilan Sampel dan Ukuran Sampel

24

E. Tahapan Penelitian

24

F. Analisis Data

27

BAB IV ANALISIS DAN PEMBAHASAN A. Hasil Pengumpulan Data

28

B. Analisis Data

29

1. Karakteristik Perjalanan

29

a. Jarak Perjalanan

29

b. Waktu Tempuh

30

c. Maksud Perjalanan

30

d. Kepemilikan kendaraan

31

e. Pemilihan Moda

33

ix

Halaman f. Alasan Pemilihan Moda

34

2. Data Pelengkap

35

3. Tarikan Perjalanan

39

a. Tarikan Perjalanan Total

39

1). Koefisien Korelasi

40

2). Bentuk Model

41

3). Signifikansi Koefisien Regresi

41

4). Kolinearitas

42

b. Tarikan Perjalanan untuk Masing-masing Moda 1). Analisis Model Tarikan Perjalanan dengan Sepeda

45 45

a). Koefisien Korelasi

45

b). Bentuk Model

47

c). Signifikansi Koefisien Regresi

47

d). Kolinearitas

49

2). Analisis Model Tarikan Perjalanan dengan Sepeda Motor

53

a). Koefisien Korelasi

53

b). Bentuk Model

54

c). Signifikansi Koefisien Regresi

55

d). Kolinearitas

56

3). Analisis Model Tarikan Perjalanan dengan Mobil

60

a). Koefisien Korelasi

60

b). Bentuk Model

61

c). Signifikansi Koefisien Regresi

62

d). Kolinearitas

64

4). Analisis Model Tarikan Perjalanan dengan Bus

68

a). Koefisien Korelasi

68

b). Bentuk Model

70

c). Signifikansi Koefisien Regresi

70

d). Kolinearitas

71

x

Halaman 5). Analisis Model Tarikan Perjalanan dengan berjalan kaki

75

a). Koefisien Korelasi

75

b). Bentuk Model

76

c). Signifikansi Koefisien Regresi

77

d). Kolinearitas

78

C. Pembahasan

82

1. Pertimbangan Model yang Paling Sesuai

82

a. Koefisien Determinasi

84

b. Signifikansi Koefisien Regresi

85

1). Uji Parsial / Uji-t

85

2). Uji Simultan / uji-F / Anova

86

c. Tanda Aljabar pada Koefisien Regresi

86

2. Penentuan Model yang Paling Sesuai

88

3. Rata-rata Okupansi

89

BAB V KESIMPULAN DAN SARAN A. Kesimpulan

92

B. Saran

93

DAFTAR PUSTAKA

xviii

LAMPIRAN

xix

xi

DAFTAR TABEL Halaman Tabel 2.1

Ukuran Sampel pada Survey

11

Tabel 2.2

Analisis Variansi dengan Metode Skor Deviasi

20

Tabel 2.3

Analisis Variansi untuk Regresi Berganda

21

Tabel 4.1

Karakteristik Lokasi Penelitian

28

Tabel 4.2

Prosentase Sampel Hasil Survey

29

Tabel 4.3

Tabulasi Jarak Perjalanan Responden

29

Tabel 4.4

Tabulasi Waktu Tempuh Responden

30

Tabel 4.5

Tabulasi Maksud Perjalanan Responden

31

Tabel 4.6

Tabulasi Pemilihan Moda

33

Tabel 4.7

Tabulasi Penggunaan Moda

34

Tabel 4.8

Tabulasi Alasan Pemilihan Moda

35

Tabel 4.9

Data untuk Analisis Model

40

Tabel 4.10 Koefisien Korelasi dan Signifikansi Koefisien Korelasi Model Tarikan Perjalanan Total Tabel 4.11 Alternatif Bentuk Model Tarikan Perjalanan Total

41 41

Tabel 4.12 Uji Signifikansi Koefisien Regresi Model Tarikan Perjalanan total

42

Tabel 4.13 Kolinearitas Model Tarikan Perjalanan Total

42

Tabel 4.14 Nilai Eigen dan Condition Index pada Model Tarikan Perjalanan Total

45

Tabel 4.15 Koefisien Korelasi dan Signifikansi Koefisien Korelasi Model Tarikan Perjalanan dengan Sepeda Tabel 4.16 Alternatif Bentuk Model Tarikan Perjalanan dengan Sepeda

46 47

Tabel 4.17 Signifikansi Kofisien Regresi Model Tarikan Perjalanan dengan Sepeda

48

Tabel 4.18 Kolinearitas pada Model Tarikan Perjalanan dengan Sepeda

49

Tabel 4.19 Koefisien Korelasi dan Signifikansi Koefisien Korelasi Model Tarikan Perjalanan dengan Sepeda Motor

xii

53

Halaman Tabel 4.20 Alternatif Bentuk Model Tarikan Perjalanan dengan Sepeda Motor

54

Tabel 4.21 Signifikansi Kofisien Regresi Model Tarikan Perjalanan dengan Sepeda Motor

55

Tabel 4.22 Kolinearitas pada Model Tarikan Perjalanan dengan Sepeda Motor

56

Tabel 4.23 Nilai Eigen dan Condition Index pada Model Tarikan Perjalanan dengan Sepeda Motor

60

Tabel 4.24 Koefisien Korelasi dan Signifikansi Koefisien Korelasi Model Tarikan Perjalanan dengan Mobil Tabel 4.25 Alternatif Bentuk Model Tarikan Perjalanan dengan Mobil

61 62

Tabel 4.26 Signifikansi Kofisien Regresi Model Tarikan Perjalanan dengan Mobil

63

Tabel 4.27 Kolinearitas pada Model Tarikan Perjalanan dengan Mobil

64

Tabel 4.28 Koefisien Korelasi dan Signifikansi Koefisien Korelasi Model Tarikan Perjalanan dengan bus Tabel 4.29 Alternatif Bentuk Model Tarikan Perjalanan dengan Bus

68 69

Tabel 4.30 Signifikansi Kofisien Regresi Model Tarikan Perjalanan dengan Bus

70

Tabel 4.31 Kolinearitas pada Model Tarikan Perjalanan dengan Bus

71

Tabel 4.32 Nilai Eigen dan Condition Index pada Model Tarikan Perjalanan dengan Bus

75

Tabel 4.33 Koefisien Korelasi dan Signifikansi Koefisien Korelasi Model Tarikan Perjalanan dengan Berjalan Kaki

76

Tabel 4.34 Alternatif Bentuk Model Tarikan Perjalanan dengan Berjalan Kaki

77

Tabel 4.35 Signifikansi Kofisien Regresi Model Tarikan Perjalanan dengan Berjalan Kaki

77

Tabel 4.36 Kolinearitas pada Model Tarikan Perjalanan

xiii

Halaman dengan berjalan Kaki

78

Tabel 4.37 Nilai Eigen dan Condition Index pada Model Tarikan Perjalanan dengan Berjalan Kaki

82

Tabel 4.38 Rekapitulasi Hasil Pemodelan

83

Tabel 4.39 Tabulasi Perhitungan Rata-rata Okupansi untuk Sepeda Motor

89

xiv

DAFTAR GAMBAR

Halaman Gambar 2.1

Interaksi tata guna Lahan dan Transportasi

7

Gambar 2.2

Bangkitan dan Tarkan Perjalanan

8

Gambar 3.1

Diagram Alir Analisis Data

26

Gambar 4.1

Prosentase Kepemilikan Kendaraan

32

Gambar 4.2

Alasan Pemilihan Sekolah

36

Gambar 4.3

Ketersediaan Tempat Parkir

37

Gambar 4.4

kemacetan

38

Gambar 4.5

Kecelakaan

39

xv

DAFTAR NOTASI DAN SIMBOL

B

=

Koefisien Regresi yang didapat

CV

=

Koefisien Variansi

Db

=

Derajat Kebebasan (degree of fredom)

E

=

Tingkat Akurasi

Freg

=

Harga Bilangan F untuk Garis Regresi

m

=

Banyak Prediktor

N

=

Banyak Data

Nk

=

Banyaknya Anggota yang Mewakili Stratum ke-k

P

=

Jumlah Anggota Populasi Seluruhnya

Pk

=

Jumlah Anggota yang terdapat Dalam Stratum ke-k

r

=

Koefisien Korelasi

RKreg =

Rerata Kuadrat Residu

R2

=

Koefisien Determinasi

Sb

=

Standart Error Koefisien Korelasi

VIF

=

Varian Inflation Factor

X

=

Peubah Bebas (independent variabel)

Y

=

Peubah Tidak Bebas (dependent variabel)

Zα

=

Nilai Variansi untuk Tingkat Kepercayaan α yang diinginkan

α

=

Tingkat Signifikansi

β

=

Slope Garis Regresi Sebenarnya

δk

=

Standard Deviasi Stratum ke-k

xvi

DAFTAR LAMPIRAN

Lampiran A : Denah Lokasi Penelitian dan Data Sekunder Lampiran B : Form Kuisioner dan Rekapitulasi Hasil Kuisioner Lampiran C : Print out Hasil Analisis dengan SPSS.10 Lampiran D : Tabel Statistik Lampiran E : Form Skripsi Lampiran F : Surat Perijinan Penelitian

xvii

BAB I PENDAHULUAN A. Latar Belakang Surakarta merupakan kota yang terletak pada posisi yang strategis yang menghubungkan kota-kota lain di Jawa Timur, Jawa Tengah, dan Daerah Istimewa

Yogyakarta.

Untuk

memperhitungkan pemisahan

itu fungsi

diperlukan tata

guna

tata

kota

lahan

yang

yang

baik

sesuai

yang dengan

karakteristiknya, misalnya untuk area pemukiman, industri maupun area sekolah. Mengingat terbatasnya tata guna lahan yang tersedia, maka dalam pelaksanaanya di dalam suatu kawasan tertentu terdapat berbagai macam fungsi tata guna lahan, misalnya di kawasan jalan Letjend Sutoyo dan jalan Mr. Sartono. Pada ruas jalan tersebut terdapat berbagai macam fungsi tata guna lahan, misalnya pertokoan dan sekolahan. Kelebihan yang dimiliki area ini adalah tersedianya sarana pendidikan, baik yang informal seperti tempat kursus maupun yang formal dari Sekolah Dasar sampai Perguruan Tinggi yaitu SDN. Cengklik I, SDN Cengklik II, SD. Negeri Bibis Luhur I, SLTP Negeri 7, SMU Negeri 5, SMU Negeri 6, SMU 1 Tunas Pembangunan,

SMEA Tunas Pembangunan, STM 2 Tunas Pembangunan,

Universitas Tunas Pembangunan, STIE-AUB, STMIK-AUB, AAP Bentara. Banyaknya sekolahan pada kawasan tersebut mengakibatkan arus lalulintas cukup ramai, khususnya pada pagi hari dan siang hari pada jam-jam pulang sekolah. Karena itulah penulis tertarik untuk membuat model tarikan perjalanan pada kawasan tersebut, yang nantinya dapat digunakan untuk memprediksikan jumlah tarikan perjalanan pada kawasan tersebut di masa sekarang dan di masa yang akan datang. Banyaknya fungsi tata guna lahan yang ada mendorong timbulnya tarikan dan bangkitan, yaitu banyaknya pergerakan menuju dan meninggalkan lokasi tersebut yang sering menimbulkan kemacetan lalu lintas terutama pada jam-jam sibuk. Banyaknya bangunan sekolah di sekitar SMU Negeri 5 Surakarta tentulah

1

2

mempunyai pengaruh yang besar terhadap banyaknya tarikan perjalanan di area tersebut, dan pada daerah tersebut belum dikaji tentang bagaimana model tarikan perjalanan yang terjadi. Adapun yang dimaksud dengan model adalah alat bantu atau media yang dapat digunakan untuk mencerminkan dan menyederhanakan suatu realita (dunia sebenarnya) secara terukur. Beberapa diantaranya adalah model fisik, model peta, model statistik dan matematik. Semua model merupakan penyederhanaan realita untuk mendapatkan tujuan tertentu, yaitu penjelasan dan pengertian yang lebih mendalam serta untuk kepentingan peramalan. Dari kondisi yang ada, perlu dicari model tarikan perjalanan (trip attraction model) pada kondisi sekarang yang ditimbulkan oleh banyaknya bangunan sekolah di kawasan pendidikan tersebut. Model tarikan perjalanan ini diharapkan dapat digunakan sebagai bahan pertimbangan dalam peramalan jumlah tarikan perjalanan di masa mendatang serta untuk menentukan kebijakan dalam bidang transportasi dan pengembangan tata kota.

B. Rumusan Masalah Berdasarkan

uraian

latar

belakang

tersebut,

dapat

dirumuskan

permasalahannya yaitu : Bagaimanakah

model

tarikan

perjalanan

pada

kawasan

Cengklik

Surakarta

C. Batasan Masalah Untuk memfokuskan pembahasan dari pembahasan masalah yang telah diutarakan, maka perlu adanya pembatasan masalah sebagai berikut: 1.

Penelitian dilakukan di sekolahan SDN Cengklik I, SDN Cengklik II SDN Bibis Luhur I, SLTP Negeri 7, SMU Negeri 5, SMU Negeri 6, SMU 1 Tunas

3

Pembangunan, SMEA Tunas Pembangunan, STM 2 Tunas Pembangunan, Universitas Tunas Pembangunan, STIE-AUB, STMIK-AUB,AAP Bentara. 2.

Pengambilan data dilakukan dengan cara memperhitungkan perjalanan yang memasuki / menuju sekolahan

3.

Metode analisis perhitungan yang digunakan adalah metode analisis regresi berganda linier, dengan bantuan software Statistical Product and Service Solution (SPSS 10).

4.

Variabel yang diteliti meliputi : Ø

Jumlah tarikan pergerakan.

Ø

Karakteristik tata guna lahan, yang terdiri dari luas lahan, luas bangunan.

Ø

Jumlah karyawan yang terdiri dari guru dan pegawai.

D. Tujuan Penelitian

Berdasarkan latar belakang dan rumusan masalah, maka tujuan penelitian ini adalah : Membuat model tarikan perjalanan pada kawasan Cengklik Surakarta.

E. Manfaat Penelitian

Secara teoritis, melalui penelitian ini akan menambah pengetahuan dan pemahaman di bidang perencanaan transportasi, khususnya yang menyangkut tentang konsep pemodelan tarikan perjalanan. Secara praktis pemodelan yang diperoleh dapat digunakan untuk memprediksi jumlah tarikan perjalanan pada kawasan Cengklik Surakarta, baik dimasa sekarang maupun dimasa yang akan datang.

BAB II LANDASAN TEORI

A. Tinjauan Pustaka Aktifitas perjalanan yang dilakukan masyarakat untuk keperluan sosial, ekonomi, budaya, kesehatan maupun lainnya dilakukan setiap hari. Dan ada kecenderungan peningkatan perjalanan dari waktu ke waktu seiring dengan peningkatan pemenuhan kebutuhan di berbagai bidang yang terus bertambah. Pergerakan terjadi karena adanya proses pemenuhan kebutuhan tersebut. Hal tersebut terjadi karena lokasi kegiatan tersebar secara heterogen di dalam ruang yang ada sesuai tata guna lahannya

yang akhirnya menyebabkan perlu adanya

pergerakan yang digunakan untuk proses pemenuhan kebutuhan. Jumlah pergerakan yang tertarik ke suatu tata guna lahan atau zona disebut tarikan pergerakan. Pergerakan lalu lintas merupakan fungsi tata guna lahan yang menghasilkan pergerakan lalu lintas. Tarikan lalu lintas adalah lalu lintas yang menuju atau tiba ke suatu lokasi. Hasil keluaran dari perhitungan tarikan lalu lintas berupa jumlah kendaraan, orang, atau angkutan barang per satuan waktu, misalnya kendaraan/jam. Kita dapat dengan mudah menghitung jumlah orang atau kendaraan yang masuk dari suatu luas tanah tertentu dalam satu hari atau satu jam, untuk mendapatkan tarikan pergerakan (Ofyar Z. Tamin,2000). Tujuan dasar tahap bangkitan pergerakan adalah menghasilkan model hubungan yang mengaitkan tata guna lahan dengan jumlah pergerakan yang menuju ke suatu zona atau jumlah pergerakan yang meninggalkan suatu zona. Zona asal dan zona tujuan pergerakan biasanya juga menggunakan istilah trip end Ada beberapa cara yang bisa digunakan untuk menentukan jumlah perjalanan dari suatu zona ke zona lain. F.D. Hobbs berpendapat bahwa : “Jumlah perjalanan yang terjadi dalam satuan waktu, biasanya untuk suatu tata guna lahan tertentu, disebut laju bangkitan perjalanan. Jumlah ini dapat diestimasikan dengan 3 cara : (i) secara tradisional dengan regresi sederhana atau ganda, (ii) dengan menjumlahkan bangkitan atau produksi perjalanan menurut distribusi setiap

4

5

kategori tertentu pada setiap zona, (iii) dengan metode-metode klasifikasi keluarga (sering disebut analisa kategori) dengan memakai daftar laju perjalanan yang dilakukan dan karakteristik suatu area.” (F.D. Hobbs, Perencanaan dan Teknik Lalu Lintas, 1995 : 175) Model

bangkitan

perjalanan

pada

umumnya

memperkirakan

jumlah

perjalanan untuk setiap maksud perjalanan berdasarkan karakteristik tata guna lahan dan karakteristik sosio-ekonomi pada setiap zona, misalnya perumahan, seperti telah disampaikan oleh Clarkson H. Oglesby dan R. Gary Hicks. Mereka menyatakan bahwa : ”Perkiraan bangkitan perjalanan umumnya didasarkan atas proyeksi tata guna lahan dan aktifitas ekonomi; misalnya perumahan atau lahan terbuka yang akan diubah menjadi perumahan atau tata guna lahan lainnya akan menghasilkan

sejumlah

perjalanan

tertentu

selama

jam-jam

tertentu

pula.

Perjalanan ini diketahui dari survey asal-tujuan atau data lainnya seperti yang dikumpulkan dalam studi keadaan serupa. Selain itu, perkiraan dibuat berdasarkan pembangkit perjalanan akibat kegiatan-kegiatan seperti bekerja, berbelanja, pendidikan, dan rekreasi. Perkiraan ini kemudian dapat dinyatakan sebagai tingkat perjalanan (trip rates) atau dalam bentuk persamaan.” (Clarkson H. Oglesby dan R. Gary Hicks, Teknik Jalan Raya, 1988 : 94).

B. Dasar Teori

1. Tujuan Perencanaan Transportasi Perencanaan transportasi dapat didefinisikan sebagai suatu proses yang tujuannya mengembangkan sistem transportasi yang memungkinkan manusia dan barang bergerak dan berpindah tempat dengan aman dan murah. (Pignataro, 1973) Tujuan

perencanaan

transportasi

adalah

meramalkan

dan

mengelola

evolusi titik keseimbangan antara kebutuhan akan pergerakan dan dengan sistem prasarana transportasi sejalan dengan waktu sehingga kesejahteraan sosial dapat dimaksimumkan. (Ofyar Z. Tamin, 2000)

6

Perencanaan transportasi perkotaan adalah proses yang mengarah pada pengambilan keputusan pada program dan kebijakan transportasi. Tujuan proses perencanaan

transportasi

adalah

menyediakan

informasi

yang

perlu

untuk

membuat keputusan kapan dan dimana peningkatan sebaiknya dibuat dalam sistem transportasi, maka memajukan perjalanan dan pengembangan pola tanah, tetap berada dalam tujuan masyarakat. (C. Jotin. Khisty, B. Kent Lall, 1990) Tujuan transportasi perkotaan adalah mengembangkan dan mengevaluasi secara kontinue rencana transportasi yang memungkinkan pergerakan manusia dan barang maksimum dan meningkatkan lingkungan perkotaan. (Louis J. Pignataro, 1973) Dua hal penting yang mendasari dalam Perencanaan transportasi yaitu memecahkan persoalan yang sudah ada, mencegah timbulnya persoalan lain yang dapat

diperkirakan

sebelumnya,

sehingga

tujuan

utama

dari

Perencanaan

transportasi dilakukan untuk menyelesaikan persoalan tersebut dan mengantisipasi timbulnya permasalahan baru yang sudah diperkirakan sebelumnya. (Warpani, 1995).

2. Interaksi Tata Guna Lahan dan Perencanaan Transportasi Pergerakan arus manusia, kendaraan, dan barang mengakibatkan berbagai macam interaksi. Akan tetapi, hampir semua interaksi memerlukan perjalanan, dan oleh sebab itu menghasilkan pergerakan arus lalu lintas. Pergerakan orang dan barang di kota, menunjukkan pada arus lalu lintas, adanya hubungan konsekuensi antara aktivitas lahan dan kemampuan sistem transportasi untuk menangani arus lalu lintas ini. Secara alami, ada interaksi langsung antara tipe dan intensitas tata guna lahan dan penyediaan fasilitas transportasi yang tersedia. Satu tujuan utama perencanaan tata guna lahan dan sistem transportasi adalah untuk memastikan bahwa ada keseimbangan yang efisien antara tata guna lahan dan kemampuan transportasi. (Blunden dan Black, 1984).

7

Secara umum hubungan antara tata guna lahan dan transportasi dapat dilihat

pada

gambar

menyebabkan

2.1,

timbulnya

transportasi,

dimana

lalu

sebaliknya

pembangunan

lintas

adanya

yang

prasarana

akan

suatu

areal

lahan

mempengaruhi

transportasi

yang

akan

prasarana baik

akan

mempengaruhi pola pemanfaatan lahan. Interaksi ketiga sub sistem tersebut akan dipengaruhi oleh peraturan dan kebijakan perencanaan transportasi. TATA GUNA LAHAN

SEDIAAN TRANSPORTASI

LALU LINTAS Gambar 2.1 Interaksi tata guna lahan dengan transportasi Sumber : Warpani (1990)

Ket :

Hubungan pengaruh Umpan balik

3. Kedudukan Bangkitan Perjalanan dalam Perencanaan Transportasi Bangkitan perjalanan merupakan salah satu tahap dalam suatu perencanaan transportasi,

yaitu

perencanaan

terdapat

transportasi.

pada Pada

tahap

pertama

dasarnya

dari

bangkitan

rangkaian

tahapan

perjalanan

dapat

dikelompokkan menjadi dua yaitu : 1.

Lalu

lintas

yang

meninggalkan

suatu

lokasi,

disebut

juga

bangkitan

perjalanan. 2.

Lalu lintas yang menuju lokasi, disebut juga sebagai tarikan perjalanan. Tarikan perjalanan adalah jumlah pergerakan / perjalanan yang menuju ke

lokasi tertentu. Tahapan ini biasanya menggunakan data berbasis zona untuk memodelkan besarnya pergerakan yang terjadi (baik bangkitan maupun tarikan), misalnya tata guna lahan, pemilik kendaraan, populasi, jumlah pekerja, kepadatan penduduk, pendapatan, dan juga moda transportasi. Tarikan pergerakan digunakan

8

untuk suatu pergerakan yang berbasis rumah yang mempunyai tempat asal dan atau tujuan bukan rumah atau pergerakan yang tertarik oleh pergerakan yang berbasis bukan rumah. Faktor yang mempengaruhi dalam pemodelan bangkitan pergerakan adalah : 1. Bangkitan pergerakan untuk manusia Ø Pendapatan Ø

Pemilik kendaraan

Ø

Struktur rumah tangga

Ø

Ukuran rumah tangga

Ø

Nilai lahan

Ø

Kepadatan daerah pemukiman

Ø

Aksesibilitas

2. Tarikan pergerakan untuk manusia Faktor yang paling sering digunakan adalah luas lantai untuk kegiatan industri, komersial, perkantoran, pertokoan, dan pelayanan yang lainnya. Faktor lain yang dapat digunakan adalah lapangan kerja. Akhir-akhir ini beberapa kajian mulai berusaha memasukkan ukuran aksesibilitas. Tujuan akhir perencanaan tahapan bangkitan pergerakan adalah menaksir setepat mungkin bangkitan dan tarikan pergerakan pada masa sekarang, yang akan digunakan untuk meramalkan pergerakan pada masa mendatang. Bangkitan dan tarikan perjalanan dapat digambarkan sebagai berikut:

i

Perjalanan yang menuju Zona i

j

Perjalanan yang berasal dari zona j

Gb. 2.2. Bangkitan dan tarikan perjalanan Sumber : Ofyar Z. Tamin (2000)

9

4. Nilai rata-rata okupansi Okupansi rata-rata didefinisikan sebagai rata-rata jumlah penumpang per jumlah tempat duduk kendaraan selama periode waktu tertentu dan pada bagian jaringan kerja yang tertentu pula. Cara yang biasa untuk menyatakan nilai okupansi rata-rata adalah denganmembandingkan jumlah total penumpang dengan jumlah tempat duduk. Nilai okupansi rata − rata =

Jumlah penumpang × 100% jumlah tem pat duduk yang tersedia

(2-1)

5. Konsep Pemodelan Model dapat didefinisikan sebagai bentuk penyederhanaan dari suatu realita. Semua model merupakan penyederhanaan realita untuk mendapatkan tujuan tertentu yaitu penjelasan dan pengertian yang lebih mendalam serta untuk kepentingan peramalan. (J. de D. Ortuzar & L. G. Willumsen, 1990) Beberapa hal penting dari spesifikasi model yang perlu diperhatikan adalah sebagai berikut: 1.

Struktur model Struktural

dari

model

tersebut,

dan

dengan

metodologi

yang

sudah

berkembang sangat mungkin membentuk model dengan banyak peubah. 2.

Bentuk fungsional Pemecahan dengan bentuk tidak linier akan dapat mencerminkan realita secara lebih tepat, tetapi membutuhkan sumber daya dan teknik untuk proses pengkalibrasian model tersebut.

3.

Spesifikasi peubah Peubah yang dapat digunakan serta hubungan antar peubah dalam suatu model harus dipertimbangkan, sehingga diperlukan proses tertentu dalam menentukan peubah yang dominan, antara lain dengan proses kalibrasi dan pengabsahan .

10

6. Teknik sampling a.

Pengertian Rancangan sampling adalah metode untuk memilih sampel yang dapat

digunakan untuk menghasilkan himpunan data sampel kita. Tujuan utama dari setiap rancangan sampling adalah memberikan pedoman untuk memilih sampel yang mewakili populasi, sehingga dapat menyediakan sejumlah informasi tentang populasi dengan biaya minimum. Menurut Amudi Pasaribu (1965), pengambilan sampel yang juga disebut sebagai penarikan sampel, bertujuan untuk memperoleh keterangan mengenai populasi dengan mengamati sebagian saja dari populasi tersebut. Pengambilan sampel didasarkan pada anggapan-anggapan bahwa pada suatu populasi terdapat perbedaan-perbedaan atau simpangan-simpangan antara anggota-anggota populasi, yaitu perbedaan sifat-sifat anggota dan sifat umum populasi tersebut. Setiap anggota populasi dianggap berbeda dengan keadaan ratarata dari populasi tersebut. Jika pengamatan dalam populasi itu dinyatakan dengan bilangan, maka sebagian dari anggota populasi tersebut lebih kecil dan sebagian lagi lebih besar dari harga rata-rata. Apabila dilihat secara keseluruhan, maka perbedaan itu tidak terlalu nampak dan yang kelihatan pada umumnya adalah harga rata-ratanya. Teori pengambilan sampel didasarkan atas adanya pengaruh saling menghilangkan diantara anggota populasi tadi.

b.

Cara penarikan sampel Berkaitan dengan pengambilan sampel untuk survey transportasi, Ortuzar

dalam bukunya Modelling transport pada bab data collection methods memberikan ukuran sampel yang digunakan berdasarkan besarnya populasi yang ada seperti pada tabel 2.1 berikut :

11

Tabel 2.1 Ukuran sampel yang direkomendasikan pada survey tradisional Ukuran Sampel

Besar Populasi

Direkomendasikan

Minimum

< 50.000

1/5

1/10

50.000-150.000

1/8

1/20

150.000-300.000

1/10

1/35

300.000-500.000

1/15

1/50

500.000-1.000.000

1/20

1/70

>1.000.000

1/25

1/100

Sumber : Ortuzar, J.D and Willumsem, L.G (1994) Pengambilan sampel ini juga merujuk pada buku Survey Methods For Transport Planning oleh Richardson, Ampt & Meyburg yang memberikan rekomendasi mengenai

kecukupan

ukuran

sampel

pada

survey,

yang

bertujuan

untuk

mendapatkan suatu nilai dari parameter yang dicari sebesar 10% dari populasi yang dimaksud.

c. Kesalahan dalam sampling Ada tiga sumber kesalahan dalam survey sampel, sumber yang paling umum adalah variasi acak (random variation), misalkan dalam pemilihan suatu sampel acak rumah tangga kebetulan semua yang dipilih berada dalam kelompok yang berpendapatan tinggi. Satu sumber kesalahan lainnya dalam survey sampel adalah spesifikasi populasi. Kesalahan yang disebabkan oleh spesefikasi populasi dapat muncul dari sumber-sumber, misalnya: daftar unsur populasi yang tidak benar, pemilihan anggota sampel yang keliru, kesalahan dalam pengumpulan informasi tentang sampel ataupun kesalahan dalam memproses informasi sampel. Sumber kesalahan tambahan dalam survey sampel adalah disebabkan oleh nonrespon dari beberapa anggota sampel. Merupakan hal yang umum bagi para peneliti untuk mengasumsikan bahwa responden dan nonresponden mewakili

12

lapisan-lapisan serupa dari populasi, padahal sebenarnya ini merupakan kasus yang jarang terjadi.

7. Analisis Regresi Metode analisis regresi digunakan untuk menghasilkan hubungan antara dua variabel atau lebih dalam bentuk numerik, dan untuk melihat bagaimana dua atau lebih peubah saling berkait, dimana telah diketahui variabel mana yang variasinya

dipengaruhi

oleh

variabel

lainnya

dan

variabel

mana

yang

mempengaruhinya. Persamaan regresi ini merupakan persamaan garis yang paling mewakili hubungan antara dua variabel tersebut. Beberapa asumsi statistik yang diperlukan dalam melakukan analisis regresi tersebut adalah : 1.

Variabel tak bebas, adalah fungsi linear dari variabel bebas. Jika hubungan tersebut tidak linear, data kadang-kadang harus ditransformasikan agar menjadi linear.

2.

Variabel, terutama variabel bebas adalah tetap atau diukur tanpa kesalahan.

3.

Tidak ada korelasi antara variabel bebas.

4.

Variansi dari variabel tak bebas terhadap garis regresi adalah sama untuk seluruh nilai variabel tak bebas.

5.

Nilai variabel tak bebas harus berdistribusi normal atau mendekati normal.

6.

Nilai peubah bebas sebaiknya merupakan besaran yang relatif mudah diproyeksikan.

a.

Analisis Regresi Linear Variabel analisis regresi dibedakan menjadi dua jenis variabel yaitu variabel bebas (X) dan variabel tak bebas (Y). Hubungan linear dari 2 jenis variabel tersebut dituliskan dalam persamaan: Y = a + bX Dimana : Y = Kriterium X = Prediktor a = Konstanta b = Koefisien prediktor

(2-2)

13

Koefisien-koefisien regresi a dan b untuk regresi linear dapat dihitung dengan rumus :

( Σ Y )(Σ X 2 ) − (Σ X )(Σ XY ) a= 2 n Σ X 2 − (Σ X ) b=

b.

nΣXY − (Σ X )(ΣY ) nΣX 2 − (Σ X )2

(2-3)

(2-4)

Analisis Regresi Linear Berganda Persamaan untuk model regresi linear berganda Y atas X1 , X2 , ……,Xk akan diestimit menjadi : Y = a0 + a1 X1 + a2 X2 + ……… + ak Xk Dimana : Y

(2-5)

= Kriterium

X1 , X2 , …,Xk = Prediktor 1, prediktor 2, ……, prediktor ke-k a0

= Konstanta

a1 , a2 , ….,ak

= Koefisien prediktor 1, koefisien prediktor 2, …., koefisien prediktor ke-k.

Apabila pada persamaan Y dipengaruhi oleh 2 variabel bebas, maka persamaan yang digunakan menjadi : Y = a0 + a1 X1 + a2 X2

(2-6)

Sehingga terdapat 3 persamaan yang harus diselesaikan dalam mencari a0 , a1 dan a2 , yang berbentuk sebagai berikut : Σ Y = a0 + a1 Σ X1 + a2 Σ X2

(2-7)

Σ YX1 = a0 Σ X1 + a1 Σ X1 2 + a2 Σ X1 X2

(2-8)

Σ YX2 = a0 Σ X2 + a1 Σ X1 X2 + a2 Σ X2 2

(2-9)

(Sudjana, 1975)

14

8. Tahapan Uji Statistik dalam Model Menurut Ofyar Z. Tamin, dalam melakukan analisis bangkitan pergerakan dengan menggunakan model analisis regresi berbasis zona, terdapat tahapan uji statistik yang mutlak harus dilakukan agar model bangkitan pergerakan yang dihasilkan dinyatakan absah. Uji statistik tersebut meliputi : a.

Uji Korelasi Uji statistik ini harus dilakukan untuk memenuhi persyaratan model

matematis, dimana sesama peubah bebas tidak boleh saling berkorelasi, sedangkan antara peubah tidak bebas dengan peubah bebas harus ada korelasi yang kuat (baik positif maupun negatif). Korelasi

adalah

tingkat

hubungan

antara

variabel-variabel

yang

menentukan sejauh mana suatu persamaan linear maupun tidak linear dapat menjelaskan variabel-variabel yang ada.

1). Koefisien Korelasi Koefisien korelasi ini digunakan untuk menentukan korelasi antara peubah tidak bebas dengan peubah bebas atau antara sesama peubah bebas. Koefisien korelasi ini dapat dihitung dengan persamaan : Rxy =

{nΣX

nΣ XY − (Σ X )(Σ Y ) 2

}{

− (ΣX ) 2 nΣY 2 − (ΣY )2

}

(2-10)

Besaran r berkisar antara –1 dan +1 (-1≤ r ≤ +1), harga r = -1 menyatakan adanya asosiasi linear sempurna tak langsung antara X dan Y. Ini berarti titik-titik yang ditentukan oleh (X
15

1). Pengujian Nilai Koefisien Korelasi Pengujian nilai R untuk mengetahui hasilnya signifikan atau tidak, dapat diuji melalui tabel r-teoritik dengan jumlah pasangan data = N atau dengan derajat bebas db = N-2. Dalam pengujian ini digunakan r- teoritik dengan taraf signifikan 5%. Apabila R> r-teoritik, berarti korelasi antara X dan Y signifikan Apabila R< r- teoritik, berarti korelasi antara X dan Y tidak signifikan. Taraf signifikan 5% maksudnya adalah besarnya kemungkinan membuat kesalahan dari korelasi tersebut sebesar 5%. Tingkat kebenaran yang dapat diterima dari korelasi hitungan sebesar 95%. ♦ Hipotesis yang digunakan: -

H0 : r = 0, artinya korelasi tidak signifikan.

-

Hi : r ≠ 0, artinya korelasi signifikan.

Uji dilakukan 2 sisi karena akan dicari ada atau tidaknya hubungan / korelasi, dan bukan lebih besar / kecil. ♦ Dasar pengambilan keputusan a. Berdasarkan probabilitas -

Jika probabilitas > 0.05 maka Ho diterima.

-

Jika probabilitas < 0.05 maka Ho ditolak.

b. Berdasarkan tanda * yang diberikan SPSS Adanya tanda * pada pasangan data yang dikorelasi menunjukkan adanya korelasi yang signifikan pada data tersebut. 2). Indeks Determinasi Indeks korelasi mengukur derajat asosiasi antara variabel X dan Y, apabila antara X dan Y terdapat hubungan regresi Y=f(X). Sifat indeks determinasi adalah jika titik-titik diagram pencar letaknya makin dekat kepada garis regresi, maka harga R2 makin dekat kepada 1. Apabila titik-titik itu makin jauh dari garis regresi maka harga R2 makin mendekati 0. Secara umum berlaku 0 ≤ R2 ≤ 1. Rumus umum dari indeks determinasi:

R = 2

(

) − Σ(Y − Yˆ ) Σ (Y − Y )

Σ Y −Y

2

2

2

(2-11)

16

dimana: R2 ^ Y-Y _ Y-Y

=

Indeks determinasi

=

jumlah kuadrat kesalahan pengganggu (Residual sum of square)

=

Total sum of square

3). Korelasi regresi linear berganda Untuk menentukan derajat asosiasi antara variabel-variabel yang ada maka berdasarkan persamaan regresi linear berganda : Y = ao + a1 X1 + a2 X2 + …… +ak Xk

(2-12)

2

R ditentukan dengan rumus : R2 =

a1 Σ x1 y + ...... + a k Σx k y Σy 2 _ _

(2-13) _

_

Dimana : x1 = X1 -X1 , x2 = X2 -X2 , …, xk = Xk -Xk , dan y = Y-Y R dinamakan koefisien korelasi linear berganda untuk Y, X1 , X2 ,…,Xk R2 dinamakan koefisien determinasi linear berganda. b.

Uji Linearitas Uji statistik ini dilakukan untuk memastikan apakah model bangkitan

pergerakan dapat didekati dengan model analisis-regresi-linear atau model analisis-regresi-tidak-linear.

Pada

analisis

ini

menggunakan

metode

analisis

regresi linear, sehingga semua peubah bebas diasumsikan mempunyai hubungan yang linear dengan peubah yang terikat. c.

Uji Kesesuaian Uji statistik ini harus dilakukan untuk menentukan model bangkitan

pergerakan yang terbaik. Pada umumnya uji ini didasarkan atas kedekatan atau kesesuaian hasil model dengan hasil observasi. Salah satu uji kesesuaian yang paling mudah dan sering digunakan adalah model analisis-regresi. Model terbaik adalah model yang mempunyai total kuadratis residual antara hasil model dengan hasil observasi yang paling minimum.

17

Meminimumkan :

∑ (Y

i

∧

−Y i ) 2

(2-14)

i

Dimana : i

= Jumlah data (1, 2, 3, …, dst)

Yi

= Kriterium hasil model

^ Yi

= Kriterium hasil observasi

9. Uji Signifikansi Secara umum uji signifikansi dapat dikatakan sebagai uji hipotesis terhadap koefisien regresi

secara individu, masing-masing variabel bebas. Uji

signifikansi sering disebut juga sebagai uji parsiil. Uji parsiil dalam regresi sederhana dirumuskan sebagai berikut :

t =

b− β

(2-15)

Sb

dimana: Sb = Standart error koefisien korelasi b

= Koefisien regresi yang didapat

ß

= Slope garis regresi sebenarnya

yang selanjutnya harus digunakan distribusi student-t dengan db=(N-2) Uji parsiil untuk menguji keberartian koefisien regresi yang sesuai dalam analisis regresi linear ganda dirumuskan dengan : t=

bi Sbi

dimana : bi

= Koefisien regresi yang didapatkan dari beberapa (i) variabel

(2-16)

18

Sbi = Standart error koefisien korelasi bi Yang selanjutnya harus digunakan distribusi student-t dengan db=(N-k-1) Ø Hipotesis yang digunakan : -

Ho : ß = 0, artinya koefisien regresi tidak signifiakan

-

H1 : ß ≠ 0, artinya koefisien regresi signifikan.

Dasar pengambilan keputusan a.

Membandingkan statistik hitungan dengan statistik tabel, dengan tingkat signifikan 5%, dan derajat kebebasan N-k-1, dimana N merupakan jumlah data yang dilibatkan dan k merupakan jumlah variabel bebas. -

Jika statistik t-hitungan < t-tabel, maka Ho diterima, yaitu menerima anggapan bahwa koefisien regresi tidak signifikan.

-

Jika statistik t-hitungan > t-tabel, maka Ho ditolak, yaitu menolak anggapan bahwa koefisien regresi tidak signifikan.

b.

Berdasarkan probabilitas -

Jika probabilitas > 0.05 maka Ho diterima

-

Jika probabilitas < 0.05 maka Ho ditolak

10. Multikolinearitas Multikolinearitas

adalah

kejadian

yang

menginformasikan

terjadinya

hubungan antara variabel-variabel bebas xi, dan hubungan yang terjadi cukup besar, sehingga akan menyebabkan perkiraan keberartian koefisien regresi yang diperoleh. Umumnya multikolinearitas dapat diketahui dari nilai koefisien korelasi yang sangat besar antara variabel-variabel bebas tersebut, misalnya antara x1 dan x2 , nilai r12 mendekati 1. Secara matematis pengukuran multikolinearitas dapat dirumuskan sebagai persamaan inflasi berikut ini : VIF =

1 (1 − R 2 )

dimana : VIF

= Varian Inflasi Factor

(2-17)

19

R²

= Koefisien determinasi (kuadrat dari koefisien korelasi)

(1-R²) = Toleransi Beberapa metode untuk mengetahui adanya multikolinearitas : Ø Persamaan varian inflasi jika memiliki nilai yang sedemikian besar maka menunjukkan multikolinearitas yang lebih sederhana. Batasan secara pasti seberapa besar nilainya tidak ada ketentuan, ada yang mengatakan jika faktor varian inflasi lebih dari 10, maka multikolinearitasnya menjadi masalah, sedangkan yang lain ada yang membatasi 4 atau 5. Ø Determinan

matrik

dapat

juga

digunakan

sebagai detektor

terjadinya

multikolinearitas, dimana jika nilai determinan matrik semakin kecil maka nilai multikolinearitas menjadi semakin besar. Ø Nilai Eigen dapat juga digunakan sebagai detektor dalam permasalahan multikolinearitas. Pendeteksian dilakukan dengan melihat apabila terdepat nilai Eigen sebanyak satu atau lebih yang mendekati nol, memberikan informasi bahwa multikolinearitas ada. Ø Parameter lain yang digunakan antara lain apabila pengujian uji-F adalah nyata tetapi pengujian koefisien regresi tidak nyata secara individu, maka dapat dideteksi kemungkinan adanya multikolinearitas. Apabila diketemukan permasalahan multikolinearitas, beberapa cara berikut ini dapat digunakan sebagai pemecahannya, antara lain : Ø Menambah jumlah data dengan pengamatan baru. Ø Menghilangkan variabel tertentu dari model yang diperoleh.

11. Analisis variansi garis regresi Analisis variansi terhadap garis regresi perlu dilakukan untuk menguji signifikansi garis regresi tersebut. Berdasarkan analisis regresi akan didapatkan bilangan F regresi yang diperoleh dari rumus : Freg =

RK reg RK res

(2-18)

20

Dimana :

Freg

= harga bilangan F untuk garis regresi

RKreg = rerata kuadrat garis regresi RKres = rerata kuadrat residu Bilangan F regresi diperoleh dari membandingkan Rk regresi dengan RK residu. Makin besar harga RK residu akan makin kecil harga F regresi. Jika harga F regresi sangat kecil dan tidak signifikan, maka garis regresinya tidak akan memberikan landasan untuk prediksi secara efisien. Analisis variansi garis regresi dapat dilakukan dengan metode skor deviasi seperti yang disajikan dalam tabel 2.2 berikut :

Tabel 2.2 Analisi variansi dengan metode skor deviasi SUMBER VARIASI Regresi (reg)

Db

JK

RK

Freg

1

(Óxy)² Óx²

JK reg dbreg

RKreg RKres

Residu (res)

N-2

2

Óy²-

(Óxy)

JK res dbres

2

Óx

Total(T) N-1 Sumber : Sutrisno Hadi (1995)

Óy2

-

-

Dimana : Σ xy = Σ XY − Σx = ΣX 2

2

(ΣX )(ΣY )

(2-19)

N

( Σ X )2 −

N (ΣY )2 2 2 Σy = ΣY − N

(2-20) (2-21)

Persamaan garis regresi hasil hitungan diuji apakah signifikan atau tidak. Apabila hasil pengujian signifikan berarti persamaan regresi tersebut dapat dipakai sebagai hasil kesimpulan, tetapi jika pengujian tidak signifikan, berarti

21

persamaan regresi tersebut tidak bisa dipakai sebagai kesimpulan dan harus dicari persamaan garis regresi non linearnya. Rumus F yang paling efisien untuk analisis variansi pada garis regresi linear berganda dengan dua variabel X apabila koefisien korelasinya sudah dihitung sebelumnya adalah :

Freg =

R 2 ( N − m − 1) m 1− R2

(

)

(2-22)

Dimana : Freg

= harga F garis regresi

N

= cacah kasus

m

= cacah prediktor

R

= koefisien korelasi antara Y dan X1 dan X2

Rumus F regresi diperoleh dari proses analisis variansi garis regresi yang dirangkum pada tabel 2.3 berikut : Sumber variansi

Db

JK

RK

Regresi (reg)

M

R2 (Óy2 )

R2 (Óy2 ) m

Residu (res)

N-m-1

(1-R2 )(Óy2 )

(1-R2 )(Óy2 ) N-m-1

Óy2

Total (T) N-1 Sumber : Sutrisno Hadi, 1995 : 27

( )

Freg

R 2 Σy 2 R 2 ( N − m − 1) m = = 1 − R 2 Σy 2 m 1− R2 N − m−1

(

)( )

Dimana : Freg

= harga F garis regresi

N

= banyak data

(

)

(2-22)

22

m

= banyak prediktor

R

= koefisien korelasi antara kriterium dengan prediktor-prediktor Uji presisi garis regresi dilakukan dengan membandingkan nilai F regresi

hasil hitungan dengan F regresi tabel. Pada pengujian ini digunakan taraf signifikansi 5%. Apabila F regresi hasil hitungan > F regresi tabel berarti persamaan garis regresi tersebut tidak dapat dipakai sebagai kesimpulan dan harus dicari persamaan non linearnya. Pengujian nilai F berdasarkan probabilitas yaitu apabila probabilitas dihitung kurang dari 5%, berarti koefisien regresi secara simultan signifikan terhadap Y, sedangkan bila probabilitasnya lebih dari 5%, maka koefisien regresi secara simultan tidak signifikan terhadap Y.

BAB III METODOLOGI PENELITIAN

A. Lokasi dan Waktu Penelitian

1. Lokasi Penelitian Lokasi penelitian dilakukan pada area sekolahan di kawasan Cengklik Surakarta, yaitu SDN Cengklik I, SDN Cengklik II, SDN Bibis Luhur I, SLTPN 7, SMUN 5, SMUN 6, SMU 1 TP, STM 2 TP, SMEA TP, UTP, STIE-AUB, STMIK-AUB, AAP Bentara. (Denah lokasi dapat dilihat pada Lampiran A-1).

2. Waktu Penelitian Pembagian kuisioner tidak dapat dilakukan secara serentak dikarenakan tergantung pada kebijakan dari masing-masing sekolah, sehingga pengambilan sampel dilakukan mulai tanggal 12 Januari 2004 sampai dengan tanggal 16 Januari 2004. B. Data Penelitian Data masukan untuk analisis data meliputi data primer yang didapatkan dari hasil survey dan data sekunder yang diperoleh dari pihak sekolah. Data-data yang diperlukan untuk analisis lebih lanjut antara lain: a. Data primer Banyaknya orang yang melakukan perjalanan, serta jumlah perjalanan yang menggunakan moda tertentu (mobil, sepeda motor, sepeda, kendaraan umum/bus, jalan kaki) b. Data sekunder 1. Luas lahan dan lantai bangunan. 2. Jenis kegiatan. 3. Jumlah pengguna gedung. 4. Peta lokasi penelitian.

23

24

C. Alat penelitian Peralatan yang digunakan dalam penelitian ini adalah: 1. Formulir untuk kuisioner. 2. Seperangkat alat tulis. 3. Software SPSS.10 untuk analisa data, yaitu untuk mencari persamaan regresi, korelasi, variansi garis regresi, uji-t dan uji-F

D. Cara Pengambilan dan Ukuran sampel

Pengambilan sampel dilakukan dengan cara membagikan kuisioner dan survey di lokasi penelitian secara sampling dan acak. Ukuran sampel menurut Ortuzar dalam buku Modelling transport, untuk jumlah populasi < 50.000 diambil sebanyak 20% dari total populasi, atau minimum sebesar 10%, hal ini juga merujuk pada buku Survey Methods for Transport Planning oleh Richardson, Ampt & Meyburg yang memberikan rekomendasi mengenai kecukupan ukuran sampel pada survey yang bertujuan untuk mendapatkan suatu nilai dari parameter yang dicari adalah sebesar 10% dari populasi yang dimaksud. Jumlah total populasi siswa/mahasiswa dan guru/dosen dan karyawan sebanyak 11139 orang. Kuisioner yang dibagikan sebanyak 1500 sampel atau sebanyak 13.467%. Kuisioner tersebut berisikan pertanyaan-pertanyaan yang meliputi jarak dari kost / rumah ke sekolah / kampus, kepemilikan kendaraan, moda yang digunakan, lama perjalanan, serta pertanyaan-pertanyaan pendukung lainnya. Selain kuisioner juga dilakukan survey di lokasi yang menghitung jumlah orang yang naik kendaraan yang masuk ke lokasi penelitian.

E. Tahapan Penelitian

Dalam penelitian analisis model tarikan perjalanan ini, dibuat suatu tahapan-tahapan untuk mempermudah dalam penyelesaiannya. Tahapan-tahapan ini dibuat secara teratur dan sistematis, baik dalam bentuk gagasan dan

25

perencanaan, maupun dalam pelaksanaan dan pembuatan keputusan. Pembuatan skripsi pada hakekatnya merupakan kegiatan dalam bentuk penelitian yang dilakukan berdasarkan program kerja yang berurutan dan saling berkait. Adapun langkah-langkah yang secara garis besar dapat dituliskan sebagai berikut: a. mencari ide atau gagasan dan selanjutnya menuangkannya kedalam bentuk latar belakang masalah, rumusan masalah, dan pembatasan masalah. b. Mempelajari literatur dan pengkajian pustaka yang berhubungan dengan ide yang dibuat dengan mempertimbangkan kajian penelitian yang telah dilakukan sebelumnya, maupun penggunaan rumus-rumus yanng telah dipakai dalam penelitian dan memilih metode analisis yang digunakan sebagai dasar langkahlangkah selanjutnya bagi peneliti. c. Mencari dan mengumpulkan data-data yang mendukung penelitian melalui survey dilapangan dan sebagainya. d. Mengolah data yang ada kedalam bentuk perhitungan yang berkait dan selanjutnya dipakai sebagai dasar analisis. e. Melakukan analisis data dan pembahasan berdasarkan data yang telah diolah. f. Membuat kesimpulan dan saran-saran dari hasil analisis data yang diperoleh. Dari tahapan-tahapan tersebut dapat dibuat alur kerja seperti dalam gambar 3.1.

26

Mulai

Latar Belakang Masalah, Rumusan Masalah dan Batasan Masalah

Studi Pustaka

Pemilihan Lokasi dan Kebutuhan Data

Pengumpulan Data Luas Lahan dan Lantai Bangunan, Jumlah Pengguna Gedung. Kepemilikan Kendaraan, Moda yang digunakan, karakteristik perjalanan

Pengolahan Data Pengolahan Data Berdasarkan Moda yang digunakan dan Jenis Kegiatan

Analisis Data Uji Koefisien Korelasi, Uji Koefisien Determinasi, Uji Signifikansi Koefisien Regresi, uji kolinearitas

Pembahasan

Kesimpulan dan Saran

Selesai

27

F. Analisis data Analisis data dilakukan dengan metode analisis regresi untuk mendapatkan model tarikan perjalanan dengan bantuan program SPSS 10. Adapun langkahlangkah analisis data adalah sebagai berikut: 1. Melakukan

pengujian

terhadap

signifikansi

korelasi,

untuk

mengetahui

hubungan antar peubah yang diselidiki, baik antara peubah bebas dengan peubah tidak bebas, maupun antar peubah bebas. 2. Membuat

alternatif

model

berdasarkan

hasil

yang

diperoleh

dari

uji

signifikansi koefisien korelasi. 3. Menghitung koefisien persamaan regresi untuk mendapatkan model tarikan perjalanan pada daerah penelitian. 4. Melakukan pengujian statistik terhadap alternatif model yang diuji. Tiga uji statistik yang dilakukan adalah uji nilai R2 , uji-t dan uji-F. selain uji statistik tersebut

juga

dilakukan

uji

kolinearitas

untuk

mendeteksi

masalah

multikolinearitas dalam model. 5. Menentukan model terbaik dari beberapa alternatif model berdasarkan hasil uji statistik dan uji kolinearitas yang dilakukan.

BAB IV ANALISIS DAN PEMBAHASAN

A. Hasil Pengumpulan Data Data sekunder diperoleh dari pihak sekolahan dengan perincian seperti dalam tabel 4.1 berikut :

Tabel 4.1 Karakteristik Lokasi Penelitian Lokasi penelitian 1. SDN Cengklik 1 2. SDN Cengklik 2 3. SDN Bibis Luhur 1 4. SLTPN 7 5. SMUN 5 6. SMUN 6 7. SMU 1 TP 8. SMEA TP 9. STM 2 TP 10. UTP 11. STIE-AUB 12. STMIK-AUB 13. AAP Bentara Total

L.Lantai Bangunan (m2 ) 477 422 642 3961 5516 6761 2011 1020 3450 10464 9603 737 4146.64 49210.64

Luas Lahan (m2 ) 1252.5 1252.5 2505 7443 15010 37640 2227.5 2506 5957 12933 23714 7294 13861 133595.5

Jumlah Siswa 342 298 297 733 1084 1108 141 177 627 1768 2826 193 622 10216

Jumlah Guru/kary 17 11 11 62 91 90 27 32 62 286 152 25 57 923

Sumber : Survey,2004

Berdasarkan data tersebut diketahui jumlah siswa sebanyak 10216 orang, dan jumlah guru/karyawan sebanyak 923 orang. Jumlah total populasi adalah 11139 orang. Kuisioner yang diedarkan sebanyak 1500 sampel, yang berhasil terkumpul dan layak untuk diolah adalah sebanyak 1403 atau sekitar 12.595%. perincian prosentase sampel lebih lanjut ditabelkan sebagai berikut:

28

29

Tabel 4.2 Prosentase Sampel Hasil Survey Lokasi penelitian 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

SDN Cengklik 1 SDN Cengklik 2 SDN Bibis Luhur 1 SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Jumlah total

Jumlah 342 298 297 733 1084 1108 141 177 627 1768 2826 193 622 10216

Siswa Sampel 45 40 40 100 150 129 25 30 90 225 257 31 95 1257

% 13.16 13.42 13.47 13.64 13.83 11.64 17.73 16.95 14.35 12.73 9.09 16.06 15.27 12.30%

Jumlah 17 11 11 62 91 90 27 32 62 286 152 25 57 923

Guru/kary Sampel 5 5 5 10 20 13 4 5 11 36 13 9 10 146

% 29.41 45.45 45.45 16.13 21.98 14.44 14.82 15.63 17.74 12.59 8.55 36 17.54 15.82%

Sumber : Survey,2004

B. Analisis Data 1. Karakteristik Perjalanan Setelah hasil kuisioner terkumpul, maka dilakukan tabulasi data sesuai dengan kelompoknya. Data mengenai karakteristik guru/karyawan dan siswa dapat dikategorikan menurut beberapa kriteria berdasarkan masing-masing strata pendidikan sebagai berikut: a. Jarak Perjalanan Tabel 4.3 Tabulasi Jarak Perjalanan Responden

SD Strata pendidikan

SMP SMU PT Total

Sumber : Survey,2004

Jumlah % Jumlah % Jumlah % Jumlah %

<1 km 82 5.845% 29 2.067% 80 5.702% 322 22.951% 513 36.565%

Jarak Perjalanan 1-5 km 5-10 km 30 17 2.318% 1.212% 61 10 4.348% 0.713% 196 112 13.97% 7.983% 185 105 13.186% 7.484% 472 244 33.642% 17.391%

>10 km 11 0.784% 10 0.713% 89 6.344% 64 4.562% 174 12.402%

Total 140 9.979% 110 7.84% 477 33.999% 676 48.182% 1403 100%

30

Dari tabel 4.3 terlihat bahwa prosentase untuk SD (9.979%) dan SMP (7.84%) sangat kecil dibandingkan dengan jumlah sampel secara keseluruhan. Hal ini berpengaruh terhadap model tarikan yang akan dianalisis lebih lanjut. Tabel tersebut juga menunjukkan bahwa jarak yang ditempuh oleh mayoritas responden ke kawasan Cengklik adalah sejauh <1km, yaitu sebanyak 36.565%.

b. Waktu Tempuh Waktu yang dilakukan oleh responden untuk melakukan perjalanan dari rumah ke kawasan Cengklik disajikan dalam tabel : Tabel 4.4 Tabulasi waktu tempuh responden Strata pendidikan Jumlah SD % Jumlah SMP % Jumlah SMU % Jumlah PT % Total

<5 38 2.708% 5 0.356% 35 2.495% 104 7.113% 182 12.972%

5-10 52 3.706% 20 1.426% 188 13.399% 237 16.892% 497 35.424%

Waktu Tempuh (menit) 10-15 15-20 30 10 2.138% 0.713% 44 19 3.136% 1.354% 103 87 7.341% 6.201% 226 78 16.108% 5.56% 403 194 28.724% 13.83%

20-30 4 0.285% 18 1.283% 37 2.637% 27 1.924% 86 6.13%

>30 6 0.428% 4 0.285% 27 1.924% 4 0.285% 41 2.922%

Total 140 9.979% 110 7.84% 477 33.999% 676 48.182% 1403 100%

Sumber : Survey,2004 Pada tabel 4.4 terlihat bahwa waktu yang paling banyak diperlukan oleh responden dalam melakukan perjalanan adalah 5-10 menit (35.424%). Waktu tempuh selain dipengaruhi oleh jarak juga dipengaruhi oleh jenis moda yang digunakan.

c. Maksud Perjalanan Secara garis besar maksud perjalanan dibedakan menjadi 2, yaitu perjalanan untuk tujuan pendidikan (sekolah/kuliah) dan untuk tujuan bekerja. Prosentase untuk masing-masing jenis tujuan perjalanan secara lengkap dapat ditabelkan sebagai berikut :

31

Tabel 4.5 Tabulasi Maksud Perjalanan Responden

SD SMP Strata pendidikan

SMU PT

Jumlah % Jumlah % Jumlah % Jumlah %

Total

Maksud Perjalanan Sekolah Bekerja 125 15 8.909% 1.069% 100 10 7.128% 0.713% 424 53 30.221% 3.778% 608 68 43.336% 4.847% 1257 146 89.594% 10.406%

Total 140 9.979% 110 7.84% 477 33.999% 676 48.182% 1403 100%

Sumber : Survey,2004 Berdasarkan tabel 4.5 dapat dilihat bahwa maksud perjalanan terbesar adalah untuk tujuan pendidikan (sekolah/kuliah) sebesar 89.594%, sedangkan maksud perjalanan untuk tujuan bekerja relatif sedikit (10.406%), sehingga tujuan untuk bekerja ini tidak bisa dibuat analisis pemodelan secara tersendiri.

d. Kepemilikan Kendaraan Untuk

kepemilikan

kendaraan

diasumsikan

bahwa

kendaraan

yang

dipunyai dirumah dapat digunakan oleh semua penghuni, dan karena masingmasing responden bisa memiliki lebih dari satu jenis kendaraan, maka prosentase keseluruhannya akan langsung ditunjukkan secara grafis dalam gambar berikut :

32

Prosentase Kepemilikan Kendaraan 90 81,183 80 70

prosentase

60 50 40 34,141 30 20 8,767

10

6,557

0 sepeda

sepeda motor

mobil

tdk punya kendaraan Jenis Kendaraan

Gambar 4.1 Prosentase Kepemilikan Kendaraan

Berdasarkan gambar terlihat bahwa kepemilikan sepeda motor mempunyai jumlah yang paling besar yaitu 81.183% (1139). Jumlah pemilik sepeda sebesar 34.141% (479), jumlah kepemilikan mobil sebesar 8.767% (123), dan responden tidak memiliki kendaraan sebesar 6.557% (92). Kepemilikan kendaraan ini akan mempengaruhi pemilihan moda yang digunakan.

33

e. Pemilihan moda Tabel 4.6 Tabulasi Pemilihan Moda Responden

SD Strata pendidikan

SMP SMU PT

Jumlah % Jumlah % Jumlah % Jumlah %

Total

sepeda 24 1.711% 41 2.922% 9 0.641% 4 0.285% 78 5.56%

s.motor 57 4.063% 31 2.21% 258 18.389% 372 26.515% 718 51.176%

MODA mobil 5 0.356% 1 0.071% 12 0.855% 13 0.926% 31 2.21%

k.umum 19 1.354% 21 1.497% 160 11.404% 166 11.832% 366 26.087%

j.kaki 34 2.423% 16 1.14% 39 2.78% 121 8.624% 210 14.968%

Total 140 9.979% 110 7.84% 477 33.999% 676 48.182% 1403 100%

Sumber : Survey,2004

Tabel 4.6 menunjukkan bahwa untuk responden SD, moda yang lebih banyak digunakan adalah sepeda motor, karena mereka cenderung diantar/dijemput. Responden SMP lebih banyak menggunakan sepeda, sedangkan untuk responden SMU dan PT penggunaan sepeda motor sebagai alat transportasi lebih banyak dipilih daripada moda-moda yang lain. Secara keseluruhan sepeda motor merupakan moda yang paling banyak digunakan (51.176%), disusul dengan kendaraan umum sebesar 26.087%. prosentase penggunaan sepeda, mobil, dan jalan kaki relatif kecil, sehingga sedikit banyak akan mempengaruhi hasil dari analisis pemodelan. Dalam tabel 4.7 berikut ini ditunjukkan cara penggunaan moda yang dilakukan oleh para pelaku perjalanan pada waktu berangkat/pulang sekolah/bekerja :

34

Tabel 4.7 Tabulasi Cara Penggunaan Moda Menum pang SD Strata pendidi kan

SMP SMU PT

Jumlah % Jumlah % Jumlah % Jumlah %

Total

0 0% 4 0.285% 15 1.069% 16 1.140% 35 2.495%

Penggunaan moda Naik Naik Diantar/ kend. kend. dijemput sendiri umum 44 42 19 3.136% 2.994% 1.354% 24 45 21 1.711% 3.207% 1.497% 32 232 159 2.281% 16.536% 11.333% 37 341 161 2.637% 24.31% 11.475% 137 660 360 9.765% 47.042% 25.659%

j.kaki 35 2.495% 16 1.14% 39 2.78% 121 8.624% 211 15.04%

Total 140 9.979% 110 7.84% 477 33.999% 676 48.182% 1403 100%

Sumber : Survey,2004 Berdasarkan tabel 4.7 terlihat bahwa untuk SD , dalam melakukan perjalanan responden lebih banyak diantar/dijemput (3.136%), sedangkan untuk SMP, SMU, dan PT responden lebih banyak naik kendaraan sendiri sebesar 3.207% untuk SMP,16.536% untuk SMU dan 24.305% untuk PT. Jadi secara keseluruhan dalam melakukan perjalanan responden lebih banyak menggunakan kendaraan sendiri (47.042%).

f. Alasan Pemilihan Moda Setiap responden mempunyai alasan tersendiri dalam pemilihan moda, misalnya biaya yang lebih murah, waktu tempuh yang lebih cepat, atau jarak dekat dan lain-lainnya. Alasan pemilihan moda ini akan ditabulasikan dalam tabel berikut:

35

Tabel 4.8 Tabulasi Alasan Pemilihan Moda

SD Strata pendidikan

SMP SMU PT

Jumlah % Jumlah % Jumlah % Jumlah %

Total

Biaya 11 0.784% 40 2.851% 99 7.056% 135 9.622% 285 20.314%

Alasan Pemilihan moda jarak waktu 20 91 1.426% 6.486% 33 34 2.352% 2.423% 129 173 9.195% 12.331% 128 305 9.123% 21.739% 310 593 22.096% 42.267%

lainnya 18 1.283% 13 0.927% 76 5.417% 108 7.698% 215 15.324%

Total 140 9.979% 110 7.84% 477 33.999% 676 48.182% 1403 100%

Sumber : Survey,2004 Berdasarkan tabulasi yang ada terlihat bahwa alasan pemilihan moda yang paling utama adalah waktu tempuh yang lebih cepat (42.267%), jarak yang lebih dekat (22.096%), sedangkan alasan biaya lebih murah sebesar 20.314% dan alasan lainnya sebesar 15.324%.

2. Data Pelengkap Data pelengkap ini dimaksudkan untuk melengkapi penjelasan yang telah ada terutama mengenai kondisi dan situasi di ruas jalan Letjend Sutoyo dan Mr Sartono, Surakarta berdasarkan pendapat dari para responden. Banyaknya perjalanan yang menuju ke area sekolah di kawasan Cengklik dipengaruhi oleh daya tarik sekolah tersebut, diantaranya yaitu biaya yang lebih murah, mutu pendidikan yang lebih baik, sarana transportasi yang lebih memadai, jarak dari rumah lebih dekat dan lainnya. Alasan yang mendorong timbulnya tarikan perjalanan tersebut dapat disajikan dalam gambar berikut:

36

Alasan Pemillihan Sekolah 60

48,325

50

Prosentase

40

30

20

17,034

15,324 11,475 10

7,84

0 Biaya

Mutu

Sarana transportasi

Jarak

Lainnya Alasan

Gambar 4.2 Alasan Pemilihan Sekolah

Berdasarkan gambar tersebut dapat diketahui bahwa alasan utama yang mendorong seseorang untuk memilih sekolah adalah karena mutu pendidikan yang lebih baik, yaitu sebesar 48.325%. Faktor tersebut juga mempengaruhi banyaknya tarikan perjalanan yang menuju ke kawasan pendidikan di Cengklik. Banyaknya perjalanan yang timbul berpengaruh terhadap ketersediaan tempat parkir dari tiap-tiap sekolahan yang ada diruas jalan Letjend Sutoyo dan Mr Sartono. Pendapat responden mengenai ketersediaan tempat parkir ini dapat ditunjukkan dalam gambar berikut :

37

Ketersediaan Tempat Parkir 70

60

57,163

Prosentase

50

40

30

26,586

20 13,614 10 2,637 0 Sangat Memadai

Cukup Memadai

Kurang Memadai

Sangat Kurang Memadai Tempat parkir

Gambar 4.3 Ketersediaan tempat parkir

Secara

keseluruhan,

sebagian

besar

responden

berpendapat

bahwa

ketersediaan tempat parkir cukup memadai (57.163%). Banyaknya sekolahan dan lebar ruas jalan yang sempit menjadi salah satu penyebab terjadinya konflik lalu lintas seperti kemacetan maupun kecelakaan. Konflik lalu lintas yang pernah dialami oleh responden di ruas jalan Letjend Sutoyo dan Mr Sartono secara lengkap disajikan dalam gambar berikut:

38

Prosentase Kemacetan 60

48,396

50

Prosentase

40

37,919

30

20 13,685 10

0 Tidak pernah

Jarang

Sering Kemacetan

Gambar 4.4 Kemacetan

Berdasarkan gambar 4.4 dapat dilihat responden yang

jarang mengalami

kemacetan di jalan letjend Sutoyo dan Mr. Sartono sebesar 48.396% dan 37.919% responden tidak pernah mengalami kemacetan, sedangkan responden sering mengalami kemacetan sebesar 13.685%, ini menunjukkan bahwa kemacetan di ruas jalan Letjend Sutoyo dan Mr. Sartono tidak terjadi sepanjang waktu, dan hanya terjadi pada saat tertentu. Kemungkinan terjadi kemacetan pada waktu jam puncak, dimana berdasarkan jawaban responden dari kuisioner, saat berangkat sekolah pada pukul 06.00-08.00 WIB dan pukul12.00-14.00 WIB saat pulang sekolah. Konflik lalu lintas yang berupa kecelakaan yang melibatkan responden di ruas jalan Letjend Sutoyo dan Mr. Sartono dapat dilihat pada gambar berikut:

39

Prosentase Kecelakaan 60

50,891 50

Prosentase

40

30 22,951 20 15,182 10,976 10

0 Tidak pernah

1x

2x

Sering Kecelakaan

Gambar 4.5 Kecelakaan Dari gambar 4.5 dapat dilihat bahwa 50.891% responden tidak pernah mengalami kecelakaan yang disebabkan oleh kondisi lalu lintas di jalan tersebut seperti tabrakan yang mengakibatkan luka ringan atau luka parah, kerusakan pada kendaraan, dan kecelakaan yang melibatkan responden sebesar 10.976%, responden yang pernah mengalami kecelakaan 1x sebanyak 22.951%, responden yang pernah mengalami kecelakaan 2x sebanyak 12.182%. Berdasarkan fakta yang ada dapat disimpulkan bahwa ruas jalan Letjend Sutoyo dan Mr. Sartono kurang begitu aman dan sering terjadi kecelakaan.

3. Tarikan perjalanan Tarikan perjalanan dalam analisis ini dibedakan menjadi tarikan perjalanan total, serta tarikan perjalanan berdasarkan moda yang digunakan. a. Tarikan Perjalanan Total Tarikan perjalanan total untuk tiap-tiap strata pendidikan tidak dapat dianalisis pemodelannya secara tersendiri, karena jumlah data pada beberapa strata terlalu kecil sehingga tidak didapatkan pemodelan yang signifikan, oleh

40

karena itu selanjutnya yang akan dianalisis hanya model tarikan untuk perjalanan total (keseluruhan strata pendidikan). Jumlah perjalanan total sebagai variabel dependent diperkirakan akan dipengaruhi oleh luas lahan, luas lantai bangunan, jumlah siswa, serta jumlah guru/karyawan. Luas lahan dan luas lantai bangunan dalam hal ini dibandingkan dengan jumlah penghuni. Berikut ini adalah data yang akan dianalisis untuk pemodelan Tabel 4.9 Data untuk analisis model Lokasi penelitian 1. SDN Cengklik 1 2. SDN Cengklik 2 3. SDN Bibis Luhur 1 4. SLTPN 7 5. SMUN 5 6. SMUN 6 7. SMU 1 TP 8. SMEA TP 9. STM 2 TP 10. UTP 11. STIE-AUB 12. STMIK-AUB 13. AAP Bentara Total

Luas Lahan (m2 ) 1252.5 1252.5 2505 7443 15010 37640 2227.5 2506 5957 12933 23714 7294 13861 133595.5

L.Lantai Bangunan (m2 ) 477 422 642 3961 5516 6761 2011 1020 3450 10464 9603 737 4146.64 49210.64

Jumlah Siswa

Jumlah Guru/kary

Jml total perjalanan

45 40 40 100 150 129 25 30 90 225 257 31 95 1257

5 5 5 10 20 13 4 5 11 36 13 9 10 146

50 45 45 440 170 142 29 35 101 261 270 40 105 1403

Sumber : Survey,2004

1). Koefisien Korelasi Variabel bebas-variabel bebas yang diperkirakan akan mempengaruhi pemodelan, dicari hubungannya dengan peubah terikat dan hubungan antara peubah bebas itu sendiri. Hubungan antar peubah yang ditinjau ditunjukkan dengan suatu nilai yang disebut koefisien korelasi. Hasil perhitungan koefisien korelasi antar peubah dan signifikansi koefisien korelasi ditunjukkan dalam tabel berikut :

41

Tabel 4.10 Koefisien Korelasi dan Signifikansi Koefisien Korelasi Korelasi

Signifikansi

Y 1.000

Y X1 X2 X3 X4 Y X1 X2 X3 X4

X1 .998 1.000

X2 .809 .768 1.000

X3 .645 .657 .408 1.000

.000

.000 .001

.009 .007 .083

X4 .971 .965 .813 .721 1.000 .000 .000 .000 .003

Sumber : Analisis Data Keterangan:

Y

= Tarikan perjalanan total

X1 = Jumlah siswa X2 = Jumlah guru/karyawan X3 = Luas lahan X4 = Luas bangunan 2). Bentuk Model Berdasarkan output dari analisis regresi dengan SPSS 10, diperoleh beberapa alternatif bentuk model yang selanjutnya dipertimbangkan bentuk model terbaik. Alternatif bentuk model beserta harga koefisien

determinasinya (R2 )

dapat dilihat pada tabel berikut: Tabel 4.11 Alternatif bentuk model No. 1. 2. 3. 4.

Bentuk Model Y = 7.290E-14 + X1 +X2 –3.61E-18X3 + 7.213E-17X4 Y = 4.070E-14+X1 +X2 +5.127E-17X4 Y = 3.782E-15+X1 +X2 Y = 3.926 +0.971X1 +2.678E-3X4

R2 1.000 1.000 1.000 .996

Sumber : Analisis Data

3). Signifikansi Koefisien Regresi Signifikansi Koefisien Regresi dalam suatu model regresi diuji dengan uji parsial (uji-t) dan uji simultan/uji-F/ Anova. Hasil dari kedua uji tersebut disajikan dalam tabel berikut :

42

Tabel 4.12 Uji Signifikansi Koefisien Regresi 1.

2.

3.

4.

Model Konstanta Jumlah siswa Jumlah guru/kary Luas lahan Luas bangunan Konstanta Jumlah siswa Jumlah guru/kary Luas bangunan Konstanta Jumlah siswa Jumlah guru/kary Konstanta Jumlah siswa Luas bangunan

A1 X1 X2 X3 X4 A2 X1 X2 X4 A3 X1 X2 A4 X1 X4

T hitung .000 4.5E7 1.0E7 .000 .000 .000 5.0E7 1.3E7 .000 .000 1.3E8 1.5E7 1.472 12.101 1.517

Sig. 1.000 .000 .000 1.000 1.000 1.000 .000 .000 1.000 1.000 .000 .000 .172 .000 .160

F 9.7E15

Sig. -

1.5E16

-

2.4E16

-

1344.355

.000

Sumber :Analisis Data

4). Kolinearitas Besarnya kolinearitas yang menyatakan hubungan antar sesama peubah dapat dilihat pada tabel berikut :

Tabel 4.13 Kolinearitas Collinearity Statistics Tolerance VIF

Model 1.

2.

3.

4.

Konstanta Jumlah siswa Jumlah guru/kary Luas lahan Luas bangunan Konstanta Jumlah siswa Jumlah guru/kary Luas bangunan Konstanta Jumlah siswa Jumlah guru/kary Konstanta Jumlah siswa Luas bangunan

Sumber :Analisis Data

A1 X1 X2 X3 X4 A2 X1 X2 X4 A3 X1 X2 A4 X1 X4

.061 .256 .351 .036

16.268 3.905 2.851 27.984

.068 .334 .056

14.792 2.995 17.958

.411 .411

2.434 2.434

.069 .069

14.597 14.597

43

Berdasarkan analisis yang telah ditabelkan (hasil perhitungan selengkapnya dengan SPSS 10 dapat dilihat pada lampiran C-1), diketahui bahwa tarikan perjalanan total dipengaruhi oleh jumlah siswa dan luas lantai bangunan, dengan bentuk pemodelan sebagai berikut : Y = 3.926 +0.971X1 +2.678E-3X4 Dimana: Y

= Jumlah perjalanan total

X1 = Jumlah siswa X4 = Luas lantai bangunan Model inilah yang selanjutnya akan dianalisis lebih lanjut, sebagai berikut: 1. Koefisien Korelasi Ø Tabel 4.10 menunjukkan bahwa koefisien korelasi untuk jumlah siswa (0.998) lebih besar dibandingkan dengan koefisien korelasi untuk variabel luas bangunan

(0.971),

hal

ini

menunjukkan

bahwa

jumlah

siswa

lebih

berpengaruh terhadap jumlah perjalanan total. Ø Tingkat signifikansi koefisien korelasi satu sisi dari output (diukur dari probabilitas) diketahui cukup signifikan karena probabilitasnya kurang dari 0.05.

2. Koefisien Determinasi Berdasarkan perhitungan yang dirangkum pada tabel 4.11 diperoleh harga koefisien determinasi (R square) sebesar 0.996. Hal ini berarti bahwa 99.6% jumlah perjalanan total dapat dijelaskan variabel jumlah siswa dan luas lantai bangunan, sedangkan sisanya (100% - 99.6%= 0.4%) dijelaskan oleh variabelvariabel yang lain.

3. Signifikansi Koefisien Regresi Signifikansi koefisien regresi dalam suatu model regresi diuji dengan menggunakan uji parsial (uji-t) dan uji simultan ♦ Uji-t Harga t- tabel:

44

-

Tingkat signifikansi (á) = 5%

-

df = jumlah data - 2 = 11

-

Untuk t-tabel dua sisi dari Lampiran D-1 didapat angka 1.796

Berdasarkan tabel 4.12 terlihat bahwa ada harga t-hitung > t-tabel (1.796), dan probabilitasnya <0.05, hal ini menunjukkan bahwa model tidak signifikan. ♦ Uji simultan / Uji-F Harga F tabel: -

Tingkat signifikansi (á) = 5%

-

Db regresi (pembilang) = jumlah peubah bebas = 2

-

Db residu ( penyebut) = jumlah data - jumlah peubah bebas–1=13-2-1=10

-

Berdasarkan tabel pada Lampiran D-2 diperoleh harga F tabel adalah 4.10

Harga F berdasarkan output yang tersaji pada tabel 4.12 adalah 1344.355 (>F tabel) dengan tingkat signifikansi .000 (<0.05), berarti dapat disimpulkan bahwa ada hubungan linear antara jumlah siswa dan luas lantai bangunan dengan jumlah perjalanan total.

4. Kolinearitas Ø Hubungan antara sesama peubah ditunjukkan dalam tabel 4.13, dimana diperoleh harga R2 = 1 – toleransi = 1 - 0.069 = 0.931, ini berarti bahwa ada 93.1% variabilitas jumlah siswa ataupun luas lantai bangunan yang

dapat

dijelaskan oleh prediktor (variabel bebas) yang lain. Ø Default SPSS bagi angka toleransi adalah 0.0001, sehingga variabel jumlah siswa dan luas lantai bangunan memenuhi syarat ambang toleransi. Ø Harga VIF dari dua variabel menunjukkan bahwa peubah tersebut ada permasalahan

dengan

multikolinearitas

(>10),

tetapi

permasalahan

multikolinearitas ini masih dapat dianalisis lebih lanjut berdasarkan nilai Eigen dan Condition Index, seperti dalam tabel berikut:

45

Tabel 4.14 Nilai Eigen dan Condition Index Model 4

Dimension 1 2 3

Eigenvalue 2.694 .293 1.367E-2

Condition Index 1.000 3.034 14.038

Sumber : Analisis Data

Multikolinearitas dapat terjadi jika terdapat variabel yang memiliki nilai Eigen mendekati 0, dan Condition Index yang lebih besar dari 15. Berdasarkan tabel 4.14 terlihat bahwa ada variabel yang memiliki nilai Eigen mendekati 0, tetapi semua harga Condition Index kurang dari 15, hal ini berarti bahwa multikolinearitas dalam model ini tidak menjadi masalah yang serius. Berdasarkan analisi diatas terlihat bahwa bentuk model Y = 3.926 +0.971X1 +2.678E-3X4 tidak signifikan.

b. Tarikan perjalanan untuk masing-masing Moda Tarikan perjalanan ini dibedakan berdasarkan penggunaan moda yaitu, sepeda, sepeda motor, mobil, bus, dan berjalan kaki, yang masing-masing ditentukan

sebagai

variabel

dependent.

Variabel

bebas

yang

diperkirakan

berpengaruh terhadap tarikan perjalanan ini adalah jumlah penghuni, luas lahan, kepemilikan kendaraan, biaya, jarak, dan waktu tempuh. (data yang akan dianalisis selengkapnya dapat dilihat pada lampiran C-7)

1). Analisis Model Tarikan Perjalanan dengan sepeda a). Koefisien Korelasi Perjalanan dengan menggunakan sepeda sebagai variabel dependent dicari hubungannya dengan peubah jumlah penghuni total, luas lahan, luas bangunan, jumlah pemilik sepeda, jumlah pemilik sepeda motor, jumlah pemilik mobil, jumlah responden yang tidak punya kendaraan, biaya, jarak, dan waktu tempuh.

46

Hubungan antar peubah ini ditunjukkan dengan harga koefisien korelasi seperti dalam tabel berikut:

Tabel 4.15 Koefisien Korelasi dan signifikansi Koefisien Korelasi K O R E L A S I

S I G N I F I K A N S I

JPS JP LL LB PS PSM PM TP Biaya Jarak Waktu

JPS 1.000

JP -.072 1.000

LL -.101 .645 1.000

LB -.095 .971 .721 1.000

PS .262 .784 .290 .774 1.000

PSM -.140 .981 .716 .956 .733 1.000

PM -.093 .679 .542 .578 .285 .743 1.000

TP -.239 .581 .250 .587 .486 .536 .135 1.000

Biaya

Jarak

Waktu

.169 .919 .631 .915 .753 .890 .623 .564 1.000

-.064 .847 .555 .844 .819 .867 .575 276 .692 1.000

-.146 .930 .632 .872 .602 .916 .709 .685 .848 .641 1.000

.

.408

.371 .009

.379 .000 .003

.193 .001 .168 .001

.324 .000 .003 .000 .002

.381 .005 .028 .019 .172 .002

.216 .019 .205 .018 .046 .029 .331

.290 .000 .010 .000 .001 .000 .011 .022

.417 .000 .025 .000 .000 .000 .020 .181 .004

.317 .000 .010 .000 .015 .000 .003 .005 .000 .009 .

JPS JP LL LB PS PSM PM TP Biaya Jarak Waktu

Sumber : Analisis Data

Keterangan :

JPS = Jumlah perjalanan dengan sepeda JP

= Jumlah penghuni

LL

= Luas lahan

LB

= Luas bangunan

PS

= Pemilik sepeda

PSM = Pemilik sepeda motor PM = Pemilik mobil TP

= Tidak punya kendaraan

47

b). Bentuk Model Beberapa alternatif bentuk model yang diperoleh berdasarkan output analisis regresi dengan program SPSS 10, disajikan dalam tabel berikut: Tabel 4.16 Alternatif Bentuk Model No. 1. 2. 3. 4. 5. 6. 7. 8. 9.

Bentuk model Y= -0.159+2.809E-2X1 +7.730E-4X2 -5.46E-3X3 +0.330X4 -0.507X5 +0.173X6 – 0.428X7 +1.026X8 +0.397X9 +0.385X10 Y = -3.41E-2+7.390E-4X2 -5.52E-3X3 +0.309X4 -0.505X5 +0.100X6 -0.449X7 + 1.090X8 +0.458X9 +0.430X10 Y= 1.280E-2+7.281E-4X2 -5.94E-3X3 +0.282X4 -0.504X5 -0.457X7 +1.151X8 + 0.512X9 +0.453X10 Y= 1.063+6.640E-4X2 -4.52E-3X3 +0.417X4 -0.297X5 -0.718X7 +0.799X8 +0.29X10 Y= 3.111+5.901E-4X2 -5.10E-3X3 +0.342X4 -0.159X5 -0.383X7 +0.917X8 Y= 1.927+7.343E-4X2 -6.16E-3X3 +0.367X4 -0.150X5 +0.834X8 Y= 0.219+6.622E-4X2 -8.61E-3X3 +0.361X4 +0.834X8 Y= 2.556-6.09E-3X3 +0.223X4 +0.835X8 Y= 8.891-1.840E-2X5-0.383X7 -0.189X6

R2 .921 .921 .921 .897 .838 .793 .717 .596 .064

Sumber : Analisis Data Keterangan:

Y

= Jumlah perjalanan dengan sepeda

X1

= Jumlah penghuni

X2

= Luas lahan

X3

= Luas bangunan

X4

= Jumlah pemilik sepeda

X5

=Jumlah Pemilik sepeda motor

X6

= Jumlah Pemilik mobil

X7

= Jumlah responden Tidak punya kendaraan

X8

= Biaya

X9

= Jarak

X10 = Waktu tempuh c). Signifikansi Koefisien Regresi Signifikansi dalam suatu model regresi diuji dengan uji parsial (uji-t) dan uji simultan (uji-F / Anova). Perhitungan dari kedua uji tersebut dapat dilihat dalam tabel berikut:

48

Tabel 4.17 Signifikansi Koefisien Regresi 1.

2.

3.

4.

5.

Model Konstanta Jumlah penghuni Luas lahan Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Tidak punya kendaraan Biaya Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Tidak punya kendaraan Biaya

T hitung A1 -.028 X1 .039 X2 .785 X3 -.834 X4 .479 X5 -1.625 X6 .076 X7 -.541 X8 .537 X9 .214 = Waktu X10 tempuh .308 A2 -.009 X2 2.064 X3 -1.060 X4 .916 X5 -2.011 X6 .096 X7 -.968 X8 1.408 X9 .588 = Waktu X10 tempuh 1.240 A3 .004 X2 2.473 X3 -2.376 X4 1.756 X5 -2.318 X7 -1.156 X8 2.954 X9 1.109 = Waktu X10 tempuh 2.028 A4 .337 X2 2.249 X3 -2.058 X4 3.952 X5 -2.605 X7 -2.203 X8 3.460 = Waktu X10 tempuh 1.685 A5 .934 X2 1.768 X3 -2.054 X4 3.127 X5 -1.756 X7 -1.297 X9 3.649

Sig. .980 .973 .515 .492 .679 .246 .946 .643 .645 .850 .787 .993 .131 .367 .427 .138 .930 .404 .254 .598 .303 .997 .069 .076 .154 .081 .312 .042 .330 .112 .750 .074 .095 .011 .048 .079 .018 .153 .386 .127 .086 .020 .130 .242 .011

F

Sig.

2.341

.336

3.898

.145

5.827

.053

6.200

.031

5.174

.033

49

Lanjutan Tabel 4.17 Signifikansi Koefisien Regresi 6.

7.

8.

9.

Model T hitung Konstanta A6 .574 Kuas kahan X2 2.228 Luas bangunan X3 -2.511 Pemilik sepeda X4 3.253 Pemilik sepeda motor X5 -1.592 Biaya = Waktu X9 tempuh 3.387 Konstanta A7 .063 Luas lahan X2 1.858 Luas bangunan X3 -4.135 Pemilik sepeda X4 2.931 Biaya X9 2.937 Konstanta A8 .701 Luas bangunan X3 -3.418 Pemilik sepeda X4 2.012 Biaya X9 2.607 Konstanta A9 1.500 Pemilik sepeda motor X5 .183 Tidak punya kendaraan X7 -.654 Pemilik mobil X6 -.261

Sig. .584 .061 .040 .014 .155 .012 .951 .100 .003 .019 .019 .501 .008 .075 .028 .168 .859 .529 .800

F

Sig.

5.350

.024

5.080

.025

4.419

.036

.207

.889

Sumber : Analisis Data

d). Kolinearitas Besarnya kolinearitas yang menyatakan hubungan antar sesama peubah ditunjukkan dalam tabel berikut: Tabel 4.18 Kolinearitas pada Model Model 1.

Collinearity Statistics Tolerance VIF

Konstanta A1 Jumlah penghuni X1 Luas lahan X2 Luas bangunan X3 pemilik sepeda X4 Pemilik sepeda motor X5 Pemilik mobil X6 Tidak punya kendaraan X7 Biaya X8 Jarak X9 Waktu = Waktu X10 tempuh

.001 .044 .009 .009 .010 .013 .116 .004 .003 .003

756.867 22.734 105.953 113.518 99.858 74.451 8.657 258.480 382.046 357.043

50

Lanjutan Tabel 4.18 Kolinearitas pada Model Model 2.

3.

4.

5.

6.

7.

Konstanta Luas lahan Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Tidak punya kendaraan Biaya Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Tidak punya kendaraan Biaya Konstanta Kuas kahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Biaya Konstanta Luas lahan Luas bangunan Pemilik sepeda Biaya

Collinearity Statistics Tolerance VIF A2 X2 X3 X4 X5 X6 X7 X8 X9 = Waktu X10 tempuh A3 X2 X3 X4 X5 X7 X8 X9 = Waktu X10 tempuh A4 X2 X3 X4 X5 X7 X8 = Waktu X10 tempuh A5 X2 X3 X4 X5 X7 X9 A6 X2 X3 X4 X5 = Waktu X9 tempuh A7 X2 X3 X4 X9

.222 .010 .024 .010 .043 .224 .016 .010 .024

4.508 100.444 40.843 96.915 23.485 4.465 63.629 100.993 41.358

.247 .033 .081 .010 .232 .047 .021 .044

4.052 30.732 12.286 96.902 4.317 21.400 47.311 22.735

.257 .044 .196 .039 .358 .139 .077

3.896 22.720 5.100 25.464 2.797 7.185 12.953

.262 .045 .239 .082 .570 .153

3.810 22.174 4.190 12.216 1.754 6.520

.295 .051 .246 .082 .155

3.387 19.753 4.061 12.155 6.469

.301 .064 .247 .157

3.323 11.953 4.056 6.359

51

Lanjutan Tabel 4.18 Kolinearitas pada Model Collinearity Statistics Tolerance VIF

Model 8.

9.

Konstanta Luas bangunan Pemilik sepeda Biaya Konstanta Pemilik sepeda motor Tidak punya kendaraan Pemilik mobil

A8 X3 X4 X9 A9 X5 X7 X6

.145 .389 .157

6.874 2.571 6.359

.253 .556 .349

3.946 1.798 2.862

Sumber : Analisis Data Berdasarkan tabel 4.16 (hasil selengkapnya dengan SPSS 10 dapat dilihat pada Lampiran C-7) diperoleh model terbaik, dimana diketahui bahwa tarikan perjalanan dengan sepeda dipengaruhi Luas bangunan, pemilik sepeda dan biaya, dengan bentuk pemodelan sebagai berikut: Y= 2.556-6.09E-3X3 +0.223X4 +0.835X8 Dimana: Y

= Tarikan perjalanan dengan sepeda

X3 = Luas bangunan X4 = Pemilik sepeda X8 = Biaya Model inilah yang selanjutnya akan dianalisis lebih lanjut, sebagai berikut: 1). Koefisien Korelasi Berdasarkan tabel 4.15 terlihat bahwa koefisien korelasi untuk biaya (X8 ) lebih besar dibandingkan dengan koefisien korelasi untuk variabel luas bangunan (X3 ) maupun jumlah pemilik sepeda (X4 ), hal ini berarti bahwa biaya lebih berpengaruh terhadap jumlah perjalanan dengan sepeda (Y). Tingkat signifikansi koefisien korelasi untuk satu sisi dari output (diukur dari probabilitas) diketahui tidak signifikan karena probabilitasnya lebih dari 0.05.

2). Koefisien Determinasi Berdasarkan hasil analisis pada tabel 4.16 diperoleh harga koefisien determinasi (R square) sebesar 0.596, hal ini berarti bahwa 59.6% jumlah

52

perjalanan dengan sepeda dapat dijelaskan oleh variabel luas bangunan, pemilik sepeda dan biaya, sedangkan sisanya (100%-59.6%=40.4%) dijelaskan oleh variabel-variabel yang lain. 3). Signifikansi Koefisien Regresi Signifikansi koefisien regresi dalam suatu model regresi diuji dengan menggunakan uji parsial (uji-t) dan uji simultan ♦ Uji-t Harga t- tabel: -

Tingkat signifikansi (á) = 5%

-

df = jumlah data - 2 = 11

-

Untuk t-tabel dua sisi dari Lampiran D-1 didapat angka 1.796

Berdasarkan tabel 4.17 terlihat bahwa semua harga t- hitung > t- tabel (1.796), dan probabilitasnya <0.05, tetapi harga konstantanya kurang signifikan. ♦ Uji simultan / Uji-F Harga F tabel: -

Tingkat signifikansi (á) = 5%

-

Db regresi (pembilang) = jumlah peubah bebas = 3

-

Db residu ( penyebut) = jumlah data - jumlah peubah bebas–1=13-3-1=9

-

Berdasarkan tabel pada Lampiran D-2 diperoleh harga F tabel adalah 3.86

Harga F berdasarkan output yang tersaji pada tabel 4.17 adalah 4.419 (>F tabel) dengan tingkat signifikansi .036 (<0.05), berarti dapat disimpulkan bahwa ada hubungan linear antara luas lantai bangunan, pemilik sepeda dan biaya dengan jumlah perjalanan dengan menggunakan sepeda. 4). Kolinearitas Ø Hubungan antara sesama peubah ditunjukkan dalam tabel 4.18, misalnya untuk variabel biaya dimana diperoleh harga R2 = 1 – toleransi = 1 - 0.157 = 0.843, ini berarti bahwa ada 84.3% variabilitas biaya dapat dijelaskan oleh prediktor (variabel bebas) yang lain.

53

Ø Default SPSS bagi angka toleransi adalah 0.0001, sehingga semua variabel telah memenuhi syarat ambang toleransi. Ø Harga VIF dari masing-masing variabel menunjukkan bahwa peubah tersebut tidak ada permasalahan dengan multikolinearitas. Berdasarkan analisis tersebut terlihat bahwa bentuk model Y= 2.556-6.09E-3X3 +0.223X4 +0.835X8 tidak signifikan. 2). Analisis Model Tarikan Perjalanan dengan sepeda motor a). Koefisien Korelasi Perjalanan dengan menggunakan sepeda motor sebagai variabel dependent dicari hubungannya dengan peubah jumlah penghuni total, luas lahan, luas bangunan, jumlah pemilik sepeda, jumlah pemilik sepeda motor, jumlah pemilik mobil, jumlah responden yang tidak punya kendaraan, biaya, jarak, dan waktu tempuh. Hubungan antar peubah ini ditunjukkan dengan harga koefisien korelasi seperti dalam tabel berikut: Tabel 4.19 Koefisien Korelasi dan signifikansi Koefisien Korelasi K O R E L A S I

S I G N I F I K A N S I

JPSM JP LL LB PS PSM PM TP Biaya Jarak Waktu JPSM JP LL LB PS PSM PM TP Biaya Jarak Waktu

JPSM 1.000

JP .982 1.000

LL .654 .645 1.000

LB .964 .971 .721 1.000

PS .755 .784 .290 .774 1.000

PSM .981 .981 .716 .956 .733 1.000

PM .657 .679 .542 .578 .285 .743 1.000

TP .611 .581 .250 .587 .486 .536 .135 1.000

Biaya

Jarak

Waktu

.851 .919 .631 .915 .753 .890 .623 .564 1.000

.869 .847 .555 .844 .819 .867 .575 276 .692 1.000

.916 .930 .632 .872 .602 .916 .709 .685 .848 .641 1.000

.

.000

.008 .009

.000 .000 .003

.001 .001 .168 .001

.000 .000 .003 .000 .002

.007 .005 .028 .019 .172 .002

.013 .019 .205 .018 .046 .029 .331

.000 .000 .010 .000 .001 .000 .011 .022

.000 .000 .025 .000 .000 .000 .020 .181 .004

.000 .000 .010 .000 .015 .000 .003 .005 .000 .009 .

Sumber : Analisis Data

54

Keterangan :

JPSM= Jumlah perjalanan dengan sepeda motor JP

= Jumlah penghuni

LL

= Luas lahan

LB

= Luas bangunan

PS

= Pemilik sepeda

PSM = Pemilik sepeda motor PM = Pemilik mobil TP

= Tidak punya kendaraan

b). Bentuk Model Beberapa alternatif bentuk model yang diperoleh berdasarkan output analisis regresi dengan program SPSS 10, disajikan dalam tabel berikut: Tabel 4.20 Alternatif Bentuk Model No. 1. 2. 3. 4. 5. 6. 7.

Bentuk model Y= -4.208+0.470X1 -8.24E-6X2 +5.752E-3X3 +0.132X4 + 0.290X5 +0.707X6 +0.743X7 -1.350X8 -0.407X9 -0.366X10 Y = -4.240+0.476X1 +5.763E-3X3 +0.137X4 +0.289X5 +0.723X6 +0.748X7 1.363X8 -0.419X9 -0.375X10 Y= -4.317+0.447X1 +3.971E-3X3 +0.241X5 +0.347X6 +0.790X7 -1.022X8 -6.53E2X9 -0.227X10 Y= -4.484+0.417X1 +3.971E-3X3 +0.224X5 +0.335X6 +0.784X7 -0.976X8 -0.172X10 Y= -4.389+0.390X1 +3.041E-3X3 +0.293X5 +0.633X7 -0.913X8 -0.110X10 Y= -4.594+0.347X1 +3.756E-3X3 +0.273X5 +0.517X7 -0.921X8 Y= -3.970+0.667X5

Sumber : Analisis Data Keterangan: Y = Jumlah perjalanan dengan sepeda motor X1

= Jumlah penghuni

X2

= Luas lahan

X3

= Luas bangunan

X4

= Jumlah pemilik sepeda

X5

=Jumlah Pemilik sepeda motor

X6

= Jumlah Pemilik mobil

X7

= Jumlah responden Tidak punya kendaraan

X8

= Biaya

X9

= Jarak

X10 = Waktu tempuh

R2 .997 .997 .996 .996 .996 .995 .961

55

c). Signifikansi Koefisien Regresi Signifikansi dalam suatu model regresi diuji dengan uji parsial (uji-t) dan uji simultan (uji-F / Anova). Perhitungan dari kedua uji tersebut dapat dilihat dalam tabel berikut:

Tabel 4.21 Signifikansi Koefisien Regresi 1.

2.

3.

4.

Model Konstanta Jumlah penghuni Luas lahan Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Jumlah penghuni Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Jumlah penghuni Luas bangunan Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Jumlah penghuni Luas bangunan Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Waktu

A1 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 A2 X1 X3 X4 X5 X6 X7 X8 X9 X10 A3 X1 X3 X5 X6 X7 X8 X9 X10 A4 X1 X3 X5 X6 X7 X8 X10

T hitung -.833 .719 -.009 .979 .214 1.035 .346 1.047 -.788 -.245 -.327 -1.394 2.000 1.229 .476 1.311 .758 1.849 -1.699 -.505 -.777 -1.583 2.164 1.598 1.369 .722 2.228 -3.171 -.198 -.685 -1.924 3.341 1.782 1.622 .781 2.469 -4.776 -1.056

Sig. .492 .547 .993 .431 .850 .409 .762 .405 .513 .830 .775 .258 .139 .307 .667 .281 .504 .162 .188 .648 .494 .189 .096 .185 .243 .510 .090 .034 .852 .531 .112 .021 .135 .166 .470 .057 .005 .339

F

Sig.

58.840

.017

98.063

.002

136.743

.000

193.437

.000

56

Lanjutan Tabel 4.21 Signifikansi Koefisien Regresi 5.

6.

7.

Model Konstanta Jumlah penghuni Luas bangunan Pemilik sepeda motor Tidak punya kendaraan Biaya Waktu Konstanta Jumlah penghuni Luas bangunan Pemilik sepeda motor Tidak punya kend. Biaya Konstanta Pemilik sepeda motor

A5 X1 X3 X5 X7 X8 X10 A6 X1 X3 X5 X7 X8 A6 X5

T hitung -1.950 3.363 1.670 2.968 2.598 -5.033 -.799 -2.110 3.468 2.433 2.935 2.717 -5.218 -.891 16.557

Sig. .099 .015 .146 .025 .041 .002 .455 .073 .010 .045 .022 .030 .001 .392 .000

F

Sig.

241.264

.000

305.137

.000

274.139

.000

Sumber : Analisis Data

d). Kolinearitas Besarnya kolinearitas yang menyatakan hubungan antar sesama peubah ditunjukkan dalam tabel berikut:

Tabel 4.22 Kolinearitas pada Model

Collinearity Statistics Tolerance VIF

Model 1.

Konstanta Jumlah penghuni Luas lahan Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu

A1 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10

.001 .044 .009 .009 .010 .013 .116 .004 .003 .003

756.967 22.734 105.953 113.518 99.858 74.451 8.657 258.480 382.480 357.043

57

Lanjutan Tabel 4.22 Kolinearitas pada Model Collinearity Statistics Tolerance VIF

Model 2.

3.

4.

5.

6.

7.

Konstanta Jumlah penghuni Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Jumlah penghuni Luas bangunan Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Jumlah penghuni Luas bangunan Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Waktu Konstanta Jumlah penghuni Luas bangunan Pemilik sepeda motor Tidak punya kendaraan Biaya Waktu Konstanta Jumlah penghuni Luas bangunan Pemilik sepeda motor Tidak punya kend. Biaya Konstanta Pemilik sepeda motor

Sumber : Analisis Data

A2 X1 X3 X4 X5 X6 X7 X8 X9 X10 A3 X1 X3 X5 X6 X7 X8 X9 X10 A4 X1 X3 X5 X6 X7 X8 X10 A5 X1 X3 X5 X7 X8 X10 A6 X1 X3 X5 X7 X8 A6 X5

.007 .010 .027 .011 .041 .237 .012 .007 .010

150.098 101.245 37.036 92.956 24.344 4.215 84.991 142.452 99.783

.007 .028 .014 .130 .249 .059 .036 .017

140.239 35.120 73.587 7.668 4.015 16.990 27.877 58.271

.016 .028 .018 .133 .251 .118 .058

63.272 35.106 56.044 7.537 3.990 8.468 17.381

.017 .040 .032 .398 .140 .076

58.428 25.073 31.215 2.515 7.128 13.227

.022 .053 .035 .620 141

45.850 19.011 28.735 1.613 7.108

1.000

1.000

58

Berdasarkan analisis yang telah dilakukan, model yang terbaik adalah model nomor 7 dimana tarikan perjalanan dengan sepeda motor hanya dipengaruhi oleh jumlah pemilik sepeda motor, tetapi model nomor 6 lebih mendekati keadaan yang sebenarnya, dimana tarikan perjalanan dengan sepeda motor dipengaruhi oleh JP, LB, PSM, TP, dan Biaya, tetapi model ini mempunyai persoalan dengan multikolinearitas. Bentuk pemodelannya adalah sebagai berikut: Y= -4.594+0.347X1 +3.756E-3X3 +0.273X5 +0.517X7 -0.921X8 Dimana :

Y

= Jumlah perjalanan dengan sepeda motor

X1

= Jumlah penghuni

X3

= Luas bangunan

X5

=Jumlah Pemilik sepeda motor

X7

= Jumlah responden Tidak punya kendaraan

X8

= Biaya

Model inilah yang akan dianalisis lebih lanjut, sedangkan hasil perhitungan dengan SPSS 10 selengkapnya dapat dilihat pada Lampiran C-17.

1). Koefisien Korelasi Berdasarkan tabel 4.19 terlihat bahwa koefisien korelasi untuk jumlah penghuni (X1 ) lebih besar dibandingkan dengan koefisien korelasi untuk variabel luas bangunan (X3 ), jumlah pemilik sepeda motor (X5 ), jumlah responden tidak punya kendaraan (X7 ) dan biaya (X8 ), hal ini berarti bahwa jumlah penghuni lebih berpengaruh terhadap jumlah perjalanan dengan sepeda motor (Y). Tingkat signifikansi koefisien korelasi untuk satu sisi dari output (diukur dari probabilitas) diketahui cukup signifikan karena probabilitasnya kurang dari 0.05.

2). Koefisien Determinasi Berdasarkan hasil analisis pada tabel 4.20 diperoleh harga koefisien determinasi (R square) sebesar 0.995, hal ini berarti bahwa 99.5% jumlah perjalanan dengan sepeda motor dapat dijelaskan oleh variabel jumlah penghuni, luas bangunan, pemilik sepeda motor, jumlah responden tidak punya kendaraan

59

dan biaya, sedangkan sisanya (100%-99.5%=0.5%) dijelaskan oleh variabelvariabel yang lain.

3). Signifikansi Koefisien Regresi Signifikansi koefisien regresi dalam suatu model regresi diuji dengan menggunakan uji parsial (uji-t) dan uji simultan ♦ Uji-t Harga t- tabel: -

Tingkat signifikansi (á) = 5%

-

df = jumlah data - 2 = 11

-

Untuk t-tabel dua sisi dari Lampiran D-1 didapat angka 1.796

Berdasarkan tabel 4.21 terlihat bahwa semua harga t- hitung > t- tabel (1.796), dan probabilitasnya <0.05, hal ini menunjukkan bahwa model cukup signifikan. ♦ Uji simultan / Uji-F Harga F tabel: -

Tingkat signifikansi (á) = 5%

-

Db regresi (pembilang) = jumlah peubah bebas = 5

-

Db residu ( penyebut) = jumlah data - jumlah peubah bebas–1=13-5-1=7

-

Berdasarkan tabel pada Lampiran D-2 diperoleh harga F tabel adalah 3.97

Harga F berdasarkan output yang tersaji pada tabel 4.21 adalah 305.137 (>F tabel) dengan tingkat signifikansi .000 (<0.05), berarti dapat disimpulkan bahwa ada hubungan linear antara variabel bebas dengan jumlah perjalanan dengan menggunakan sepeda motor.

4). Kolinearitas Ø Hubungan antara sesama peubah ditunjukkan dalam tabel 4.22, misalnya untuk variabel biaya dimana diperoleh harga R2 = 1 – toleransi = 1 - 0.141 =

60

0.859, ini berarti bahwa ada 85.9% variabilitas biaya dapat dijelaskan oleh prediktor (variabel bebas) yang lain. Ø Default SPSS bagi angka toleransi adalah 0.0001, sehingga semua variabel telah memenuhi syarat ambang toleransi. Ø Harga VIF dari tiga variabel menunjukkan bahwa peubah tersebut ada permasalahan

dengan

multikolinearitas

(>10),

tetapi

permasalahan

multikolinearitas ini masih dapat dianalisis lebih lanjut berdasarkan nilai Eigen dan Condition Index, seperti dalam tabel berikut: Tabel 4.23 Nilai Eigen dan Condition Index Model 6

Dimension 1 2 3 4 5 6

Eigenvalue 5.285 .334 .310 4.888E-2 1.874E-2 5.294E-3

Condition Index 1.000 3.978 4.126 10.398 17.768 31.596

Sumber : Analisis Data

Multikolinearitas dapat terjadi jika terdapat variabel yang memiliki nilai Eigen mendekati 0, dan Condition Index yang lebih besar dari 15. Berdasarkan tabel 4.23 terlihat bahwa ada variabel yang memiliki nilai Eigen mendekati 0, dan Condition Index ada yang lebih dari 15, hal ini berarti bahwa multikolinearitas dalam model ini tidak menjadi masalah. Berdasarkan analisi diatas terlihat bahwa bentuk model Y= -4.594+0.347X1 +3.756E-3X3 +0.273X5 +0.517X7 -0.921X8 Cukup signifikan.

3). Analisis Model Tarikan Perjalanan dengan Mobil a). Koefisien Korelasi Perjalanan dengan menggunakan mobil sebagai variabel dependent dicari hubungannya dengan peubah jumlah penghuni total, luas lahan, luas bangunan, jumlah pemilik sepeda, jumlah pemilik sepeda motor, jumlah pemilik mobil, jumlah responden yang tidak punya kendaraan, biaya, jarak, dan waktu tempuh.

61

Hubungan antar peubah ini ditunjukkan dengan harga koefisien korelasi seperti dalam tabel berikut:

Tabel 4.24 Koefisien Korelasi dan signifikansi Koefisien Korelasi K O R E L A S I

S I G N I F I K A N S I

JPM JP LL LB PS PSM PM TP Biaya Jarak Waktu

JPM 1.000

JP .723 1.000

LL .268 .645 1.000

LB .681 .971 .721 1.000

PS .692 .784 .290 .774 1.000

PSM .732 .981 .716 .956 .733 1.000

PM .430 .679 .542 .578 .285 .743 1.000

TP .453 .581 .250 .587 .486 .536 .135 1.000

Biaya

Jarak

Waktu

.514 .919 .631 .915 .753 .890 .623 .564 1.000

.768 .847 .555 .844 .819 .867 .575 .276 .692 1.000

.633 .930 .632 .872 .602 .916 .709 .685 .848 .641 1.000

.

.003

.188 .009

.005 .000 .003

.004 .001 .168 .001

.002 .000 .003 .000 .002

.071 .005 .028 .019 .172 .002

.060 .019 .205 .018 .046 .029 .331

.036 .000 .010 .000 .001 .000 .011 .022

.001 .000 .025 .000 .000 .000 .020 .181 .004

.010 .000 .010 .000 .015 .000 .003 .005 .000 .009 .

JPM JP LL LB PS PSM PM TP Biaya Jarak Waktu

Sumber : Analisis Data

Keterangan :

JPM = Jumlah perjalanan dengan mobil JP

= Jumlah penghuni

LL

= Luas lahan

LB

= Luas bangunan

PS

= Pemilik sepeda

PSM = Pemilik sepeda motor PM = Pemilik mobil TP

= Tidak punya kendaraan

b). Bentuk Model Beberapa alternatif bentuk model yang diperoleh berdasarkan output analisis regresi dengan program SPSS 10, disajikan dalam tabel berikut:

62

Tabel 4.25 Alternatif Bentuk Model No. 1. 2. 3. 4. 5. 6. 7. 8. 9.

Bentuk model Y= 0.544-5.79E-3E-2X1 -1.13E-4X2 +8.036E-4X3 +5.201E-2X4 +8.097E-2X5 +5.707E-2X6 -2.00E-2X7 -0.207X8 -0.109X9 -4.00E-2X10 Y = 0.518-1.06E-4X2 +8.155E-4X3 +5.638E-2X4 +8.055E-2X5 +7.201E-2X6 1.56E-2X7 -0.221X8 -0.121X9 -4.93E-2X10 Y= 0.497-1.02E-4X2 +7.900E-4X3 +5.492E-2X4 +7.795E-2X5 +7.842E-2X6 – 0.216X8 -0.114X9 -5.06E-2X10 Y= 0.526-1.10E-4X2 +4.424E-4X3 +3.242E-2X4 +7.707E-2X5 -0.166X8 -6.72E-2X8 - 3.30E-2X10 Y= 0.303-9.93E-5X2 +3.595E-4X3 +2.562E-2X4 +5.012E-2X5 -0.143X8 -2.31E-2X8 Y= 0.370-1.06E-4X2 +3.374E-4X3 +1.629E-2X4 +4.384E-2X5 -0.123X8 Y= 0.186-8.71E-5X2 +2.305E-2X4 +5.200E-2X5 -0.109X8 Y= 0.318-1.22E-4X2 +5.933E-2X5 -8.91E-2X8 Y= 0.311+3.057E-2X5 -6.70E-2X6

R2 .827 .827 .826 .823 .814 .810 .798 .767 .532

Sumber : Analisis Data

Keterangan:

Y

= Jumlah perjalanan dengan mobil

X1

= Jumlah penghuni

X2

= Luas lahan

X3

= Luas bangunan

X4

= Jumlah pemilik sepeda

X5

=Jumlah Pemilik sepeda motor

X6

= Jumlah Pemilik mobil

X7

= Jumlah responden Tidak punya kendaraan

X8

= Biaya

X9

= Jarak

X10 = Waktu tempuh

c). Signifikansi Koefisien Regresi Signifikansi dalam suatu model regresi diuji dengan uji parsial (uji-t) dan uji simultan (uji-F / Anova). Perhitungan dari kedua uji tersebut dapat dilihat dalam tabel berikut:

63

Tabel 4.26 Signifikansi Koefisien Regresi 1.

2.

3.

4.

5.

Model Konstanta Jumlah penghuni Luas lahan Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Biaya Jarak Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Biaya jarak Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Biaya jarak

T hitung A1 .297 X1 -.024 X2 -.352 X3 .377 X4 .232 X5 .798 X6 .077 X7 -.078 X8 -.334 X9 -.180 = Waktu X10 tempuh -.098 A2 .424 X2 -.907 X3 .481 X4 .514 X5 .987 X6 .212 X7 -.103 X8 -.876 X9 -.478 = Waktu X10 tempuh -.437 A3 .46 X2 -1.057 X3 .543 X4 .582 X5 1.157 X6 .270 X8 -1.003 X9 -.539 = Waktu X10 tempuh .519 A4 .561 X2 -1.309 X3 .720 X4 .807 X5 1.269 X8 -1.720 X9 -.615 = Waktu X10 tempuh -.504 A5 .392 X2 -1.307 X3 .649 X4 .724 X5 1.861 X8 -1.794 X9 -.377

Sig. .794 .983 .759 .742 .838 .509 .946 .945 .770 .874 .931 .700 .431 .663 .643 .397 .846 .924 .446 .665 .692 .659 .350 .616 .592 .312 .800 .373 .618 .631 .599 .248 .504 .456 .260 .146 .565 .636 .709 .239 .540 .496 .112 .123 .719

F

Sig.

.957

.613

1.594

.385

2.380

.210

3.327

.102

4.384

.048

64

Lanjutan Tabel 4.26 Signifikansi Koefisien Regresi 6.

7.

8.

9.

Model Konstanta Kuas kahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Biaya Konstanta Luas lahan Pemilik sepeda Pemilik seepda motor Biaya Konstanta Luas Lahan Pemilik sepeda motor Biaya Konstanta Pemilik sepeda motor Pemilik mobil

T hitung A6 .524 X2 -1.528 X3 .654 X4 .686 X5 2.209 = Waktu X9 tempuh -2.227 A7 .298 X2 -1.434 X4 1.119 X5 3.496 X9 -2.221 A8 .513 X2 -2.317 X5 4.381 X8 -1.921 A9 .346 X5 2.538 X6 -.678

Sig. .617 .170 .534 .515 .063 .061 .774 .190 .295 .008 .057 .620 .046 .002 .087 .737 .032 .515

F

Sig.

5.963

.018

7.912

.007

9.855

.003

5.112

.033

Sumber : Analisis Data

d). Kolinearitas Besarnya kolinearitas yang menyatakan hubungan antar sesama peubah ditunjukkan dalam tabel berikut: Tabel 4.27 Kolinearitas pada Model Collinearity Statistics Tolerance VIF

Model 1.

Konstanta Jumlah penghuni Luas lahan Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu

A1 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10

.001 .044 .009 .009 .010 .013 .116 .004 .003 .003

756.867 22.734 105.953 113.518 99.858 74.451 8.657 258.480 382.046 357.043

65

Lanjutan Tabel 2.27 Kolinearitas pada model Collinearity Statistics Tolerance VIF

Model 2.

3.

4.

5.

6.

7.

Konstanta Luas lahan Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Biaya Jarak Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Biaya jarak Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Biaya jarak Konstanta Kuas kahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Biaya Konstanta Luas lahan Pemilik sepeda Pemilik sepeda motor Biaya

A2 X2 X3 X4 X5 X6 X7 X8 X9 X10 A3 X2 X3 X4 X5 X7 X8 X9 X10 A4 X2 X3 X4 X5 X8 X9 X10 A5 X2 X3 X4 X5 X8 X9 A6 X2 X3 X4 X5 X8 A7 X2 X4 X5 X8

.222 .010 .024 .010 .043 .224 .016 .010 .024

4.508 100.444 40.843 96.915 23.485 4.465 63.629 100.993 41.358

.242 .010 .025 .011 .044 .016 .011 .024

4.125 98.312 40.164 87.690 22.703 62.022 93.832 40.865

.263 .046 .112 .011 .066 .033 .044

3.798 21.523 8.937 87.488 15.174 30.654 22.728

.280 .050 .126 .051 .084 .091

3.575 19.977 7.926 19.639 11.891 10.955

.295 .051 .246 .082 .155

3.387 19.753 4.061 12.155 6.469

.357 .304 .136 .181

2.801 3.292 7.355 5.516

66

Lanjutan Tabel 2.27 Kolinearitas pada model Collinearity Statistics Tolerance VIF

Model 8.

9.

Konstanta Luas Lahan Pemilik sepeda motor Biaya Konstanta Pemilik sepeda motor Pemilik mobil

A8 X2 X5 X8 A9 X5 X6

.487 .169 .209

2.054 5.929 4.796

.418 .418

2.392 2.392

Sumber : Analisis Data Berdasarkan tabel 4.25 (hasil selengkapnya dengan SPSS 10 dapat dilihat pada Lampiran C-26) diperoleh model terbaik, dimana diketahui bahwa tarikan perjalanan dengan mobil dipengaruhi luas lahan, jumlah pemilik sepeda motor dan biaya, dengan bentuk pemodelan sebagai berikut: Y= 0.318-1.22E-4X2 +5.933E-2X5 -8.91E-2X8 Dimana: Y

= Tarikan perjalanan dengan mobil

X2 = Luas lahan X5 = Jumlah pemilik sepeda motor X8 = Biaya Model inilah yang selanjutnya akan dianalisis lebih lanjut, sebagai berikut: 1). Koefisien Korelasi Berdasarkan tabel 4.24 terlihat bahwa koefisien korelasi untuk PSM (X5 ) lebih besar dibandingkan dengan koefisien korelasi untuk variabel LL (X2 ), maupun variabel biaya (X8 ), hal ini berarti bahwa PSM lebih berpengaruh terhadap jumlah perjalanan dengan mobil (Y). Tingkat signifikansi koefisien korelasi untuk satu sisi dari output (diukur dari probabilitas) diketahui kurang signifikan karena probabilitasnya ada yang lebih dari 0.05.

2). Koefisien Determinasi Berdasarkan hasil analisis pada tabel 4.25 diperoleh harga koefisien determinasi (R square) sebesar 0.767, hal ini berarti bahwa 76.7% jumlah perjalanan dengan mobil dapat dijelaskan oleh variabel Luas lahan, pemilik

67

sepeda motor dan biaya, sedangkan sisanya (100%-76.7%=23.3%) dijelaskan oleh variabel-variabel yang lain.

3). Signifikansi Koefisien Regresi Signifikansi koefisien regresi dalam suatu model regresi diuji dengan menggunakan uji parsial (uji-t) dan uji simultan ♦ Uji-t Harga t- tabel: -

Tingkat signifikansi (á) = 5%

-

df = jumlah data - 2 = 11

-

Untuk t-tabel dua sisi dari Lampiran D-1 didapat angka 1.796

Berdasarkan tabel 4.26 terlihat bahwa semua harga t- hitung > t- tabel (1.796), dan probabilitasnya <0.05, tetapi harga konstantanya kurang signifikan. ♦ Uji simultan / Uji-F Harga F tabel: -

Tingkat signifikansi (á) = 5%

-

Db regresi (pembilang) = jumlah peubah bebas = 3

-

Db residu ( penyebut) = jumlah data - jumlah peubah bebas–1=13-3-1=9

-

Berdasarkan tabel pada Lampiran D-2 diperoleh harga F tabel adalah 3.86

Harga F berdasarkan output yang tersaji pada tabel 4.26 adalah 9.855 (>F tabel) dengan tingkat signifikansi .003(<0.05), berarti dapat disimpulkan bahwa ada hubungan linear antara luas lahan, pemilik sepeda motor dan biaya dengan jumlah perjalanan dengan menggunakan mobil.

4). Kolinearitas Ø Hubungan antara sesama peubah ditunjukkan dalam tabel 4.27, misalnya untuk variabel biaya dimana diperoleh harga R2 = 1 – toleransi = 1 - 0.209 = 0.791, ini berarti bahwa ada 79.1% variabilitas biaya dapat dijelaskan oleh prediktor (variabel bebas) yang lain.

68

Ø Default SPSS bagi angka toleransi adalah 0.0001, sehingga semua variabel telah memenuhi syarat ambang toleransi. Ø Harga VIF dari masing-masing variabel menunjukkan bahwa peubah tersebut tidak ada permasalahan dengan multikolinearitas. Berdasarkan analisis tersebut terlihat bahwa bentuk model Y= 0.318-1.22E-4X3 + 5.933E-2X5 -8.91E-2X8 cukup signifikan. 4). Analisis Model Tarikan Perjalanan dengan bus a). Koefisien Korelasi Perjalanan dengan menggunakan bus sebagai variabel dependent dicari hubungannya dengan peubah jumlah penghuni total, luas lahan, luas bangunan, jumlah pemilik sepeda, jumlah pemilik sepeda motor, jumlah pemilik mobil, jumlah responden yang tidak punya kendaraan, biaya, jarak, dan waktu tempuh. Hubungan antar peubah ini ditunjukkan dengan harga koefisien korelasi seperti dalam tabel berikut: Tabel 4.28 Koefisien Korelasi dan signifikansi Koefisien Korelasi K O R E L A S I

S I G N I F I K A N S I

JPB JP LL LB PS PSM PM TP Biaya Jarak Waktu JPB JP LL LB PS PSM PM TP Biaya Jarak Waktu

JPB 1.000

JP .907 1.000

LL .672 .645 1.000

LB .878 .971 .721 1.000

PS .630 .784 .290 .774 1.000

PSM .899 .981 .716 .956 .733 1.000

PM .743 .679 .542 .578 .285 .743 1.000

TP .365 .581 .250 .587 .486 .536 .135 1.000

Biaya

Jarak

Waktu

.864 .919 .631 .915 .753 .890 .623 .564 1.000

.699 .847 .555 .844 .819 .867 .575 276 .692 1.000

.852 .930 .632 .872 .602 .916 .709 .685 .848 .641 1.000

.

.000

.006 .009

.000 .000 .003

.031 .001 .168 .001

.000 .000 .003 .000 .002

.002 .005 .028 .019 .172 .002

.110 .019 .205 .018 .046 .029 .331

.000 .000 .010 .000 .001 .000 .011 .022

.004 .000 .025 .000 .000 .000 .020 .181 .004

.000 .000 .010 .000 .015 .000 .003 .005 .000 .009 .

Sumber : Analisis Data

69

Keterangan :

JPB = Jumlah perjalanan dengan bus JP

= Jumlah penghuni

LL

= Luas lahan

LB

= Luas bangunan

PS

= Pemilik sepeda

PSM = Pemilik sepeda motor PM = Pemilik mobil TP

= Tidak punya kendaraan

b). Bentuk Model Beberapa alternatif bentuk model yang diperoleh berdasarkan output analisis regresi dengan program SPSS 10, disajikan dalam tabel berikut: Tabel 4.29 Alternatif Bentuk Model No. 1. 2. 3. 4. 5. 6. 7.

Bentuk model Y= 5.339+7.752E-2X1 -1.17E-3X2 -1.10E-3X3 -0.887X4 +0.345X5 –2.1X6 -1.585X7 +1.458X8 +0.56X9 +0.414X10 Y = 5.684-1.26E-3X2 -1.26E-3X3 -0.946X4 +0.351X5 -2.301X6 -1.644X7 +1.634X8 +0.729X9 +0.539X10 Y= 5.805-1.26E-3X2 -0.884X4 +0.357X5 -2.090X6 -1.660X7 +1.472X8 +0.578X9 +0.484X10 Y= 5.788-1.19E-3X2 -0.681X4 +0.615X5 -1.956X6 -1.804X7 +1.117X8 +0.270X10 Y= 7.351-1.23E-3X2 -0.726X4 +0.698X5 -1.770X6 -1.437X7 +1.180X8 Y= -2.993+0.211X1 +9.534E-2X5 Y= -3.212+0.291X1

Sumber : Analisis Data Keterangan: Y = Jumlah perjalanan dengan bus X1

= Jumlah penghuni

X2

= Luas lahan

X3

= Luas bangunan

X4

= Jumlah pemilik sepeda

X5

=Jumlah Pemilik sepeda motor

X6

= Jumlah Pemilik mobil

X7

= Jumlah responden Tidak punya kendaraan

X8

= Biaya

X9

= Jarak

X10 = Waktu tempuh

R2 .994 .994 .994 .987 .978 .825 .823

70

c). Signifikansi Koefisien Regresi Signifikansi dalam suatu model regresi diuji dengan uji parsial (uji-t) dan uji simultan (uji-F / Anova). Perhitungan dari kedua uji tersebut dapat dilihat dalam tabel berikut Tabel 4.30 Signifikansi Koefisien Regresi 1.

2.

3.

4.

Model Konstanta Jumlah penghuni Luas lahan Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Luas bangunan pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Waktu

A1 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 A2 X2 X3 X4 X5 X6 X7 X8 X9 X10 A3 X2 X4 X5 X6 X7 X8 X9 X10 A4 X2 X4 X5 X6 X7 X8 X10

T hitung 1.443 -.162 -1.804 -.256 -1.963 1.686 -1.403 -3.049 1.161 .460 .505 2.290 -5.324 -.366 -4.244 2.117 -3.330 -5.357 3.193 1.417 2.350 2.666 -6.009 -6.853 2.447 -6.180 -6.178 6.578 2.120 3.156 2.039 -4.413 -6.049 5.855 -4.517 -5.324 5.770 1.794

Sig. .286 .886 .213 .822 .189 .234 .296 .093 .365 .691 .664 .106 .013 .739 .024 .125 .045 .013 .050 .251 .100 .056 .004 .002 .071 .003 .003 .003 .101 .034 .097 .007 .002 .002 .006 .003 .002 .133

F

Sig.

33.624

.029

55.312

.004

79.402

.000

53.047

.000

71

Lanjutan Tabel 4.30 Signifikansi Koefisien Regresi

5.

6.

7.

Model Konstanta Luas lahan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Tdk punya kend. Biaya Konstanta Jumlah prnghuni Pemilik sepeda motor Konstanta Jumlah penghuni

A5 X2 X4 X5 X6 X7 X8 A6 X1 X5 A7 X1

T hitung 2.325 -3.892 -5.648 6.318 -3.597 -4.543 5.294 -.525 .974 .374 -.590 7.151

Sig. .059 .008 .001 .001 .011 .004 .002 .611 .353 .716 .567 .000

F

Sig.

44.781

.000

23.641

.000

1.000

1.000

Sumber : Analisis Data

d). Kolinearitas Besarnya kolinearitas yang menyatakan hubungan antar sesama peubah ditunjukkan dalam tabel berikut: Tabel 4.30 Kolinearitas pada Model Collinearity Statistics Tolerance VIF

Model 1.

2.

Konstanta Jumlah penghuni Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu

A1 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 A2 X2 X3 X4 X5 X6 X7 X8 X9 X10

.001 .044 .009 .009 .010 .013 .116 .004 .003 .003

756.867 22.734 105.953 113.518 99.858 74.451 8.657 258.480 382.046 357.043

.222 .010 .024 .010 .043 .224 .016 .010 .024

4.508 100.444 40.843 96.915 23.485 4.465 63.629 100.993 41.358

72

Lanjutan Tabel 4.31 Kolinearitas pada model Collinearity Statistics Tolerance VIF

Model

3.

4.

5.

6.

7.

Konstanta Luas lahan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu Konstanta Luas lahan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Waktu Konstanta Luas lahan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Tdk punya kend. Biaya Konstanta Jumlah prnghuni Pemilik sepeda motor Konstanta Jumlah penghuni

A3 X2 X4 X5 X6 X7 X8 X9 X10 A4 X2 X4 X5 X6 X7 X8 X10 A5 X2 X4 X5 X6 X7 X8 A6 X1 X5 A7 X1

.222 .057 .010 .139 .229 .064 .028 .042

4.507 17.469 95.884 7.185 4.371 15.509 36.248 23.609

.227 .128 .034 .144 .244 .146 .075

4.400 7.832 29.248 6.934 4.092 6.839 13.405

.228 .134 .042 .153 .384 .151

4.377 7.447 23.603 6.539 2.604 6.615

.038 .038

26.222 26.222

1.000

1.000

Sumber : Analisis Data Berdasarkan tabel 4.29 (hasil selengkapnya dengan SPSS 10 dapat dilihat pada Lampiran C-36) diperoleh model terbaik, dimana diketahui bahwa tarikan perjalanan dengan bus dipengaruhi luas lahan, pemilik sepeda, jumlah pemilik sepeda motor, jumlah pemilik mobil, jumlah responden tidak punya kendaraan, dan biaya, dengan bentuk pemodelan sebagai berikut: Y= 7.351-1.23E-3X2 -0.726X4 +0.698X5 -1.770X6 -1.437X7 +1.180X8 Dimana: Y

= Tarikan perjalanan dengan bus

X2 = Luas lahan

73

X4 = Jumlah pemilik sepeda X5 = Jumlah pemilik sepeda motor X6 = Jumlah pemilik mobil X7 = Jumlah responden tidak punya kendaraan X8 = Biaya Model inilah yang selanjutnya akan dianalisis lebih lanjut, sebagai berikut: 1). Koefisien Korelasi Berdasarkan tabel 4.28 terlihat bahwa koefisien korelasi untuk PSM (X5 ) lebih besar dibandingkan dengan koefisien korelasi untuk variabel LL (X2 ), PS (X4 ), PM (X6 ), TP (X7 ) maupun variabel biaya (X8 ), hal ini berarti bahwa Pemilik sepeda motor lebih berpengaruh terhadap jumlah perjalanan dengan bus (Y). Tingkat signifikansi koefisien korelasi untuk satu sisi dari output (diukur dari probabilitas) diketahui cukup signifikan karena probabilitasnya kurang dari 0.05.

2). Koefisien Determinasi Berdasarkan hasil analisis pada tabel 4.29 diperoleh harga koefisien determinasi (R square) sebesar 0.978, hal ini berarti bahwa 97.8% jumlah perjalanan dengan bus dapat dijelaskan oleh variabel Luas lahan, pemilik sepeda, pemilik sepeda motor, pemilik mobil, Responden tidak punya kendaraan dan biaya, sedangkan sisanya (100%-97.8%=2.2%) dijelaskan oleh variabel-variabel yang lain.

3). Signifikansi Koefisien Regresi Signifikansi koefisien regresi dalam suatu model regresi diuji dengan menggunakan uji parsial (uji-t) dan uji simultan. ♦ Uji-t Harga t- tabel: -

Tingkat signifikansi (á) = 5%

-

df = jumlah data - 2 = 11

-

Untuk t-tabel dua sisi dari Lampiran D-1 didapat angka 1.796

74

Berdasarkan tabel 4.30 terlihat bahwa semua harga t- hitung > t-tabel (1.796), dan probabilitasnya <0.05, hal ini menunjukkan bahwa model cukup signifikan. ♦ Uji simultan / Uji-F Harga F tabel: -

Tingkat signifikansi (á) = 5%

-

Db regresi (pembilang) = jumlah peubah bebas = 6

-

Db residu ( penyebut) = jumlah data - jumlah peubah bebas–1=13-6-1=6

-

Berdasarkan tabel pada Lampiran D-2 diperoleh harga F tabel adalah 4.28

Harga F berdasarkan output yang tersaji pada tabel 4.30 adalah 44.781 (>F tabel) dengan tingkat signifikansi .000 (<0.05), berarti dapat disimpulkan bahwa ada hubungan linear antara variabel bebas dengan jumlah perjalanan dengan menggunakan bus. 4). Kolinearitas Ø Hubungan antara sesama peubah ditunjukkan dalam tabel 4.31, misalnya untuk variabel biaya dimana diperoleh harga R2 = 1 – toleransi = 1 - 0.151 = 0.849, ini berarti bahwa ada 84.9% variabilitas biaya dapat dijelaskan oleh prediktor (variabel bebas) yang lain. Ø Default SPSS bagi angka toleransi adalah 0.0001, sehingga semua variabel telah memenuhi syarat ambang toleransi. Ø Harga VIF dari satu variabel menunjukkan bahwa peubah tersebut ada permasalahan

dengan

multikolinearitas

(>10),

tetapi

permasalahan

multikolinearitas ini masih dapat dianalisis lebih lanjut berdasarkan nilai Eigen dan Condition Index, seperti dalam tabel berikut:

75

Tabel 4.32 Nilai Eigen dan Condition Index Model 5

Dimension 1 2 3 4 5 6 7

Eigenvalue 5.672 .513 .303 .264 .189 4.823E-2 1.050E-2

Condition Index 1.000 3.327 4.324 4.639 5.471 10.845 23.238

Sumber : Analisis Data Multikolinearitas dapat terjadi jika terdapat variabel yang memiliki nilai Eigen mendekati 0, dan Condition Index yang lebih besar dari 15. Berdasarkan tabel 4.32 terlihat bahwa ada variabel yang memiliki nilai Eigen mendekati 0, dan Condition Index ada yang lebih dari 15, hal ini berarti bahwa multikolinearitas dalam model ini tidak menjadi masalah yang serius. Berdasarkan analisis tersebut terlihat bahwa bentuk model Y= 7.351-1.23E-3X2 -0.726X4 +0.698X5 -1.770X6 -1.437X7 +1.180X8 cukup signifikan.

5). Analisis Model Tarikan Perjalanan dengan berjalan kaki a). Koefisien Korelasi Perjalanan dengan berjalan kaki sebagai variabel dependent dicari hubungannya dengan peubah jumlah penghuni total, luas lahan, luas bangunan, jumlah pemilik sepeda, jumlah pemilik sepeda motor, jumlah pemilik mobil, jumlah responden yang tidak punya kendaraan, biaya, jarak, dan waktu tempuh. Hubungan antar peubah ini ditunjukkan dengan harga koefisien korelasi seperti dalam tabel berikut:

76

Tabel 4.33 Koefisien Korelasi dan signifikansi Koefisien Korelasi K O R E L A S I

S I G N I F I K A N S I

JPK JP LL LB PS PSM PM TP Biaya Jarak Waktu

JPK 1.000

JP .813 1.000

LL .379 .645 1.000

LB .778 .971 .721 1.000

PS .772 .784 .290 .774 1.000

PSM .764 .981 .716 .956 .733 1.000

PM .416 .679 .542 .578 .285 .743 1.000

TP .796 .581 .250 .587 .486 .536 .135 1.000

Biaya

Jarak

Waktu

.694 .919 .631 .915 .753 .890 .623 .564 1.000

.683 .847 .555 .844 .819 .867 .575 276 .692 1.000

.814 .930 .632 .872 .602 .916 .709 .685 .848 .641 1.000

JPK

JP

LL

LB

PS

PSM

PM

TP

Biaya

Jarak

Waktu

.

.000

.101 .009

.001 .000 .003

.001 .001 .168 .001

.001 .000 .003 .000 .002

.079 .005 .028 .019 .172 .002

.001 .019 .205 .018 .046 .029 .331

.004 .000 .010 .000 .001 .000 .011 .022

.005 .000 .025 .000 .000 .000 .020 .181 .004

.000 .000 .010 .000 .015 .000 .003 .005 .000 .009 .

JPK JP LL LB PS PSM PM TP Biaya Jarak Waktu

Sumber : Analisis Data

Keterangan :

JPK = Jumlah perjalanan dengan berjalan kaki JP

= Jumlah penghuni

LL

= Luas lahan

LB

= Luas bangunan

PS

= Pemilik sepeda

PSM = Pemilik sepeda motor PM = Pemilik mobil TP

= Tidak punya kendaraan

b). Bentuk Model Beberapa alternatif bentuk model yang diperoleh berdasarkan output analisis regresi dengan program SPSS 10, disajikan dalam tabel berikut:

77

Tabel 4.34 Alternatif Bentuk Model No. 1. 2. 3. 4.

Bentuk model Y= -4.238+0.288X1 +6.291E-4X2 +1.153E-3X3 +0.371X4 -0.484X5 +1.438X6 +1.350X7 –0.735X8 +3.398E-2X9 -1.06E-2X10 Y = -4.216+0.282X1 +6.219E-4X2 +1.129E-3X3 +0.366X4 -0.484X5 +1.420X6 +1.345X7 –0.719X8 +4.900E-2X9 Y= -4.221+0.275X1 +6.180E-4X2 ++1.462E-3X3 +0.388X4 -0.475X5 +1.457X6 +1.313X7 -0.765X8 Y= -4.730+0.313X1 +6.793E-4X2 +0.382X4 -0.451X5 +1.3X6 +1.294X7 -0.723X8

R2 .991 .991 .991 .988

Sumber : Analisis Data Keterangan:

Y

= Jumlah perjalanan dengan berjalan kaki

X1

= Jumlah penghuni

X2

= Luas lahan

X3

= Luas bangunan

X4

= Jumlah pemilik sepeda

X5

=Jumlah Pemilik sepeda motor

X6

= Jumlah Pemilik mobil

X7

= Jumlah responden Tidak punya kendaraan

X8

= Biaya

X9

= Jarak

X10 = Waktu tempuh c). Signifikansi Koefisien Regresi Signifikansi dalam suatu model regresi diuji dengan uji parsial (uji-t) dan uji simultan (uji-F / Anova). Perhitungan dari kedua uji tersebut dapat dilihat dalam tabel berikut Tabel 4.35 Signifikansi Koefisien Regresi 1.

Model T hitung Konstanta A1 -1.847 Jumlah penghuni X1 .968 Luas lahan X2 1.568 Luas bangunan X3 .432 pemilik sepeda X4 1.325 Pemilik sepeda motor X5 -3.810 Pemilik mobil X6 1.549 Tidak punya kendaraan X7 4.186 Biaya X8 -.944 Jarak X9 .045 Waktu = Waktu X10 tem -.021

Sig. .206 .435 .257 .708 .316 .063 .261 .053 .445 .968 .985

F

Sig.

22.216

.044

78

2.

3.

4.

Konstanta A2 -2.551 Jumlah penghuni X1 3.411 Luas lahan X2 3.592 Luas bangunan X3 .574 pemilik sepeda X4 3.532 Pemilik sepeda motor X5 -4.672 Pemilik mobil X6 4.433 Tidak punya kendaraan X7 6.976 Biaya X8 -3.261 Jarak X9 .255 Konstanta A3 -2.919 Jumlah penghuni X1 4.037 Luas lahan X2 4.094 Luas bangunan X3 1.136 Pemilik sepeda X4 7.464 Pemilik sepeda motor X5 -5.554 Pemilik mobil X6 5.809 Tidak punya kendaraan X7 10.265 Biaya = Waktu X8 tempuh -6.749 Konstanta A4 -3.344 Jumlah penghuni X1 5.182 Luas lahan X2 4.684 Pemilik sepeda X4 7.183 Pemilik sepeda motor X5 -5.291 Pemilik mobil X6 6.029 Tidak punya X7 9.920 kendaraan X8 -6.562 Biaya

.084 .042 .037 .606 .039 .019 .021 .006 .047 .815 .043 .016 .015 .319 .002 .005 .004 .001 .003 .020 .004 .005 .001 .003 .002 .000 .001

37.019

.006

54.336

.001

58.515

.000

Sumber : Analisis Data

d). Kolinearitas Besarnya kolinearitas yang menyatakan hubungan antar sesama peubah ditunjukkan dalam tabel berikut: Tabel 4.36 Kolinearitas pada Model Collinearity Statistics Tolerance VIF

Model 1.

Konstanta Jumlah penghuni Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Waktu

A1 X1 X2 X3 X4 X5 X6 X7 X8 X9 X10

.001 .044 .009 .009 .010 .013 .116 .004 .003 .003

756.867 22.734 105.953 113.518 99.858 74.451 8.657 258.480 382.046 357.043

79

2.

3.

4.

Konstanta Jumlah penghuni Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Jarak Konstanta Jumlah penghuni Luas lahan Luas bangunan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Tidak punya kendaraan Biaya Konstanta Jumlah penghuni Luas lahan Pemilik sepeda Pemilik sepeda motor Pemilik mobil Tdk punya kend Biaya

A2 X1 X2 X3 X4 X5 X6 X7 X8 X9 A3 X1 X2 X3 X4 X5 X6 X7 X8 A4 X1 X2 X4 X5 X6 X7 X8

.011 .157 .012 .043 .010 .075 .215 .032 .027

87.672 6.353 86.226 23.296 99.652 13.305 4.643 31.124 36.991

.013 .159 .021 .131 .011 .094 .375 .093

77.587 6.302 48.237 7.636 88.697 10.636 2.666 10.723

.017 .182 .132 .012 .134 .382 .105

57.981 5.496 7.562 83.214 7.439 2.620 9.564

Sumber : Analisis Data Berdasarkan tabel 4.34 (hasil selengkapnya dengan SPSS 10 dapat dilihat pada Lampiran C-44) diperoleh model terbaik, dimana diketahui bahwa tarikan perjalanan dengan berjalan kaki dipengaruhi Jumlah penghuni, Luas lahan, Pemilik sepeda, jumlah pemilik sepeda motor, jumlah pemilik mobil, jumlah responden tidak punya kendaraan dan biaya, dengan bentuk pemodelan sebagai berikut: Y= -4.730+0.313X1 +6.793E-4X2 +0.382X4 -0.451X5 +1.3X6 +1.294X7 -0.723X8 Dimana: Y

= Tarikan perjalanan dengan berjalan kaki

X1 = Jumlah penghuni X2 = Luas lahan X4 = Jumlah pemilik sepeda X5 = Jumlah pemilik sepeda motor X6 = Jumlah pemilik mobil

80

X7 = Jumlah responden tidak punya kendaraan X8 = Biaya Model inilah yang selanjutnya akan dianalisis lebih lanjut, sebagai berikut: 1). Koefisien Korelasi Berdasarkan tabel 4.33 terlihat bahwa koefisien korelasi untuk JP (X1 ) lebih besar dibandingkan dengan koefisien korelasi untuk variabel LL (X2 ), PS (X4 ), PSM (X5), PM (X6 ), TP (X7 ) maupun variabel biaya (X8 ), hal ini berarti bahwa Jumlah penghuni lebih berpengaruh terhadap jumlah perjalanan dengan berjalan kaki (Y). Tingkat signifikansi koefisien korelasi untuk satu sisi dari output

(diukur

dari

probabilitas)

diketahui

cukup

signifikan

karena

probabilitasnya kurang dari 0.05.

2). Koefisien Determinasi Berdasarkan hasil analisis pada tabel 4.34 diperoleh harga koefisien determinasi (R square) sebesar 0.988, hal ini berarti bahwa 98.8% jumlah perjalanan dengan berjalan kaki dapat dijelaskan oleh variabel Jumlah penghuni, Luas lahan, pemilik sepeda, pemilik sepeda motor, pemilik mobil, Responden tidak punya kendaraan dan biaya, sedangkan sisanya (100%-98.8%=1.2%) dijelaskan oleh variabel-variabel yang lain.

3). Signifikansi Koefisien Regresi Signifikansi koefisien regresi dalam suatu model regresi diuji dengan menggunakan uji parsial (uji-t) dan uji simultan. ♦ Uji-t Harga t- tabel: -

Tingkat signifikansi (á) = 5%

-

df = jumlah data - 2 = 11

-

Untuk t-tabel dua sisi dari Lampiran D-1 didapat angka 1.796

81

Berdasarkan tabel 4.35 terlihat bahwa semua harga t- hitung > t- tabel (1.796), dan probabilitasnya <0.05, hal ini menunjukkan bahwa model cukup signifikan. ♦ Uji simultan / Uji-F Harga F tabel: -

Tingkat signifikansi (á) = 5%

-

Db regresi (pembilang) = jumlah peubah bebas = 7

-

Db residu ( penyebut) = jumlah data - jumlah peubah bebas–1=13-7-1=5

-

Berdasarkan tabel pada Lampiran D-2 diperoleh harga F tabel adalah 4.88

Harga F berdasarkan output yang tersaji pada tabel 4.35 adalah 58.515 (>F tabel) dengan tingkat signifikansi .000 (<0.05), berarti dapat disimpulkan bahwa ada hubungan linear antara variabel bebas dengan jumlah perjalanan dengan berjalan kaki.

4). Kolinearitas Ø Hubungan antara sesama peubah ditunjukkan dalam tabel 4.36, misalnya untuk variabel biaya dimana diperoleh harga R2 = 1 – toleransi = 1 - 0.105 = 0.895, ini berarti bahwa ada 89.5% variabilitas biaya dapat dijelaskan oleh prediktor (variabel bebas) yang lain. Ø Default SPSS bagi angka toleransi adalah 0.0001, sehingga semua variabel telah memenuhi syarat ambang toleransi. Ø Harga VIF dari dua variabel menunjukkan bahwa peubah tersebut ada permasalahan

dengan

multikolinearitas

(>10),

tetapi

permasalahan

multikolinearitas ini masih dapat dianalisis lebih lanjut berdasarkan nilai Eigen dan Condition Index, seperti dalam tabel berikut:

82

Tabel 4.37 Nilai Eigen dan Condition Index Model 4

Dimension 1 2 3 4 5 6 7 8

Eigenvalue 6.647 .513 .309 .270 .190 4.910E-2 1.950E-2 2.617E-3

Condition Index 1.000 3.600 4.641 4.959 5.913 11.635 18.462 50.395

Sumber : Analisis Data

Multikolinearitas dapat terjadi jika terdapat variabel yang memiliki nilai Eigen mendekati 0, dan Condition Index yang lebih besar dari 15, apabila nilai

indeks

sampai

melebihi

30,

multikolinearitas

akan

menjadi

permasalahan yang serius. Berdasarkan tabel 4.37 terlihat bahwa ada variabel yang memiliki nilai Eigen mendekati 0, tetapi ada harga Condition Index yang lebih dari 30, hal ini berarti bahwa multikolinearitas dalam model ini mengalami masalah yang serius. Berdasarkan analisis tersebut terlihat bahwa bentuk model Y= -4.730+0.313X1 +6.793E-4X2 +0.382X4 -0.451X5 +1.3X6 +1.294X7 -0.723X8 Tidak layak untuk digunakan.

C. Pembahasan 1. Pertimbangan model yang paling sesuai Pemilihan model yang terbaik harus memperhatikan hal-hal sebagai berikut: a). Persentase pengaruh semua peubah bebas terhadap peubah tidak bebas dalam model (Koefisien Determinasi). b). Pengaruh semua peubah bebas terhadap peubah tidak bebas dalam model (Uji Parsial). c). Pengaruh semua peubah bebas dalam model (Uji Simultan). d). Tanda aljabar pada koefisien regresi dalam model.

83

Hasil analisis regresi linear berganda untuk mendapatkan pemodelan dari tarikan perjalanan total dan tarikan perjalanan dengan menggunakan moda sepeda, sepeda motor, mobil, bus, dan berjalan kaki dapat dilihat pada tabel berikut:

Tabel 4.38 Rekapitulasi hasil pemodelan Model

Peubah

Tanda

Koefisien

Konstanta A4 JPT JS X1 LB X4 Konstanta A8 LB X3 JPS PS X4 Biaya X8 Konstanta A6 JP X1 LB X3 JPSM PSM X5 TP X7 Biaya X8 Konstanta A8 LL X2 JPM PSM X5 Biaya X8 Konstanta A5 LL X2 PS X4 JPB PSM X5 PM X6 TP X7 Biaya X8 Konstanta A4 JP X1 LL X2 PS X4 JPK PSM X5 PM X6 TP X7 Biaya X8 Sumber: Analisis Data

+ + + + + + + + + + + + + + + + + + + + -

3.926 0.971 2.678E-3 2.556 6.09E-3 0.223 0.835 4.594 0.347 3.756E-3 0.273 0.517 0.921 0.318 1.22E-4 5.933E-2 8.91E-2 7.351 1.23E-3 0.726 0.698 1.770 1.437 1.180 4.730 0.313 6.793E-4 0.382 0.451 1.3 1.294 0.723

Sig. Uji-t Tdk Sig Sig Tdk Sig Tdk Sig Sig Sig Sig Sig Sig Sig Sig Sig Sig Tdk Sig Sig Sig Sig Sig Sig Sig Sig Sig Sig Sig Sig Sig Sig Sig Sig Sig Sig Sig

á=5% Uji-F

R2

Sig.

0.998

Sig.

0.596

Sig.

0.995

Sig.

0.767

Sig.

0.978

Sig.

0.988

84

Keterangan:

JPT

= Jumlah Perjalanan Total

JPS

= Jumlah Perjalanan dengan Sepeda

JPSM = Jumlah Perjalanan dengan Sepeda Motor JPM

= Jumlah Perjalanan dengan Mobil

JPB

= Jumlah Perjalanan dengan Bus

JPK

= Jumlah Perjalanan dengan berjalan kaki

JS

= Jumlah Siswa

LB

= Luas Bangunan

PS

= Pemilik Sepeda

PSM = Pemilik Sepeda Motor PM

= Pemilik Mobil

TP

= Tidak punya kendaraan

JP

= Jumlah Penghuni

a). Koefisien Determinasi Harga koefisien determinasi (R2 ) bukan merupakan dasar yang utama didalam menentukan alternatif model terbaik, karena banyak ditemukan model yang memiliki nilai koefisien korelasi besar tetapi mempunyai koefisien regresi yang secara statistik tidak signifikan terhadap peubah tidak bebas atau persamaan tersebut tidak sesuai dengan logika atau teori yang ada, bahkan ada kalanya memiliki permasalahan multikolinearitas yang serius. Ø Model JPT dengan bentuk pemodelan Y= 3.926+0.971X1 +2.678E-3X4 mempunyai nilai R2 sebesar 0.998, ini berarti bahwa 99.8% Jumlah Perjalanan Total dapat dijelaskan oleh variabel Jumlah Siswa dan Luas Bangunan, sedangkan 0.2% dijelaskan oleh variabel-variabel lain. Ø Model JPS dengan bentuk pemodelan Y= 2.556-6.09E-3X3 +0.223X4 +0.835X8 mempunyai nilai R2 sebesar 0.596, ini berarti bahwa 59.6% Jumlah Perjalanan dengan Sepeda dapat dijelaskan oleh variabel Luas Bangunan, Pemilik Sepeda, dan Biaya, sedangkan 40.4% dijelaskan oleh variabel-variabel lain.

85

Ø Model JPSM dengan bentuk pemodelan Y= -4.594+0.347X1 +3.756E-3X3 +0.273X5 +0.517X7 -0.921X8 mempunyai nilai R2 sebesar 0.995, ini berarti bahwa 99.5% Jumlah Perjalanan dengan Sepeda Motor dapat dijelaskan oleh variabel Jumlah Penghuni, Luas Bangunan, Pemilik Sepeda motor, Responden Tidak punya kendaraan dan Biaya, sedangkan 0.5% dijelaskan oleh variabelvariabel lain. Ø Model JPM dengan bentuk pemodelan Y= 0.318-1.22E-4X2 +5.933E-2X5 – 8.91E-2X8 mempunyai nilai R2 sebesar 0.767, ini berarti bahwa 76.7% Jumlah Perjalanan dengan Mobil dapat dijelaskan oleh variabel Luas Lahan, Pemilik Sepeda motor, dan Biaya, sedangkan 23.3% dijelaskan oleh variabel-variabel lain. Ø Model

JPB

dengan

bentuk

pemodelan

Y=

7.351-1.23E-3X2 -0.726X4

+0.698X5 -1.770X6 -1.437X7 +1.180X8 mempunyai nilai R2 sebesar 0.978, ini berarti bahwa 97.8% Jumlah Perjalanan dengan Bus dapat dijelaskan oleh variabel Luas Lahan, Pemilik Sepeda, Pemilik Sepeda motor, Pemilik Mobil, Responden Tidak punya kendaraan dan Biaya, sedangkan 2.2% dijelaskan oleh variabel-variabel lain. Ø Model JPK dengan bentuk pemodelan Y= -4.730+0.313X1 +6.793E-4X2 +0.382x4 -0.451X5 +1.3x6 +1.294X7 -0.723X8 mempunyai nilai R2 sebesar 0.988, ini berarti bahwa 98.8% Jumlah Perjalanan dengan berjalan kaki

dapat

dijelaskan oleh variabel Jumlah Penghuni, Luas Lahan, Pemilik Sepeda, Pemilik Sepeda motor, Pemilik Mobil, Responden Tidak punya kendaraan dan Biaya, sedangkan 1.2% dijelaskan oleh variabel-variabel lain.

b). Signifikansi Koefisien Regresi Pengujian hipotesis terhadap signifikansi koefisien regresi dilakukan untuk mengetahui pengaruh peubah bebas terhadap peubah tidak bebas. 1. Uji Parsial / Uji-t Parsial Uji parsial / Uji-t parsial merupakan uji signifikan koefisien regresi terhadap peubah tidak bebas secara individu (parsial),

86

Ø Berdasarkan Tabel 4.38 nilai koefisien regresi semua variabel bebas yang berpengaruh pada pemodelan JPSM, JPB, JPK, adalah signifikan. Ø Konstanta pada pemodelan JPS, JPM, tidak signifikan, ini menunjukkan bahwa tarikan perjalanan dengan sepeda selain dipengaruhi oleh variabel LB, PS, Biaya, juga dipengaruhi faktor yang lain, demikian juga dengan jumlah tarikan

perjalanan dengan mobil selain dipengaruhi oleh variabel LL, PSM,

Biaya, juga dipengaruhi faktor yang lain. Hal ini sesuai dengan Tabel 4.8 dimana alasan lain yang dipengaruhi pemilihan sarana transportasi selain biaya yang lebih murah, jarak dekat, dan waktu tempuh lebih cepat adalah sebesar 15.324%. pemodelan ini tidak layak digunakan karena adanya konstanta yang tidak signifikan. 2. Uji Simultan / Uji-F / ANOVA Uji simultan / Uji-F / ANOVA (Analysis of Vaeiance) merupakan uji signifikan koefisien regresi terhadap peubah bebas secara simultan atau bersamasama. Berdasarkan Tabel 4.38 terlihat bahwa semua pemodelan mempunyai koefisien regresi yang secara bersama-sama signifikan terhadap peubah terikat.

c). Tanda Aljabar pada Koefisien Regresi Model Tanda aljabar pada koefisien regresi model harus disesuaikan dengan logika,

bagaimana

pengaruh

variabel

bebas

terhadap

peubah

terikatnya.

Penjelasannya selanjutnya berdasarkan Tabel 4.38 adalah sebagai berikut: Ø Tarikan perjalanan total dipengaruhi oleh variabel Jumlah siswa dan Luas Bangunan, dimana secara logika peningkatan Jumlah siswa dan luas bangunan akan menambah jumlah tarikan perjalanan total. Model ini telah sesuai dengan logika sehingga layak digunakan. Ø Tarikan perjalanan dengan sepeda dipengaruhi oleh variabel luas bangunan, pemilik sepeda dan biaya. Berdasarkan logika peningkatan luas bangunan dan jumlah pemilik sepeda akan menambah jumlah tarikan perjalanan dengan sepeda. Pemodelan ini mempunyai harga koefisien regresi yang bertanda (-)

87

untuk variabel luas bangunan, sehingga berdasarkan logika model ini tidak layak untuk digunakan. Ø Tarikan perjalanan dengan sepeda motor dipengaruhi oleh variabel jumlah penghuni, luas bangunan, pemilik sepeda motor, jumlah responden tidak punya

kendaraan,

dan

biaya.

Berdasarkan

logika

peningkatan

jumlah

penghuni, dan jumlah pemilik sepeda motor akan menambah jumlah tarikan perjalanan dengan sepeda motor, dan peningkatan luas bangunan, jumlah responden tidak punya kendaraan akan menambah jumlah tarikan perjalanan dengan sepeda motor. Pemodelan ini mempunyai harga koefisien regresi yang bertanda (+) untuk variabel luas bangunan dan Jumlah responden tidak punya kendaraan, sehingga berdasarkan logika model ini layak untuk digunakan. Ø Tarikan perjalanan dengan mobil dipengaruhi oleh variabel luas lahan, pemilik sepeda motor dan biaya. Berdasarkan logika peningkatan jumlah pemilik sepeda motor akan mengurangi jumlah tarikan perjalanan dengan mobil. Pemodelan ini mempunyai harga koefisien regresi yang bertanda (+) untuk variabel pemilik sepeda motor, sehingga berdasarkan logika model ini tidak layak untuk digunakan. Ø Tarikan perjalanan dengan bus dipengaruhi oleh variabel luas bangunan, pemilik sepeda, pemilik sepeda motor, pemilik mobil, responden tidak punya kendaraan dan biaya. Berdasarkan logika peningkatan jumlah pemilik sepeda motor akan mengurangi jumlah tarikan perjalanan dengan bus. Pemodelan ini mempunyai harga koefisien regresi yang bertanda (+) untuk variabel pemilik sepeda motor, sehingga berdasarkan logika model ini tidak layak untuk digunakan. Ø Tarikan perjalanan dengan berjalan kaki dipengaruhi oleh variabel jumlah penghuni, luas lahan, pemilik sepeda, pemilik sepeda motor, pemilik mobil, responden tidak punya kendaraan dan biaya. Berdasarkan logika peningkatan jumlah pemilik sepeda dan pemilik mobil akan mengurangi jumlah tarikan perjalanan dengan bus. Pemodelan ini mempunyai harga koefisien regresi

88

yang bertanda (+) untuk variabel pemilik sepeda dan pemilik mobil, sehingga berdasarkan logika model ini tidak layak untuk digunakan.

2. Penentuan Model yang paling sesuai

Berdasarkan penjelasan yang telah dibahas, maka model yang paling memenuhi syarat dan layak untuk digunakan berdasarkan validitas uji statistik adalah sebagai berikut: 1. Model untuk Tarikan Perjalanan Total (Y). Y=3.926+0.971X1 +2.678E-3X4 Dimana:

X1

= Jumlah siswa

X4

= Luas bangunan

(R2 =0.996)

2. Model untuk Tarikan Perjalanan dengan Sepeda Motor (Y). Y= -4.594 + 0.347X1 +3.756E-3X3 +0.273X5 - 0.921X8 dimana:

(R 2 =0.995)

X1

= Jumlah penghuni

X3

= Luas bangunan

X5

= Jumlah pemilik sepeda motor

X8

= jumlah responden yang memilih biaya lebih murah dalam pemilihan moda

3. Model untuk Tarikan Perjalanan dengan Bus (Y). Y= 7.351 – 1.23E-3X2 – 0.726X4 – 1.770X6 dimana:

X2

= Luas lahan

X4

= Jumlah pemilik sepeda

X6

= Jumlah pemilik mobil

(R 2 =0.978)

89

4. Rata-rata okupansi Berdasarkan penjelasan yang telah dibahas, model tarikan perjalanan dengan mennggunakan moda yang paling dapat memenuhi syarat dan layak untuk digunakan adalah model untuk tarikan perjalanan dengan menggunakan sepeda motor, dengan perhitungan sebagai berikut: Tabel 4.39 Tabulasi perhitungan occupancy rate untuk sepeda motor Lokasi penelitian

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

Pengguna sepeda motor (jumlah penumpang)

22 15 20 31 96 78 13 14 58 152 137 21 62 719

Tempat duduk yang tersedia pd Sepeda motor 40 26 30 30 164 130 18 16 80 168 104 30 102 938

occupancy rate (%) 55 57.69 66.67 103.33 58.54 60 72.22 87.5 72.5 90.48 131.73 71 60.78 76.65

(1 sepeda motor = 2 tempat duduk yang tersedia) Perhitungan rata-rata okupansi ini digunakan untuk mengetahui jumlah kendaraan yang akan masuk ke lokasi studi. Pada pembahasan diatas bentuk pemodelan yang paling memenuhi syarat dan layak digunakan adalah: Y= -4.594 + 0.347X1 +3.756E-3X3 +0.273X5 - 0.921X8 dimana:

X1

= Jumlah penghuni

X3

= Luas bangunan

X5

= Jumlah pemilik sepeda motor

X8

= jumlah responden yang memilih alasan biaya lebih murah dalam alasan pemilihan moda

Dari bentuk model itu dapat dihitung jumlah orang yang menggunakan sepeda motor yang akan masuk ke lokasi studi, dengan perhitungan sebagai berikut: X1 = Jumlah penghuni

=1403 orang

90

X3 = Luas bangunan

=49210.64 M2

X5 = Jumlah pemilik sepeda motor

= 1139 orang

X8 = jumlah responden yang memilih biaya

= 285 orang

Y= -4.594 + 0.347X1 +3.756E-3X3 +0.273X5 - 0.921X8 Y=-4.594 + 0.347*1403+3.756E-3*49210.64+0.273*1139- 0.921*285 Y= 716 orang

Dari perhitungan rata-rata okupansi didapat nilai rata-rata okupansi untuk sepeda motor sebesar 76.65. Dari nilai rata-rata okupansi dan jumlah orang yang menggunakan sepeda motor yang masuk ke lokasi studi dapat dihitung jumlah kendaraan yang mengakses ke lokasi tersebut, dengan perhitungan sebagai berikut: jumlah penumpang × 100 jumlah tem pat duduk yang tersedia jumlah penumpang jumlah tem pat duduk yang tersedia = × 100 nilai rata − rata okupansi 716 jumlah tem pat duduk yang tersedia = × 100 = 934.12 jumlah tem pat duduk 76.65

nilai rata − rata okupansi =

Jadi jumlah sepeda motor yang masuk ke lokasi penelitian diperkirakan sebanyak 934.12/2 = 467 sepeda motor.

91

Tabel 4.11 Tabulasi perhitungan occupancy rate untuk mobil 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

Lokasi penelitian SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

Pengguna mobil

4 1 1 5 2 4 8 3 2 30

mobil 4 1 1 3 1 3 3 1 1 18

occupancy rate 1 1 1 1.667 2 1.333 2.667 1.5 2 1.667

Tabel 4.9 Tabukasi perhitungan occupancy rate untuk sepeda 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

Lokasi penelitian SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

Pengguna sepeda

6 7 11 41 4 5 2 2 78

sepeda 6 6 8 38 4 3 2 2 69

occupancy rate 1 1.167 1.375 1.079 1 1.667 1 1 1.130

BAB V KESIMPULAN DAN SARAN

A. Kesimpulan Kesimpulan yang dapat diambil berdasarkan analisis pemodelan dengan menggunakan metode analisis regresi linear berganda adalah sebagai berikut: Model yang paling memenuhi syarat dan layak untuk digunakan berdasarkan validitas uji statistik adalah sebagai berikut: 1. Model Tarikan Perjalanan Total (Y). (R2=0.996)

Y= 3.926 + 0.971X1 + 2.678E-3X4 dimana:

X1

= Jumlah siswa

X4

= Luas bangunan

2. Model untuk Tarikan Perjalanan dengan Sepeda Motor (Y). Y=-4.594+0.347X1 +3.756E-3X3 +0.273X5 -0.921X8 dimana:

(R 2 =0.995)

X1

= Jumlah penghuni

X3

= Luas bangunan

X5

= Jumlah pemilik sepeda motor

X8

= jumlah responden yang memilih biaya lebih murah dalam pemilihan moda

3. Model untuk Tarikan Perjalanan dengan Bus (Y). Y= 7.351 – 1.23E-3X2 – 0.726X4 – 1.770X6 dimana:

X2

= Luas lahan

X4

= Jumlah pemilik sepeda

X6

= Jumlah pemilik mobil

92

(R 2 =0.978)

93

B. Saran 1. Model yang dihasilkan, diharapkan dapat digunakan untuk memperkirakan banyaknya tarikan perjalanan yang menuju ke kawasan pendidikan di Ngemplak Surakarta, sehingga dapat digunakan untuk menentukan kebijakan yang mungkin timbul akibat tarikan perjalanan tersebut. 2. Metode yang digunakan dalam penelitian ini adalah metode analisis regresi linear berganda. Bentuk model lain bisa didapatkan dengan memperhatikan masalah

ketidak

linearan

dalam

model

seperti

logaritma/pemangkatan, atau menggunakan peubah fiktif.

bentuk

fungsi

DAFTAR PUSTAKA

Amudi Pasaribu, Pengantar Statistik, Ghalia Indonesia, Jakarta, 1975 Anton Dajan, Pengantar Metode Statistik, LP3ES, Jakarta, 1975 Black, J.A, Urban Transport Planning; Theory and Practice, London, cromm Helm, 1981 Hobbs, F.D, Perencanaan dan Teknik Lalu Lintas, Gajah Mada University, Yogyakarta, 1995 Leksmono Suryo Putranto, Tarikan Perjalanan Gedung Perkantoran di Jakarta Barat, Jurnal Transportasi, 1999 Ofyar Z Tamin, Perencanaan dan Pemodelan Transportasi, ITB, Bandung, 2000 Oglesby, C.H, Teknik Jalan Raya, Erlangga, Jakarta Pusat, 1994 Ortuzar, J.D, Modelling Transport, John Willey and Sons Ltd, England, 1990 Pignataro, Louis J, Traffic Engineering, Prentice-Hall Inc, New Jersey, 1973 Richardson, Ampt & Meyburg, Survey Methods for Transport Planning, Eucalyptus Press, Netherland, 1995 Singgih Santoso, Mengolah Data Statistik secara Profesional, Gramedia, Jakarta, 2001 Sudjana, Statistik, Tarsito, Bandung, 1974 Sutrisno Hadi, Analisis Regresi, Andi Offset, Yogyakarta, 1982

xviii

REKAPITULASI DATA HASIL KUISIONER

Hasil jawaban responden dari kuisioner yang ada, dapat ditabelkan berdasarkan item soal, sebagai berikut: I.Tabel B.1 Jarak tempuh responden

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

Lokasi Penelitian SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

<1 km 35 22 25 29 28 21 5 5 21 85 186 7 44 513

Jarak dari rumah / kost ke sekolah 1-5 km 5-10 km >10 km 13 0 2 9 9 5 8 8 4 61 10 10 63 43 36 48 34 39 13 8 3 15 8 7 57 19 4 102 54 20 32 17 35 13 15 5 38 19 4 472 244 174

Total 50 45 45 110 170 142 29 35 101 261 270 40 105 1403

II. Tabel B.2 Waktu Tempuh

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

Lokasi Penelitian SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

<5 8 16 14 5 18 5 1 5 6 47 29 5 23 182

5-10 25 15 12 20 70 56 12 21 29 68 113 17 39 497

Waktu tempuh (menit) 10-15 15-20 20-30 10 3 1 9 2 1 11 5 2 44 19 18 24 20 19 23 40 11 15 1 0 4 5 0 37 21 7 113 29 4 57 44 23 16 2 0 40 3 0 403 194 86

B-3

Total >30 3 2 1 4 19 7 0 0 1 0 4 0 0 41

50 45 45 110 170 142 29 35 101 261 270 40 105 1403

III. Tabel B.3 Jam Datang di Sekolah/Kampus Lokasi Penelitian 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

06.0008.00 50 45 45 110 170 142 29 35 101 51 45 14 28 865

08.0010.00 42 163 20 46 271

Jam Datang 10.0012.0012.00 14.00 98 70 62 6 30 1 196 71

Total 14.0016.00 -

16.0018.00 -

50 45 45 110 170 142 29 35 101 261 270 40 105 1403

IV. Tabel B.4 Jam Kembali dari Sekolah/Kampus Lokasi Penelitian 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

06.0008.00 -

08.0010.00 23 9 13 45

Jam Pulang 10.0012.0012.00 14.00 10 40 15 30 10 35 110 170 142 29 35 101 63 145 93 137 18 13 36 56 245 1043

B-4

Total 14.0016.00 17 17

16.0018.00 53 53

50 45 45 110 170 142 29 35 101 261 270 40 105 1403

V. Tabel B.5 Berangkat/pulang sekolah Lokasi Penelitian 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

Penggunaan Moda Diantar/ dijemput

Naik Kend. sendiri

Naik Kend. umum

Jalan Kaki

4 3 2 10 3 6 2 5 35

17 12 15 24 8 9 4 11 9 20 4 4 137

11 14 17 45 93 74 13 10 42 145 121 17 58 660

9 5 5 21 48 45 12 18 36 56 90 7 8 360

13 14 8 16 18 12 4 3 2 48 33 10 30 211

VI. Tabel B.6 Maksud Perjalanan

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

Lokasi Penelitian SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

Total

Menum pang

Maksud Perjalanan Sekolah/kuliah Bekerja 45 5 40 5 40 5 100 10 150 20 129 13 25 4 30 5 90 11 225 36 257 13 31 9 95 10 1257 146

B-5

Total 50 45 45 110 170 142 29 35 101 261 270 40 105 1403

50 45 45 110 170 142 29 35 101 261 270 40 105 1403

VII. Tabel B.7 Alat transportasi yang digunakan

Lokasi Penelitian 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

Alat Transportasi

SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

Total

Sepeda

Sepeda Motor

Mobil

Naik Kend. umum

Jalan Kaki

6 7 11 41 4 5 2 2 78

22 15 20 31 95 78 13 14 58 152 137 21 62 718

4 1 1 5 2 4 8 3 2 30

9 5 5 21 48 45 12 18 37 53 95 7 11 366

13 14 8 16 18 12 4 3 2 48 33 10 30 211

50 45 45 110 170 142 29 35 101 261 270 40 105 1403

VIII.Tabel B.8 Alasan pemilihan alat transportasi

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

Lokasi Penelitian SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

Biaya 6 1 4 40 32 28 11 5 23 43 60 5 27 285

Alasan pemilihan alat transportasi Jarak Waktu Lainnya 13 19 12 4 37 3 3 35 3 23 34 13 59 62 17 40 54 20 2 10 6 13 10 7 15 37 26 76 89 53 35 127 48 7 25 3 10 64 4 300 603 215

B-6

Total 50 45 45 110 170 142 29 35 101 261 270 40 105 1403

IX. Tabel B.9 Alasan pemilihan sekolah

Alasan pemilihan sekolah Lokasi Penelitian 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

Total

Biaya murah

Mutu lebih baik

Sarana Trans. memadai

Jarak dekat

Lainnya

1 4 2 2 11 19 14 9 37 57 35 5 19 215

38 37 26 84 92 73 2 5 12 92 149 17 51 678

4 1 7 14 33 15 5 8 15 19 31 9 161

3 3 5 4 19 13 3 3 14 10 30 3 110

4 5 6 15 22 5 10 23 83 25 18 23 239

50 45 45 110 170 142 29 35 101 261 270 40 105 1403

X. Tabel B.10 Penghasilan per bulan / gaji orang tua

Lokasi Penelitian 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

penghasilan

Total


Rp.200500 ribu

Rp.500ribu Rp.1juta

Rp.1jutaRp2juta

>2juta

17 13 15 17 5 7 11 23 6 3 117

7 6 7 40 27 41 9 11 47 69 56 3 20 343

10 13 15 34 85 61 17 18 23 78 102 21 38 515

13 9 6 19 32 25 3 6 15 81 98 15 44 366

3 4 2 21 8 5 10 8 1 62

B-7

50 45 45 110 170 142 29 35 101 261 270 40 105 1403

XI.Tabel B.11 Kepemilikan Kendaraan

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

Lokasi Penelitian SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

sepeda 10 5 19 79 59 25 8 10 30 123 52 25 34 479

Kepemilikan kendaraan Sepeda motor mobil 30 9 32 9 29 4 72 6 170 28 134 12 15 3 24 3 86 5 201 8 212 26 37 2 97 8 1102 123

Tidak punya 3 4 3 4 2 3 8 20 17 3 25 92

XII.Tabel B.12 ketersediaan tempat parkir

Lokasi Penelitian 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

Sangat memadai 1 5 2 12 6 13 2 5 25 30 46 23 21 191

Tempat parkir Cukup Kurang memadai memadai 46 3 38 2 42 1 88 9 127 32 102 24 12 13 15 13 56 12 76 152 143 73 15 2 42 37 802 373

B-8

Total Tidak memadai 1 5 3 2 2 8 3 8 5 37

50 45 45 110 170 142 29 35 101 261 270 40 105 1403

XIII.Tabel B.13 Kemacetan

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

Lokasi Penelitian SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

Tidak pernah 10 7 7 35 19 23 12 6 36 145 187 16 29 532

Kemacetan jarang 34 28 30 55 139 96 11 20 45 85 64 19 53 679

Total sering 6 10 8 20 12 23 6 9 20 31 19 5 23 192

50 45 45 110 170 142 29 35 101 261 270 40 105 1403

XIV.Tabel B.14 Kecelakaan

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

Lokasi Penelitian SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara Total

Tidak pernah 24 22 25 79 59 67 10 12 67 167 126 22 34 714

kecelakaan 1X 9 7 10 11 61 21 7 14 12 51 81 11 27 322

B-9

Total 2X 12 8 7 2 41 16 5 4 14 28 48 3 25 213

Sering 5 8 3 18 9 38 7 5 8 15 15 4 19 154

50 45 45 110 170 142 29 35 101 261 270 40 105 1403

Input analisis dengan SPSS.10

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13.

Lokasi Penelitian SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara

Lokasi Penelitian SDN Cengklik I SDN Cengklik II SDN Bibis Luhur I SLTPN 7 SMUN 5 SMUN 6 SMU 1 TP SMEA TP STM 2 TP UTP STIE-AUB STMIK-AUB AAP Bentara

PS 10 5 19 79 59 25 8 10 30 123 52 25 34

Kepemilikan kendaraan PSM PM TP 30 9 3 32 9 4 29 4 3 72 6 4 170 28 134 12 2 15 3 3 24 3 86 5 8 201 8 20 212 26 17 37 2 3 97 8 25

Alasan pemilihan transp Biaya Jarak Waktu 6 13 19 1 4 37 4 3 35 40 23 34 32 59 62 28 40 54 11 2 10 5 13 10 23 15 37 43 76 89 60 35 127 5 7 25 27 10 64

JPS

JPSM

JPM

JPB

JPK

JP

6 7 11 41 4 5 2 2 -

22 15 20 31 95 78 13 14 58 152 137 21 62

4 1 1 5 2 4 8 3 2

9 5 5 21 48 45 12 18 37 53 95 7 11

13 14 8 16 18 12 4 3 2 48 33 10 30

50 45 45 110 170 142 29 35 101 261 270 40 105

B-10

L.L (m2 ) 1252.5 1252.5 2505 7443 15010 37640 2227.5 2506 5957 12933 23714 7294 13861

L.L.B (m2 ) 477 422 642 3961 5516 6761 2011 1020 3450 10464 9603 737 4146.6

Regression MODEL TARIKAN PERJALANAN TOTAL Descriptive Statistics JPT JS JGK LL LLB

Mean 107.92 96.69 11.23 10276.58 3785.4338

Std. Deviation 82.77 75.89 8.72 10628.7728 3449.6228

N 13 13 13 13 13 Correlations

Pearson Correlation JPT JS JGK LL

JPT 1.000 .998 .809 .645

JS .998 1.000 .768 .657

JGK .809 .768 1.000 .408

LL .645 .657 .408 1.000

LLB .971 .965 .813 .721

LLB JPT JS JGK

.971 . .000 .000

.965 .000 . .001

.813 .000 .001 .

.721 .009 .007 .083

1.000 .000 .000 .000

LL LLB JPT JS

.009 .000 13 13

.007 .000 13 13

.083 .000 13 13

. .003 13 13

.003 . 13 13

JGK LL LLB

13 13 13

13 13 13

13 13 13

13 13 13

13 13 13

Sig. (1-tailed)

N

C-49

Variables Entered/Removedb

Model 1

Variables Entered LLB, LL,a JGK, JS

Variables Removed

Method .

Enter

2

.

LL

.

LLB

Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100).

3

a. All requested variables entered. b. Dependent Variable: JPT Model Summaryd

Model 1 2

R 1.000a 1.000b

R Square 1.000 1.000

Adjusted R Square 1.000 1.000

Std. Error of the Estimate 1.51E-06 1.42E-06

3

1.000c

1.000

1.000

1.35E-06

a. Predictors: (Constant), LLB, LL, JGK, JS b. Predictors: (Constant), LLB, JGK, JS c. Predictors: (Constant), JGK, JS d. Dependent Variable: JPT

C-49

ANOVAd

Model 1

2

3

Regression Residual Total

Sum of Squares 82210.923 1.825E-11 82210.923

Regression Residual Total Regression

82210.923 1.825E-11 82210.923 82210.923

Residual Total

1.825E-11 82210.923

df

Mean Square 20552.731 2.282E-12

F 9.7E+15

Sig. .000a

3 9 12 2

27403.641 2.028E-12

1.5E+16

.000b

41105.462

2.4E+16

.000c

10 12

1.825E-12

4 8 12

a. Predictors: (Constant), LLB, LL, JGK, JS b. Predictors: (Constant), LLB, JGK, JS c. Predictors: (Constant), JGK, JS d. Dependent Variable: JPT Coefficientsa

Unstandardized Coefficients Model 1

2

3

(Constant) JS

B 7.290E-14

Std. Error .000

Standardi zed Coefficien ts Beta

Collinearity Statistics t

Tolerance

.000

Sig. 1.000

VIF

1.000

.000

.917

4.5E+07

.000

.061

16.268

JGK LL

1.000 -3.61E-18

.000 .000

.105 .000

1.0E+07 .000

.000 1.000

.256 .351

3.905 2.851

LLB

7.213E-17 4.070E-14

.000 .000

.000

.000 .000

1.000 1.000

.036

27.984

(Constant) JS

1.000

.000

.917

5.0E+07

.000

.068

14.792

JGK LLB

1.000 5.127E-17

.000 .000

.105 .000

1.3E+07 .000

.000 1.000

.334 .056

2.995 17.958

(Constant)

3.782E-15 1.000

.000 .000

.917

.000 1.3E+08

1.000 .000

.411

2.434

1.000

.000

.105

1.5E+07

.000

.411

2.434

JS JGK

a. Dependent Variable: JPT

C-49

a Collinearity Diagnostics

Model 1

2

3

Dimension 1 2 3 4 5 1 2 3 4 1 2 3

Condition Index 1.000 3.643 4.168 7.962 21.742 1.000 3.476 6.098 16.984 1.000 3.358 5.659

Eigenvalue 4.345 .327 .250 6.854E-02 9.191E-03 3.594 .297 9.663E-02 1.246E-02 2.679 .238 8.365E-02

(Constant) .01 .40 .17 .04 .38 .02 .69 .05 .25 .04 .96 .00

JS

Variance Proportions JGK LL .00 .00 .01 .00 .01 .15 .00 .10 .29 .12 .61 .27 .88 .27 .28 .00 .01 .01 .01 .05 .88 .95 .10 .02 .02 .10 .09 .88 .89

LLB .00 .00 .00 .01 .98 .00 .01 .02 .97

a. Dependent Variable: JPT c Excluded Variables

Collinearity Statistics Model 2 3

Beta In LL LL LLB

t

.000a .000b .000b

Sig. .000 .000 .000

Partial Correlation

Tolerance

VIF

Minimum Tolerance

.000 .000 .000

.351 .547 5.568E-02

2.851 1.830 17.958

3.573E-02 .269 5.568E-02

1.000 1.000 1.000

a. Predictors in the Model: (Constant), LLB, JGK, JS b. Predictors in the Model: (Constant), JGK, JS c. Dependent Variable: JPT

Residuals Statisticsa

Predicted Value Residual Std. Predicted Value Std. Residual

Minimum 29.00 -1.42E-14 -.954 .000

Maximum 270.00 5.68E-14 1.958 .000

a. Dependent Variable: JPT

Mean 107.92 2.46E-15 .000 .000

C-49

Std. Deviation 82.77 1.69E-14 1.000 .000

N 13 13 13 13

OUTPUT ANALISIS MODEL TARIKAN PERJALANAN TOTAL Descriptive Statistics

JPT JS LLB

Mean 107.92 96.69 3785.4338

Std. Deviation 82.77 75.89 3449.6228

N 13 13 13

Correlations Pearson Correlation

Sig. (1-tailed)

N

JPT 1.000 .998 .971 . .000 .000 13 13 13

JPT JS LLB JPT JS LLB JPT JS LLB

JS .998 1.000 .965 .000 . .000 13 13 13

LLB .971 .965 1.000 .000 .000 . 13 13 13

Variables Entered/Removedb

Model 1

Variables Entered LLB, JSa

Variables Removed

Method Enter

.

a. All requested variables entered. b. Dependent Variable: JPT Model Summaryb

Model 1

R .998a

R Square .996

Adjusted R Square .996

Std. Error of the Estimate 5.52

a. Predictors: (Constant), LLB, JS b. Dependent Variable: JPT

ANOVAb Sum of Squares Regression 81906.293 Residual 304.631 Total 82210.923 a. Predictors: (Constant), LLB, JS

Model 1

df

Mean Square 40953.146 30.463

2 10 12

b. Dependent Variable: JPT

C-49

F 1344.355

Sig. .000a

a Coefficients

Model 1

Unstandardized Coefficients B Std. Error (Constant) 3.926 2.667 JS .971 .080 LLB 2.678E-03 .002

Standardi zed Coefficien ts Beta

t 1.472 12.101 1.517

.890 .112

Sig. .172 .000 .160

Collinearity Statistics Tolerance VIF .069 .069

14.597 14.597

a. Dependent Variable: JPT

Collinearity Diagnosticsa

Model 1

Dimension 1 2 3

Eigenvalue 2.694

Condition Index 1.000

.293 1.367E-02

3.034 14.038

Variance Proportions (Constant) JS LLB .04 .00 .00 .78 .18

.01 .99

.02 .98

a. Dependent Variable: JPT Casewise Diagnosticsa

Case Number 1

LOKASI SDN Ceng I

2

SDN Ceng II SDN Bibis I SLTPN 7 SMUN 5 SMUN 6

Std. Residual

Predicted Value

JPT

Residual

.202

50

48.89

1.11

.202

45

43.88

1.12

.095

45

44.47

.53

-.291 1.032 -.952

110 170 142

111.60 164.30 147.25

-1.60 5.70 -5.25

SMU 1 TP SMEA TP STM 2 TP UTP

-.830 -.141 .085 1.928

29 35 101 261

33.58 35.78 100.53 250.36

-4.58 -.78 .47 10.64

11 12

STIE-AUB STMIK-AU B

-1.651

270

279.11

-9.11

.726

40

35.99

4.01

13

AAP Bentara

-.407

105

107.25

-2.25

3 4 5 6 7 8 9 10

a. Dependent Variable: JPT

C-49

Residuals Statisticsa

Predicted Value Residual Std. Predicted Value Std. Residual

Minimum 33.58 -9.11 -.900 -1.651

Maximum 279.11 10.64 2.072 1.928

Mean 107.92 7.65E-15 .000 .000

a. Dependent Variable: JPT

Regression MODEL TARIKAN PERJALANAN DENGAN SEPEDA Descriptive Statistics Mean 6.00 107.92 10276.58 3785.4338

Std. Deviation 11.06 82.77 10628.7728 3449.6228

PS PSM PM TP

36.85 87.62 9.46 7.08

33.99 70.32 8.31 8.16

13 13 13 13

BIAYA JARAK WAKTU

21.92 23.08 46.38

18.46 23.15 33.22

13 13 13

JPS JP LL LLB

N 13 13 13 13

C-49

Std. Deviation 82.62 5.04 1.000 .913

N 13 13 13 13

Correlations

Pearson Correlation

JPS JP LL LLB PS PSM PM TP BIAYA

Sig. (1-tailed)

JARAK WAKTU JPS JP LL LLB PS PSM PM TP BIAYA JARAK

N

WAKTU JPS JP LL LLB PS PSM PM TP BIAYA JARAK WAKTU

JPS 1.000 -.072 -.101

JP -.072 1.000 .645

LL -.101 .645 1.000

LLB -.095 .971 .721

-.095 .262 -.140 -.093

.971 .784 .981 .679

.721 .290 .716 .542

-.239 .169 -.064 -.146

.581 .919 .847 .930

. .408 .371 .379

PS .262 .784 .290

PSM -.140 .981 .716

PM -.093 .679 .542

TP -.239 .581 .250

BIAYA .169 .919 .631

JARAK -.064 .847 .555

WAKTU -.146 .930 .632

1.000 .774 .956 .578

.774 1.000 .733 .285

.956 .733 1.000 .743

.578 .285 .743 1.000

.587 .486 .536 .135

.915 .753 .890 .623

.844 .819 .867 .575

.872 .602 .916 .709

.250 .631 .555 .632

.587 .915 .844 .872

.486 .753 .819 .602

.536 .890 .867 .916

.135 .623 .575 .709

1.000 .564 .276 .685

.564 1.000 .692 .848

.276 .692 1.000 .641

.685 .848 .641 1.000

.408 . .009 .000

.371 .009 . .003

.379 .000 .003 .

.193 .001 .168 .001

.324 .000 .003 .000

.381 .005 .028 .019

.216 .019 .205 .018

.290 .000 .010 .000

.417 .000 .025 .000

.317 .000 .010 .000

.193 .324 .381 .216

.001 .000 .005 .019

.168 .003 .028 .205

.001 .000 .019 .018

. .002 .172 .046

.002 . .002 .029

.172 .002 . .331

.046 .029 .331 .

.001 .000 .011 .022

.000 .000 .020 .181

.015 .000 .003 .005

.290 .417 .317 13

.000 .000 .000 13

.010 .025 .010 13

.000 .000 .000 13

.001 .000 .015 13

.000 .000 .000 13

.011 .020 .003 13

.022 .181 .005 13

. .004 .000 13

.004 . .009 13

.000 .009 . 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13 13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

C-49

Variables Entered/Removed b

Model 1

Variables Entered WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, a JP

Variables Removed

Method

.

2

.

JP

Backward (criterion: Probabilit y of F-to-remo ve >= .100).

PM

Backward (criterion: Probabilit y of F-to-remo ve >= .100).

3

.

4

.

JARAK

.

WAKTU

5

6

.

TP

.

PSM

7

8

.

Enter

LL

Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100).

a. All requested variables entered. b. Dependent Variable: JPS

C-49

Model Summary

Model 1 2 3 4 5 6 7 8

i

.960a .960b

R Square .921 .921

Adjusted R Square .528 .685

Std. Error of the Estimate 7.60 6.21

.960c .947d .915e .890f .847g

.921 .897 .838 .793 .717

.763 .752 .676 .644 .576

5.39 5.51 6.30 6.60 7.20

.772h

.596

.461

8.12

R

a. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP b. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB c. Predictors: (Constant), WAKTU, PS, LL, TP, BIAYA, JARAK, PSM, LLB d. Predictors: (Constant), WAKTU, PS, LL, TP, BIAYA, PSM, LLB e. Predictors: (Constant), PS, LL, TP, BIAYA, PSM, LLB f. Predictors: (Constant), PS, LL, BIAYA, PSM, LLB g. Predictors: (Constant), PS, LL, BIAYA, LLB h. Predictors: (Constant), PS, BIAYA, LLB i. Dependent Variable: JPS

C-49

ANOVAi Sum of Squares df Mean Square F Sig. Regression 1352.434 10 135.243 2.341 .336a Residual 115.566 2 57.783 Total 1468.000 12 Regression 1352.348 9 150.261 3.898 .145b Residual 115.652 3 38.551 Total 1468.000 12 Regression 1351.993 8 168.999 5.827 .053c Residual 116.007 4 29.002 Total 1468.000 12 Regression 1316.340 7 188.049 6.200 .031d Residual 151.660 5 30.332 Total 1468.000 12 Regression 1230.211 6 205.035 5.174 .033e Residual 237.789 6 39.632 Total 1468.000 12 Regression 1163.528 5 232.706 5.350 .024f Residual 304.472 7 43.496 Total 1468.000 12 Regression 1053.288 4 263.322 5.080 .025g Residual 414.712 8 51.839 Total 1468.000 12 Regression 874.422 3 291.474 4.419 .036h Residual 593.578 9 65.953 Total 1468.000 12 a. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP

Model 1

2

3

4

5

6

7

8

b. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB c. Predictors: (Constant), WAKTU, PS, LL, TP, BIAYA, JARAK, PSM, LLB d. Predictors: (Constant), WAKTU, PS, LL, TP, BIAYA, PSM, LLB e. Predictors: (Constant), PS, LL, TP, BIAYA, PSM, LLB f. Predictors: (Constant), PS, LL, BIAYA, PSM, LLB g. Predictors: (Constant), PS, LL, BIAYA, LLB h. Predictors: (Constant), PS, BIAYA, LLB i. Dependent Variable: JPS

C-49

Coefficients

Model 1

2

3

4

5

6

7

8

(Constant) JP LL LLB PS PSM PM TP BIAYA JARAK WAKTU (Constant) LL LLB PS PSM PM TP BIAYA JARAK WAKTU (Constant) LL LLB PS PSM TP BIAYA JARAK WAKTU (Constant) LL LLB PS PSM TP BIAYA WAKTU (Constant) LL LLB PS PSM TP BIAYA (Constant) LL LLB PS PSM BIAYA (Constant) LL LLB PS BIAYA (Constant) LLB PS BIAYA

Unstandardized Coefficients B Std. Error -.159 5.630 2.809E-02 .729 7.730E-04 .001 -5.46E-03 .007 .330 .688 -.507 .312 .173 2.278 -.428 .791 1.026 1.911 .397 1.853 .385 1.248 -3.41E-02 3.755 7.390E-04 .000 -5.52E-03 .005 .309 .337 -.505 .251 .100 1.045 -.449 .464 1.090 .774 .458 .778 .430 .347 1.280E-02 3.229 7.281E-04 .000 -5.94E-03 .002 .282 .160 -.504 .218 -.457 .396 1.151 .389 .512 .462 .453 .223 1.063 3.157 6.640E-04 .000 -4.52E-03 .002 .417 .106 -.297 .114 -.718 .326 .799 .231 .290 .172 3.111 3.330 5.901E-04 .000 -5.10E-03 .002 .342 .109 -.159 .090 -.383 .295 .917 .251 1.927 3.355 7.343E-04 .000 -6.16E-03 .002 .367 .113 -.150 .094 .888 .262 .219 3.470 6.622E-04 .000 -8.61E-03 .002 .361 .123 .834 .284 2.556 3.648 -6.09E-03 .002 .223 .111 .835 .320

Standardi zed Coefficien ts Beta .210 .743 -1.704 1.013 -3.222 .130 -.316 1.713 .830 1.156 .710 -1.721 .948 -3.209 .075 -.332 1.820 .958 1.292 .700 -1.851 .865 -3.207 -.338 1.921 1.072 1.359 .638 -1.410 1.283 -1.890 -.530 1.333 .872 .567 -1.589 1.052 -1.008 -.282 1.531 .706 -1.921 1.129 -.955 1.483 .636 -2.686 1.109 1.392 -1.900 .684 1.393

a. Dependent Variable: JPS

C-49

a

t

Collinearity Statistics Tolerance VIF

Sig. -.028 .039 .785 -.834 .479 -1.625 .076 -.541 .537 .214 .308 -.009 2.064 -1.060 .916 -2.011 .096 -.968 1.408 .588 1.240 .004 2.473 -2.376 1.756 -2.318 -1.156 2.954 1.109 2.028 .337 2.249 -2.058 3.952 -2.605 -2.203 3.460 1.685 .934 1.768 -2.054 3.127 -1.756 -1.297 3.649 .574 2.228 -2.511 3.253 -1.592 3.387 .063 1.858 -4.135 2.931 2.937 .701 -3.418 2.012 2.607

.980 .973 .515 .492 .679 .246 .946 .643 .645 .850 .787 .993 .131 .367 .427 .138 .930 .404 .254 .598 .303 .997 .069 .076 .154 .081 .312 .042 .330 .112 .750 .074 .095 .011 .048 .079 .018 .153 .386 .127 .086 .020 .130 .242 .011 .584 .061 .040 .014 .155 .012 .951 .100 .003 .019 .019 .501 .008 .075 .028

.001 .044 .009 .009 .010 .013 .116 .004 .003 .003

756.867 22.734 105.953 113.518 99.858 74.451 8.657 258.480 382.046 357.043

.222 .010 .024 .010 .043 .224 .016 .010 .024

4.508 100.444 40.843 96.915 23.485 4.465 63.629 100.993 41.358

.247 .033 .081 .010 .232 .047 .021 .044

4.052 30.732 12.286 96.902 4.317 21.400 47.311 22.735

.257 .044 .196 .039 .358 .139 .077

3.896 22.720 5.100 25.464 2.797 7.185 12.953

.262 .045 .239 .082 .570 .153

3.810 22.174 4.190 12.216 1.754 6.520

.295 .051 .246 .082 .155

3.387 19.753 4.061 12.155 6.469

.301 .084 .247 .157

3.323 11.953 4.056 6.359

.145 .389 .157

6.874 2.571 6.359

a

Collinearity Diagnostics

Model Dimension 1 1 2 3 4 5 6 7 8 9 10 11 2 1 2 3 4 5 6 7 8 9 10 3 1 2 3 4 5 6 7 8 9 4 1 2 3 4 5 6 7 8 5 1 2 3 4 5 6 7 6 1 2 3 4 5 6 7 1 2 3 4 5 8 1 2 3 4

Eigenvalue 9.397 .521 .398 .322 .210 9.033E-02 3.164E-02 2.339E-02 3.929E-03 2.010E-03 2.051E-04 8.410 .521 .395 .322 .207 9.027E-02 2.599E-02 2.339E-02 3.868E-03 1.252E-03 7.651 .456 .368 .320 9.349E-02 7.526E-02 2.340E-02 1.125E-02 2.280E-03 6.820 .423 .327 .273 7.939E-02 4.846E-02 1.966E-02 8.727E-03 5.873 .423 .327 .265 5.888E-02 3.921E-02 1.379E-02 5.217 .343 .322 6.354E-02 3.994E-02 1.495E-02 4.256 .341 .315 6.257E-02 2.486E-02 3.526 .316 .123 3.471E-02 a. Dependent Variable: JPS

Condition Index (Constant) 1.000 .00 4.245 .00 4.859 .10 5.402 .21 6.692 .08 10.199 .00 17.233 .04 20.043 .17 48.903 .03 68.372 .08 214.072 .29 1.000 .00 4.016 .00 4.615 .14 5.113 .32 6.368 .13 9.652 .00 17.989 .07 18.962 .26 46.629 .06 81.950 .02 1.000 .00 4.095 .01 4.561 .13 4.893 .42 9.046 .00 10.082 .00 18.081 .28 26.076 .03 57.931 .12 1.000 .00 4.014 .00 4.567 .62 4.997 .00 9.269 .01 11.863 .01 18.626 .36 27.955 .00 1.000 .01 3.726 .00 4.238 .72 4.705 .00 9.987 .01 12.238 .01 20.635 .24 1.000 .01 3.898 .17 4.028 .60 9.061 .01 11.429 .01 18.680 .20 1.000 .01 3.533 .09 3.673 .76 8.248 .01 13.085 .13 1.000 .02 3.340 .95 5.351 .00 10.079 .03

JP .00 .00 .00 .00 .00 .00 .00 .00 .00 .07 .93

LL .00 .01 .00 .01 .04 .00 .05 .05 .01 .05 .78 .00 .03 .01 .08 .19 .00 .34 .25 .09 .01 .00 .05 .10 .04 .07 .30 .32 .04 .07 .00 .13 .00 .06 .38 .00 .42 .00 .00 .14 .00 .08 .34 .30 .14 .00 .22 .03 .40 .26 .08 .01 .26 .01 .32 .40

LLB .00 .00 .00 .00 .00 .00 .02 .03 .25 .51 .20 .00 .00 .00 .00 .00 .00 .04 .03 .19 .73 .00 .00 .00 .00 .00 .00 .13 .71 .15 .00 .00 .00 .00 .00 .00 .54 .45 .00 .00 .00 .00 .00 .04 .95 .00 .00 .00 .00 .05 .94 .00 .00 .01 .00 .98 .00 .02 .07 .90

C-49

Variance Proportions PS PSM PM .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .01 .00 .00 .00 .01 .00 .03 .04 .00 .00 .02 .59 .08 .08 .41 .03 .84 .00 .85 .00 .00 .00 .00 .00 .01 .01 .00 .00 .00 .00 .00 .00 .00 .04 .01 .00 .00 .03 .00 .09 .11 .00 .00 .04 .70 .25 .79 .29 .62 .00 .00 .00 .00 .03 .00 .01 .00 .00 .00 .10 .01 .41 .00 .04 .05 .41 .95 .00 .00 .01 .00 .00 .00 .15 .00 .20 .02 .05 .05 .53 .02 .05 .92 .00 .00 .02 .00 .00 .00 .17 .00 .49 .01 .17 .40 .15 .59 .00 .00 .08 .00 .05 .00 .61 .01 .14 .35 .11 .63 .01 .09 .04 .54 .32 .01 .04 .94 .01

TP .00 .07 .01 .01 .00 .07 .22 .05 .01 .13 .43 .00 .13 .03 .03 .00 .13 .52 .09 .04 .03 .00 .17 .00 .04 .19 .03 .07 .32 .18 .00 .21 .01 .24 .19 .00 .00 .34 .01 .34 .01 .46 .08 .02 .08

BIAYA .00 .00 .00 .00 .00 .01 .00 .01 .01 .05 .93 .00 .00 .00 .00 .00 .04 .00 .02 .03 .90 .00 .00 .00 .00 .10 .01 .07 .22 .60 .00 .00 .00 .00 .05 .82 .02 .11 .00 .00 .00 .00 .55 .39 .05 .00 .00 .01 .42 .50 .07 .00 .00 .01 .55 .44 .00 .01 .09 .89

JARAK .00 .00 .00 .00 .00 .00 .00 .00 .00 .07 .92 .00 .00 .00 .00 .00 .01 .00 .01 .00 .97 .00 .00 .00 .00 .02 .01 .02 .05 .89

WAKTU .00 .00 .00 .00 .00 .00 .01 .01 .01 .00 .97 .00 .00 .00 .00 .00 .00 .10 .11 .04 .75 .00 .00 .00 .00 .01 .06 .17 .08 .68 .00 .00 .00 .00 .11 .04 .25 .60

Excluded Variablesh

Model 2 3 4

5

6

7

8

JP JP PM JP PM JARAK JP PM JARAK WAKTU JP PM JARAK WAKTU TP JP PM JARAK WAKTU TP PSM JP PM JARAK WAKTU TP PSM LL

Beta In .210a -.133b .075b .841c .412c 1.072c 1.988d .543d -.214d .872d 2.024e .687e .456e .176e -.282e -.521f

t .039 -.053 .096 .384 .838 1.109 1.515 1.017 -.230 1.685 1.433 1.702 .778 .335 -1.297 -.575

Sig. .973 .961 .930 .721 .449 .330 .190 .356 .827 .153 .202 .140 .466 .749 .242 .583

-.135f -.158f -.270f -.255f -.955f -.897g -.114g .084g -.402g -.374g -.772g .636g

-.492 -.304 -.616 -1.032 -1.592 -.946 -.368 .149 -.847 -1.522 -1.062 1.858

.638 .770 .558 .336 .155 .372 .723 .886 .422 .166 .319 .100

Partial Correlation .027 -.031 .055 .189 .387 .485 .561 .414 -.103 .602 .505 .571 .303 .135 -.468 -.212

Collinearity Statistics Minimum Tolerance VIF Tolerance 1.321E-03 756.867 1.321E-03 4.189E-03 238.747 4.189E-03 4.258E-02 23.485 9.902E-03 5.184E-03 192.891 5.184E-03 9.089E-02 11.002 1.553E-02 2.114E-02 47.311 1.032E-02 1.290E-02 77.542 1.290E-02 9.408E-02 10.630 1.710E-02 3.710E-02 26.954 3.443E-02 7.720E-02 12.953 3.927E-02 1.290E-02 77.511 1.290E-02 .143 6.993 2.262E-02 9.128E-02 10.955 5.006E-02 .123 8.123 5.029E-02 .570 1.754 4.510E-02 4.695E-02 21.301 3.433E-02

-.183 .520 -.114 .147 -.227 .199 -.363 .573 -.516 8.227E-02 -.317 5.053E-02 -.129 .521 .052 .158 -.287 .206 -.474 .650 -.351 8.386E-02 .549 .301

1.923 6.780 5.034 1.745 12.155 19.792 1.919 6.310 4.865 1.539 11.925 3.323

a. Predictors in the Model: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB b. Predictors in the Model: (Constant), WAKTU, PS, LL, TP, BIAYA, JARAK, PSM, LLB c. Predictors in the Model: (Constant), WAKTU, PS, LL, TP, BIAYA, PSM, LLB d. Predictors in the Model: (Constant), PS, LL, TP, BIAYA, PSM, LLB e. Predictors in the Model: (Constant), PS, LL, BIAYA, PSM, LLB f. Predictors in the Model: (Constant), PS, LL, BIAYA, LLB g. Predictors in the Model: (Constant), PS, BIAYA, LLB h. Dependent Variable: JPS

C-49

8.296E-02 6.118E-02 6.254E-02 7.253E-02 5.062E-02 5.053E-02 .136 7.292E-02 .107 .140 6.121E-02 8.366E-02

Residuals Statisticsa

Predicted Value Residual Std. Predicted Value Std. Residual

Minimum -9.69 -7.42 -1.838 -.913

Maximum 29.40 14.69 2.741 1.808

Mean 6.00 2.12E-15 .000 .000

Std. Deviation 8.54 7.03 1.000 .866

N 13 13 13 13

a. Dependent Variable: JPS

Regression OUTPUT ANALISIS MODEL TARIKAN DENGAN MENGGUNAKAN SEPEDA Descriptive Statistics

JPS PSM TP PM

Mean 6.00 87.62 7.08 9.46

Std. Deviation 11.06 70.32 8.16 8.31

N 13 13 13 13

Correlations

Pearson Correlation

JPS PSM TP PM

JPS 1.000 -.140 -.239 -.093

PSM -.140 1.000 .536 .743

TP -.239 .536 1.000 .135

PM -.093 .743 .135 1.000

Sig. (1-tailed)

JPS PSM TP PM JPS

. .324 .216 .381 13

.324 . .029 .002 13

.216 .029 . .331 13

.381 .002 .331 . 13

PSM TP PM

13 13 13

13 13 13

13 13 13

13 13 13

N

b Variables Entered/Removed

Model 1

Variables Entered PM, aTP, PSM

Variables Removed .

Method Enter

a. All requested variables entered. b. Dependent Variable: JPS

C-49

Model Summaryb

Model 1

R .254a

R Square .064

Adjusted R Square -.247

Std. Error of the Estimate 12.35

a. Predictors: (Constant), PM, TP, PSM b. Dependent Variable: JPS

ANOVAb Sum of Squares df Regression 94.646 3 Residual 1373.354 9 Total 1468.000 12 a. Predictors: (Constant), PM, TP, PSM

Model 1

Mean Square 31.549 152.595

F .207

Sig. .889a

b. Dependent Variable: JPS Coefficientsa Standardi zed Unstandardized Coefficien Coefficients ts Model B Std. Error Beta 1 (Constant) 8.891 5.929 PSM 1.840E-02 .101 .117 TP -.383 .586 -.283 PM -.189 .726 -.142

t 1.500 .183

Sig. .168 .859

-.654 -.261

.529 .800

Collinearity Statistics Tolerance VIF .253

3.946

.556 .349

1.798 2.862

a. Dependent Variable: JPS Collinearity Diagnosticsa

Model 1

Dimension 1

Eigenvalue 3.245

Condition Index 1.000

(Constant) .03

2 3 4

.439 .257 5.796E-02

2.718 3.551 7.483

.01 .95 .01

a. Dependent Variable: JPS

C-49

Variance Proportions PSM TP .01 .02 .00 .05 .94

.47 .02 .49

PM .01 .10 .07 .82

Residuals Statisticsa

Predicted Value Residual Std. Predicted Value Std. Residual

Minimum -.42 -8.77 -2.286 -.710

Maximum 8.77 33.45 .985 2.708

Mean 6.00 3.29E-16 .000 .000

Std. Deviation 2.81 10.70 1.000 .866

a. Dependent Variable: JPS

Regression MODEL TARIKAN PERJALANAN DENGAN SEPEDA MOTOR Descriptive Statistics Mean 54.46 107.92 10276.58 3785.4338

Std. Deviation 47.83 82.77 10628.7728 3449.6228

PS PSM PM TP

36.85 87.62 9.46 7.08

33.99 70.32 8.31 8.16

13 13 13 13

BIAYA JARAK WAKTU

21.92 23.08 46.38

18.46 23.15 33.22

13 13 13

JPSM JP LL LLB

N 13 13 13 13

C-49

N 13 13 13 13

Correlations

Pearson Correlation

LL .654

LLB .964

PS .755

PSM .981

PM .657

TP .611

BIAYA .851

JARAK .869

WAKTU .916

1.000

.645

.971

.784

.981

.679

.581

.919

.847

.930

.645 .971

1.000 .721

.721 1.000

.290 .774

.716 .956

.542 .578

.250 .587

.631 .915

.555 .844

.632 .872

.755

.784

.290

.774

1.000

.733

.285

.486

.753

.819

.602

.981 .657

.981 .679

.716 .542

.956 .578

.733 .285

1.000 .743

.743 1.000

.536 .135

.890 .623

.867 .575

.916 .709

.611

.581

.250

.587

.486

.536

.135

1.000

.564

.276

.685

.851 .869

.919 .847

.631 .555

.915 .844

.753 .819

.890 .867

.623 .575

.564 .276

1.000 .692

.692 1.000

.848 .641

WAKTU JPSM

.916

.930

.632

.872

.602

.916

.709

.685

.848

.641

1.000

.

.000

.008

.000

.001

.000

.007

.013

.000

.000

.000

JP

.000 .008

. .009

.009 .

.000 .003

.001 .168

.000 .003

.005 .028

.019 .205

.000 .010

.000 .025

.000 .010

.000

.000

.003

.

.001

.000

.019

.018

.000

.000

.000

.001 .000

.001 .000

.168 .003

.001 .000

. .002

.002 .

.172 .002

.046 .029

.001 .000

.000 .000

.015 .000

PM TP

.007

.005

.028

.019

.172

.002

.

.331

.011

.020

.003

.013

.019

.205

.018

.046

.029

.331

.

.022

.181

.005

BIAYA

.000 .000

.000 .000

.010 .025

.000 .000

.001 .000

.000 .000

.011 .020

.022 .181

. .004

.004 .

.000 .009

.000

.000

.010

.000

.015

.000

.003

.005

.000

.009

.

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

LL LLB

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

PS

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13

13

13

13

13

13

13

13

13

13

13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13 13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

13

JPSM JP LL LLB PS PSM PM TP BIAYA JARAK

Sig. (1-tailed)

LL LLB PS PSM

JARAK WAKTU N

JPSM JP

PSM PM TP BIAYA JARAK WAKTU

JPSM 1.000

JP .982

.982 .654 .964

C-49

Variables Entered/Removedb

Model 1

Variables Entered WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, a LLB, JP

Variables Removed

Method

.

2

.

LL

3

.

PS

.

JARAK

.

PM

4

5

6

.

WAKTU

Enter

Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100).

a. All requested variables entered. b. Dependent Variable: JPSM

C-49

Model Summaryg

Model 1 2 3 4 5 6

R .998a .998b

R Square .997 .997

Adjusted R Square .980 .986

Std. Error of the Estimate 6.82 5.57

.998c .998d .998e .998f

.996 .996 .996 .995

.989 .991 .992 .992

5.00 4.49 4.35 4.23

a. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP b. Predictors: (Constant), WAKTU, PS, TP, PM, BIAYA, JARAK, PSM, LLB, JP c. Predictors: (Constant), WAKTU, TP, PM, BIAYA, JARAK, PSM, LLB, JP d. Predictors: (Constant), WAKTU, TP, PM, BIAYA, PSM, LLB, JP e. Predictors: (Constant), WAKTU, TP, BIAYA, PSM, LLB, JP f. Predictors: (Constant), TP, BIAYA, PSM, LLB, JP g. Dependent Variable: JPSM

C-49

ANOVAg

Model 1

2

3

4

5

6

Regression Residual

Sum of Squares 27354.253 92.978

Total Regression Residual Total

27447.231 27354.249 92.982 27447.231

12 9 3 12

Regression Residual Total Regression

27347.236 99.995 27447.231 27346.252

Residual Total Regression Residual Total Regression Residual Total

df

Mean Square 2735.425 46.489

F 58.840

Sig. .017a

3039.361 30.994

98.063

.002b

8 4 12 7

3418.404 24.999

136.743

.000c

3906.607

193.437

.000d

100.979 27447.231 27333.936 113.295 27447.231

5 12 6 6 12

20.196 4555.656 18.882

241.264

.000e

27321.875 125.355 27447.231

5 7 12

5464.375 17.908

305.137

.000f

10 2

a. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP b. Predictors: (Constant), WAKTU, PS, TP, PM, BIAYA, JARAK, PSM, LLB, JP c. Predictors: (Constant), WAKTU, TP, PM, BIAYA, JARAK, PSM, LLB, JP d. Predictors: (Constant), WAKTU, TP, PM, BIAYA, PSM, LLB, JP e. Predictors: (Constant), WAKTU, TP, BIAYA, PSM, LLB, JP f. Predictors: (Constant), TP, BIAYA, PSM, LLB, JP g. Dependent Variable: JPSM

C-49

Coefficients a

Unstandardized Coefficients Model B Std. Error 1 (Constant) -4.208 5.050 JP .470 .654 LL -8.24E-06 .001 LLB 5.752E-03 .006 PS .132 .617 PSM .290 .280 PM .707 2.043 TP .743 .710 BIAYA -1.350 1.714 JARAK -.407 1.662 WAKTU -.366 1.120 2 (Constant) -4.240 3.041 JP .476 .238 LLB 5.763E-03 .005 PS .137 .288 PSM .289 .220 PM .723 .954 TP .748 .404 BIAYA -1.363 .802 JARAK -.419 .829 WAKTU -.375 .483 3 (Constant) -4.317 2.727 JP .447 .207 LLB 3.961E-03 .002 PSM .241 .176 PM .347 .481 TP .790 .354 BIAYA -1.022 .322 JARAK -6.53E-02 .329 WAKTU -.227 .332 4 (Constant) -4.484 2.331 JP .417 .125 LLB 3.971E-03 .002 PSM .224 .138 PM .335 .428 TP .784 .318 BIAYA -.976 .204 WAKTU -.172 .163 5 (Constant) -4.389 2.250 JP .390 .116 LLB 3.041E-03 .002 PSM .296 .100 TP .633 .244 BIAYA -.913 .181 WAKTU -.110 .137 6 (Constant) -4.594 2.177 JP .347 .100 LLB 3.756E-03 .002 PSM .273 .093 TP .517 .190 BIAYA -.921 .176 a. Dependent Variable: JPSM

Standardi zed Coefficien ts Beta .814 -.002 .415 .094 .426 .123 .127 -.521 -.197 -.255 .824 .416 .097 .425 .126 .128 -.526 -.203 -.261 .773 .286 .354 .060 .135 -.394 -.032 -.158 .721 .286 .329 .058 .134 -.377 -.119 .674 .219 .435 .108 -.352 -.076 .600 .271 .402 .088 -.355

C-49

t -.833 .719 -.009 .979 .214 1.035 .346 1.047 -.788 -.245 -.327 -1.394 2.000 1.229 .476 1.311 .758 1.849 -1.699 -.505 -.777 -1.583 2.164 1.598 1.369 .722 2.228 -3.171 -.198 -.685 -1.924 3.341 1.782 1.622 .781 2.469 -4.776 -1.056 -1.950 3.363 1.670 2.968 2.598 -5.033 -.799 -2.110 3.468 2.433 2.935 2.717 -5.218

Sig. .492 .547 .993 .431 .850 .409 .762 .405 .513 .830 .775 .258 .139 .307 .667 .281 .504 .162 .188 .648 .494 .189 .096 .185 .243 .510 .090 .034 .852 .531 .112 .021 .135 .166 .470 .057 .005 .339 .099 .015 .146 .025 .041 .002 .455 .073 .010 .045 .022 .030 .001

Collinearity Statistics Tolerance VIF .001 .044 .009 .009 .010 .013 .116 .004 .003 .003

756.867 22.734 105.953 113.518 99.858 74.451 8.657 258.480 382.046 357.043

.007 .010 .027 .011 .041 .237 .012 .007 .010

150.098 101.245 37.036 92.956 24.344 4.215 84.991 142.452 99.783

.007 .028 .014 .130 .249 .059 .036 .017

140.239 35.120 73.587 7.668 4.015 16.990 27.877 58.271

.016 .028 .018 .133 .251 .118 .058

63.272 35.106 56.044 7.537 3.990 8.468 17.381

.017 .040 .032 .398 .140 .076

58.428 25.073 31.215 2.515 7.128 13.227

.022 .053 .035 .620 .141

45.850 19.011 28.735 1.613 7.108

Collinearity Diagnosticsa

Model 1

Dimension Eigenvalue 1 9.397 2 .521 3 .398 4 5 6 7 8 9 10

2

11 1 2 3 4 5 6 7 8 9 10

3

1 2 3 4 5 6 7 8 9

4

1 2 3 4 5 6 7 8

5

1 2 3 4 5 6 7

6

1 2 3 4 5 6

Variance Proportions

Condition Index 1.000

(Constant) .00

JP .00

LL .00

LLB .00

PS .00

PSM .00

PM .00

TP .00

BIAYA .00

JARAK .00

WAKTU .00

4.245

.00

.00

.01

.00

.00

.00

.00

.07

.00

.00

.00

.322

4.859 5.402

.10 .21

.00 .00

.00 .01

.00 .00

.00 .00

.00 .00

.00 .00

.01 .01

.00 .00

.00 .00

.00 .00

.210 9.033E-02

6.692 10.199

.08 .00

.00 .00

.04 .00

.00 .00

.00 .00

.00 .00

.01 .00

.00 .07

.00 .01

.00 .00

.00 .00

3.164E-02

17.233

.04

.00

.05

.02

.01

.00

.03

.22

.00

.00

.01

2.339E-02 3.929E-03

20.043 48.903

.17 .03

.00 .00

.05 .01

.03 .25

.04 .02

.00 .59

.00 .08

.05 .01

.01 .01

.00 .00

.01 .01

2.010E-03 2.051E-04

68.372 214.072

.08 .29

.07 .93

.05 .78

.51 .20

.08 .84

.41 .00

.03 .85

.13 .43

.05 .93

.07 .92

.00 .97

8.667

1.000

.00

.00

.00

.00

.00

.00

.00

.00

.00

.00

.478 .390

4.257 4.715

.00 .28

.00 .00

.00 .00

.00 .01

.00 .00

.01 .01

.18 .01

.00 .00

.00 .00

.00 .00

.279 9.056E-02

5.575 9.782

.41 .00

.00 .00

.00 .00

.01 .00

.00 .00

.01 .00

.01 .15

.00 .03

.00 .01

.00 .00

6.160E-02

11.861

.18

.00

.02

.06

.00

.07

.07

.00

.00

.00

2.652E-02 4.290E-03

18.078 44.948

.07 .01

.01 .02

.00 .17

.02 .00

.00 .68

.03 .17

.44 .03

.02 .01

.01 .00

.06 .00

2.785E-03 8.203E-04

55.786 102.787

.00 .04

.48 .49

.37 .43

.23 .67

.03 .29

.10 .61

.10 .00

.05 .88

.04 .94

.04 .89

7.838

1.000

.00

.00

.00

.00

.00

.00

.00

.00

.00

.476 .353

4.057 4.710

.00 .52

.00 .00

.00 .00

.00 .00

.02 .01

.19 .00

.00 .00

.00 .00

.00 .00

.196

6.326

.24

.00

.00

.00

.11

.01

.00

.03

.00

8.816E-02 3.191E-02

9.429 15.672

.02 .00

.00 .00

.01 .02

.00 .00

.04 .17

.19 .44

.14 .15

.04 .04

.00 .07

1.082E-02 4.255E-03

26.917 42.919

.16 .02

.03 .04

.64 .29

.01 .92

.17 .40

.03 .05

.15 .02

.09 .06

.06 .01

1.644E-03

69.049

.03

.93

.04

.06

.07

.09

.53

.74

.86

7.019 .442

1.000 3.983

.00 .02

.00 .00

.00 .00

.00 .00

.00 .04

.00 .20

.00 .00

.00 .00

.322 .137

4.671 7.167

.69 .15

.00 .00

.00 .01

.00 .00

.00 .17

.01 .17

.01 .03

.00 .01

4.951E-02

11.907

.00

.01

.02

.02

.02

.01

.67

.01

2.015E-02 6.534E-03

18.663 32.777

.06 .04

.01 .19

.04 .90

.02 .23

.22 .19

.47 .00

.02 .06

.62 .12

3.576E-03 6.248

44.306 1.000

.03 .01

.80 .00

.02 .00

.73 .00

.35

.13 .00

.22 .00

.24 .00

.334

4.325

.57

.00

.00

.00

.21

.00

.00

.311 5.650E-02

4.486 10.516

.18 .05

.00 .00

.00 .00

.00 .02

.38 .02

.01 .57

.00 .11

3.644E-02 9.338E-03

13.094 25.868

.14 .00

.00 .00

.17 .53

.01 .67

.07 .30

.30 .07

.25 .43

4.626E-03

36.753

.05

.99

.28

.30

.02

.05

.20

5.285 .334

1.000 3.978

.01 .57

.00 .00

.00 .00

.00 .00

.01 .32

.00 .00

.310 4.888E-02

4.126 10.398

.18 .00

.00 .01

.01 .02

.00 .05

.60 .01

.01 .84

1.674E-02

17.768

.17

.02

.91

.20

.03

.06

5.294E-03

31.596

.07

.97

.07

.75

.04

.09

a. Dependent Variable: JPSM

C-49

f Excluded Variables

Model 2 3 4

5

6

LL LL PS LL PS JARAK LL PS JARAK PM LL PS JARAK PM WAKTU

Beta In -.002a -.036b .097b -.036c .005c -.032c -.048d -.020d -.017d .058d -.055e .014e .044e .020e -.076e

t -.009 -.393 .476 -.453 .056 -.198 -.658 -.301 -.110 .781 -1.090 .306 .611 .301 -.799

Partial Correlation -.007 -.221 .265 -.221 .028 -.099 -.282 -.133 -.049 .330 -.406 .124 .242 .122 -.310

Sig. .993 .721 .667 .674 .958 .852 .539 .776 .916 .470 .318 .770 .564 .774 .455

Collinearity Statistics Minimum Tolerance VIF Tolerance 4.399E-02 22.734 1.321E-03 .135 7.417 3.672E-03 2.700E-02 37.036 6.662E-03 .135 7.416 5.175E-03 .138 7.248 9.501E-03 3.587E-02 27.877 7.131E-03 .143 6.979 5.911E-03 .178 5.612 9.620E-03 3.649E-02 27.402 7.742E-03 .133 7.537 1.580E-02 .254 3.937 1.302E-02 .344 2.908 1.938E-02 .138 7.232 2.106E-02 .174 5.736 1.821E-02 7.561E-02 13.227 1.712E-02

a. Predictors in the Model: (Constant), WAKTU, PS, TP, PM, BIAYA, JARAK, PSM, LLB, JP b. Predictors in the Model: (Constant), WAKTU, TP, PM, BIAYA, JARAK, PSM, LLB, JP c. Predictors in the Model: (Constant), WAKTU, TP, PM, BIAYA, PSM, LLB, JP d. Predictors in the Model: (Constant), WAKTU, TP, BIAYA, PSM, LLB, JP e. Predictors in the Model: (Constant), TP, BIAYA, PSM, LLB, JP f. Dependent Variable: JPSM

Residuals Statisticsa

Predicted Value Residual Std. Predicted Value Std. Residual

Minimum 8.54 -7.48 -.962 -1.768

Maximum 150.88 4.46 2.021 1.055

Mean 54.46 -1.50E-15 .000 .000

Std. Deviation 47.72 3.23 1.000 .764

a. Dependent Variable: JPSM

Regression OUTPUT ANALISIS MODEL DENGAN SEPEDA MOTOR Descriptive Statistics JPSM PSM

Mean 54.46 87.62

Std. Deviation 47.83 70.32

N 13 13

C-49

N 13 13 13 13

Correlations

Pearson Correlation Sig. (1-tailed) N

JPSM PSM JPSM

JPSM 1.000 .981 .

PSM .981 1.000 .000

PSM JPSM PSM

.000 13 13

. 13 13

Variables Entered/Removedb

Model 1

Variables Entered PSMa

Variables Removed

Method Enter

.

a. All requested variables entered. b. Dependent Variable: JPSM Model Summaryb

Model 1

R .981a

R Square .961

Adjusted R Square .958

Std. Error of the Estimate 9.81

a. Predictors: (Constant), PSM b. Dependent Variable: JPSM

ANOVAb Sum of Squares Regression 26388.379 Residual 1058.851 Total 27447.231 a. Predictors: (Constant), PSM

Model 1

df 1 11 12

Mean Square 26388.379 96.259

F 274.139

Sig. .000 a

b. Dependent Variable: JPSM a Coefficients

Unstandardized Coefficients Model 1 (Constant) PSM

B Std. Error -3.970 4.456 .667 .040

Standardi zed Coefficien ts Beta .981

a. Dependent Variable: JPSM

C-49

Collinearity Statistics t -.891 16.557

Sig. Tolerance .392 .000 1.000

VIF 1.000

a Collinearity Diagnostics

Model 1

Condition Index 1.000 2.935

Dimension 1 2

Eigenvalue 1.792 .208 a. Dependent Variable: JPSM

Variance Proportions (Constant) PSM .10 .10 .90 .90

Residuals Statisticsa

Predicted Value Residual Std. Predicted Value Std. Residual

Minimum 6.03 -14.40 -1.033 -1.468

Maximum 137.41 21.92 1.769 2.234

Mean 54.46 .00 .000 .000

Std. Deviation 46.89 9.39 1.000 .957

N 13 13 13 13

a. Dependent Variable: JPSM

Regression MODEL TARIKAN PERJALANAN DENGAN MENGGUNAKAN MOBIL Descriptive Statistics

JPM JP LL LLB

Mean 2.31 107.92 10276.58 3785.4338

Std. Deviation 2.43 82.77 10628.7728 3449.6228

N

PS PSM PM TP

36.85 87.62 9.46 7.08

33.99 70.32 8.31 8.16

13 13 13 13

BIAYA JARAK WAKTU

21.92 23.08 46.38

18.46 23.15 33.22

13 13 13

13 13 13 13

C-49

Correlations Pearson Correlation

Sig. (1-tailed)

N

JPM JP LL LLB PS PSM PM TP BIAYA JARAK WAKTU JPM JP LL LLB PS PSM PM TP BIAYA JARAK WAKTU JPM JP LL LLB PS PSM PM TP BIAYA JARAK WAKTU

JPM 1.000 .723 .268 .681 .692 .732 .430 .453 .514 .768 .633 . .003 .188 .005 .004 .002 .071 .060 .036 .001 .010 13 13 13 13 13 13 13 13 13 13 13

JP .723 1.000 .645 .971 .784 .981 .679 .581 .919 .847 .930 .003 . .009 .000 .001 .000 .005 .019 .000 .000 .000 13 13 13 13 13 13 13 13 13 13 13

LL .268 .645 1.000 .721 .290 .716 .542 .250 .631 .555 .632 .188 .009 . .003 .168 .003 .028 .205 .010 .025 .010 13 13 13 13 13 13 13 13 13 13 13

LLB .681 .971 .721 1.000 .774 .956 .578 .587 .915 .844 .872 .005 .000 .003 . .001 .000 .019 .018 .000 .000 .000 13 13 13 13 13 13 13 13 13 13 13

C-49

PS .692 .784 .290 .774 1.000 .733 .285 .486 .753 .819 .602 .004 .001 .168 .001 . .002 .172 .046 .001 .000 .015 13 13 13 13 13 13 13 13 13 13 13

PSM .732 .981 .716 .956 .733 1.000 .743 .536 .890 .867 .916 .002 .000 .003 .000 .002 . .002 .029 .000 .000 .000 13 13 13 13 13 13 13 13 13 13 13

PM .430 .679 .542 .578 .285 .743 1.000 .135 .623 .575 .709 .071 .005 .028 .019 .172 .002 . .331 .011 .020 .003 13 13 13 13 13 13 13 13 13 13 13

TP .453 .581 .250 .587 .486 .536 .135 1.000 .564 .276 .685 .060 .019 .205 .018 .046 .029 .331 . .022 .181 .005 13 13 13 13 13 13 13 13 13 13 13

BIAYA .514 .919 .631 .915 .753 .890 .623 .564 1.000 .692 .848 .036 .000 .010 .000 .001 .000 .011 .022 . .004 .000 13 13 13 13 13 13 13 13 13 13 13

JARAK .768 .847 .555 .844 .819 .867 .575 .276 .692 1.000 .641 .001 .000 .025 .000 .000 .000 .020 .181 .004 . .009 13 13 13 13 13 13 13 13 13 13 13

WAKTU .633 .930 .632 .872 .602 .916 .709 .685 .848 .641 1.000 .010 .000 .010 .000 .015 .000 .003 .005 .000 .009 . 13 13 13 13 13 13 13 13 13 13 13

Variables Entered/Removed Model 1

Variables Entered WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, a LLB, JP

Variables Removed

Method

.

2

.

JP

.

TP

.

PM

.

WAKTU

.

JARAK

.

LLB

.

PS

3

4

5

6

7

8

b

Enter

Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100).

a. All requested variables entered. b. Dependent Variable: JPM

C-49

Model Summaryi

Model 1 2 3 4 5 6 7 8

R .909a .909b

R Square .827 .827

Adjusted R Square -.038 .308

Std. Error of the Estimate 2.47 2.02

.909c .907d .902e .900f .893g

.826 .823 .814 .810 .798

.479 .576 .629 .674 .697

1.75 1.58 1.48 1.39 1.34

.876h

.767

.689

1.35

a. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP b. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB c. Predictors: (Constant), WAKTU, PS, LL, PM, BIAYA, JARAK, PSM, LLB d. Predictors: (Constant), WAKTU, PS, LL, BIAYA, JARAK, PSM, LLB e. Predictors: (Constant), PS, LL, BIAYA, JARAK, PSM, LLB f. Predictors: (Constant), PS, LL, BIAYA, PSM, LLB g. Predictors: (Constant), PS, LL, BIAYA, PSM h. Predictors: (Constant), LL, BIAYA, PSM i. Dependent Variable: JPM

C-49

ANOVAi

Model 1

2

3

4

5

6

7

8

Regression Residual

Sum of Squares 58.532 12.238

Total Regression Residual Total

70.769 58.528 12.241 70.769

12 9 3 12

Regression Residual Total Regression

58.484 12.285 70.769 58.260

Residual Total Regression Residual

df

Mean Square 5.853 6.119

F .957

Sig. .613a

6.503 4.080

1.594

.385b

8 4 12 7

7.311 3.071

2.380

.210c

8.323

3.327

.102d

12.509 70.769 57.624 13.145

5 12 6 6

2.502 9.604 2.191

4.384

.048e

Total Regression Residual Total

70.769 57.312 13.457 70.769

12 5 7 12

11.462 1.922

5.963

.018f

Regression Residual Total Regression

56.490 14.280 70.769 54.253

4 8 12 3

14.122 1.785

7.912

.007g

18.084

9.855

.003h

Residual Total

16.516 70.769

9 12

1.835

10 2

a. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP b. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB c. Predictors: (Constant), WAKTU, PS, LL, PM, BIAYA, JARAK, PSM, LLB d. Predictors: (Constant), WAKTU, PS, LL, BIAYA, JARAK, PSM, LLB e. Predictors: (Constant), PS, LL, BIAYA, JARAK, PSM, LLB f. Predictors: (Constant), PS, LL, BIAYA, PSM, LLB g. Predictors: (Constant), PS, LL, BIAYA, PSM h. Predictors: (Constant), LL, BIAYA, PSM i. Dependent Variable: JPM

C-49

Coefficients a

Unstandardized Coefficients Model B Std. Error 1 (Constant) .544 1.832 JP -5.79E-03 .237 LL -1.13E-04 .000 LLB 8.036E-04 .002 PS 5.201E-02 .224 PSM 8.097E-02 .101 PM 5.705E-02 .741 TP -2.00E-02 .257 BIAYA -.207 .622 JARAK -.109 .603 WAKTU -4.00E-02 .406 2 (Constant) .518 1.222 LL -1.06E-04 .000 LLB 8.155E-04 .002 PS 5.638E-02 .110 PSM 8.055E-02 .082 PM 7.201E-02 .340 TP -1.56E-02 .151 BIAYA -.221 .252 JARAK -.121 .253 WAKTU -4.93E-02 .113 3 (Constant) .497 1.045 LL -1.02E-04 .000 LLB 7.900E-04 .001 PS 5.492E-02 .094 PSM 7.795E-02 .067 PM 7.842E-02 .290 BIAYA -.216 .216 JARAK -.114 .212 WAKTU -5.06E-02 .097 4 (Constant) .526 .938 LL -1.10E-04 .000 LLB 4.424E-04 .001 PS 3.242E-02 .040 PSM 7.707E-02 .061 BIAYA -.166 .096 JARAK -6.72E-02 .109 WAKTU -3.30E-02 .066 5 (Constant) .303 .773 LL -9.93E-05 .000 LLB 3.595E-04 .001 PS 2.562E-02 .035 PSM 5.012E-02 .027 BIAYA -.143 .080 JARAK -2.31E-02 .061 6 (Constant) .370 .705 LL -1.06E-04 .000 LLB 3.374E-04 .001 PS 1.629E-02 .024 PSM 4.384E-02 .020 BIAYA -.123 .055 7 (Constant) .186 .623 LL -8.71E-05 .000 PS 2.305E-02 .021 PSM 5.200E-02 .015 BIAYA -.109 .049 8 (Constant) .318 .620 LL -1.22E-04 .000 PSM 5.933E-02 .014 BIAYA -8.91E-02 .046 a. Dependent Variable: JPM

Standardi zed Coefficien ts Beta -.197 -.493 1.142 .728 2.345 .195 -.067 -1.577 -1.034 -.547 -.463 1.158 .789 2.332 .247 -.052 -1.677 -1.155 -.674 -.447 1.122 .769 2.257 .268 -1.646 -1.088 -.692 -.479 .628 .454 2.232 -1.260 -.640 -.452 -.435 .511 .359 1.451 -1.088 -.220 -.464 .479 .228 1.269 -.934 -.381 .323 1.506 -.828 -.535 1.718 -.677

C-49

t .297 -.024 -.352 .377 .232 .798 .077 -.078 -.334 -.180 -.098 .424 -.907 .481 .514 .987 .212 -.103 -.876 -.478 -.437 .476 -1.057 .543 .582 1.157 .270 -1.003 -.539 -.519 .561 -1.309 .720 .807 1.269 -1.720 -.615 -.504 .392 -1.307 .649 .724 1.861 -1.794 -.377 .524 -1.528 .654 .686 2.209 -2.227 .298 -1.434 1.119 3.496 -2.221 .513 -2.317 4.381 -1.921

Sig. .794 .983 .759 .742 .838 .509 .946 .945 .770 .874 .931 .700 .431 .663 .643 .397 .846 .924 .446 .665 .692 .659 .350 .616 .592 .312 .800 .373 .618 .631 .599 .248 .504 .456 .260 .146 .565 .636 .709 .239 .540 .496 .112 .123 .719 .617 .170 .534 .515 .063 .061 .774 .190 .295 .008 .057 .620 .046 .002 .087

Collinearity Statistics Tolerance VIF .001 .044 .009 .009 .010 .013 .116 .004 .003 .003

756.867 22.734 105.953 113.518 99.858 74.451 8.657 258.480 382.046 357.043

.222 .010 .024 .010 .043 .224 .016 .010 .024

4.508 100.444 40.843 96.915 23.485 4.465 63.629 100.993 41.358

.242 .010 .025 .011 .044 .016 .011 .024

4.125 98.312 40.164 87.690 22.703 62.022 93.832 40.865

.263 .046 .112 .011 .066 .033 .044

3.798 21.523 8.937 87.488 15.174 30.654 22.728

.280 .050 .126 .051 .084 .091

3.575 19.977 7.926 19.639 11.891 10.955

.295 .051 .246 .082 .155

3.387 19.753 4.061 12.155 6.469

.357 .304 .136 .181

2.801 3.292 7.355 5.516

.487 .169 .209

2.054 5.929 4.796

a Collinearity Diagnostics

Condition Index 1.000 4.245

(Constant) .00 .00

.322

4.859 5.402

.210 9.033E-02

Model Dimension Eigenvalue 1 1 9.397 2 .521 3 .398 4 5 6 7 8 9 10 11 2

1 2 3 4 5 6 7 8 9

3

10 1 2 3 4 5 6 7 8 9

4

1 2 3 4 5 6 7 8

5

1 2 3 4 5 6

6

7 1 2 3 4 5 6

7

1 2 3 4

8

5 1 2 3 4

JP

LL

Variance Proportions PS PSM PM .00 .00 .00 .00 .00 .00

.00 .00

.00 .01

LLB .00 .00

TP .00 .07

BIAYA .00 .00

JARAK .00 .00

WAKTU .00 .00

.10 .21

.00 .00

.00 .01

.00 .00

.00 .00

.00 .00

.00 .00

.01 .01

.00 .00

.00 .00

.00 .00

6.692 10.199

.08 .00

.00 .00

.04 .00

.00 .00

.00 .00

.00 .00

.01 .00

.00 .07

.00 .01

.00 .00

.00 .00

3.164E-02 2.339E-02

17.233 20.043

.04 .17

.00 .00

.05 .05

.02 .03

.01 .04

.00 .00

.03 .00

.22 .05

.00 .01

.00 .00

.01 .01

3.929E-03 2.010E-03

48.903 68.372

.03 .08

.00 .07

.01 .05

.25 .51

.02 .08

.59 .41

.08 .03

.01 .13

.01 .05

.00 .07

.01 .00

2.051E-04 8.410

214.072 1.000

.29 .00

.93

.78 .00

.20 .00

.84 .00

.00 .00

.85 .00

.43 .00

.93 .00

.92 .00

.97 .00

.521 .395

4.016 4.615

.00 .14

.03 .01

.00 .00

.00 .01

.00 .00

.01 .00

.13 .03

.00 .00

.00 .00

.00 .00

.322 .207

5.113 6.368

.32 .13

.08 .19

.00 .00

.00 .00

.00 .00

.00 .04

.03 .00

.00 .00

.00 .00

.00 .00

9.027E-02 2.599E-02

9.652 17.989

.00 .07

.00 .34

.00 .04

.01 .03

.00 .00

.00 .09

.13 .52

.04 .00

.01 .00

.00 .10

2.339E-02 3.868E-03 1.252E-03

18.962 46.629 81.950

.26 .06 .02

.25 .09 .01

.03 .19 .73

.11 .04 .79

.00 .70 .29

.00 .25 .62

.09 .04 .03

.02 .03 .90

.01 .00 .97

.11 .04 .75

7.790 .417

1.000 4.321

.00 .05

.00 .05

.00 .00

.00 .01

.00 .00

.00 .01

.00 .00

.00 .00

.00 .00

.341 .212

4.782 6.064

.42 .09

.07 .20

.00 .00

.00 .00

.00 .00

.00 .04

.00 .00

.00 .00

.00 .00

.157 5.480E-02

7.052 11.922

.04 .00

.03 .05

.00 .00

.00 .01

.00 .00

.00 .02

.01 .04

.01 .00

.01 .06

2.374E-02 4.031E-03

18.114 43.960

.34 .05

.50 .06

.06 .19

.15 .04

.00 .74

.01 .18

.02 .03

.01 .00

.03 .08

1.291E-03 7.008

77.666 1.000

.01 .00

.02 .00

.74 .00

.80 .00

.25 .00

.73

.90 .00

.97 .00

.82 .00

.368 .340

4.365 4.538

.13 .39

.11 .10

.00 .00

.04 .01

.00 .00

.00 .00

.01 .00

.00 .00

.159 7.714E-02

6.629 9.531

.06 .00

.10 .20

.00 .00

.00 .12

.00 .01

.04 .06

.04 .02

.02 .05

2.826E-02 1.639E-02

15.749 20.680

.16 .16

.35 .11

.01 .96

.52 .02

.00 .02

.28 .15

.04 .02

.10 .01

2.717E-03 6.089

50.788 1.000

.10 .01

.03 .00

.03 .00

.29 .00

.97 .00

.47 .00

.87 .00

.83

.360 .340

4.111 4.231

.16 .54

.15 .09

.00 .00

.04 .01

.00 .00

.00 .00

.01 .00

.132 5.066E-02

6.804 10.963

.02 .03

.03 .61

.00 .01

.00 .45

.00 .11

.12 .00

.16 .03

1.711E-02 1.129E-02

18.865 23.228

.07 .18

.04 .08

.82 .15

.02 .48

.01 .88

.49 .40

.20 .60

5.217 .343

1.000 3.898

.01 .17

.00 .22

.00 .00

.00 .08

.00 .00

.00 .00

.322 6.354E-02

4.028 9.061

.60 .01

.03 .40

.00 .00

.05 .61

.00 .01

.01 .42

3.994E-02 1.495E-02

11.429 18.680

.01 .20

.26 .08

.05 .94

.14 .11

.35 .63

.50 .07

4.264 .341 .295

1.000 3.538 3.803

.01 .05 .93

.01 .32 .00

.01 .13 .05

.00 .00 .01

.00 .00 .02

6.323E-02 3.671E-02

8.213 10.778

.01 .00

.43 .24

.70 .11

.02 .97

.56 .42

3.474 .308

1.000 3.361

.02 .87

.02 .17

.00 .01

.01 .01

.180 3.880E-02

4.399 9.463

.10 .01

.71 .10

.04 .95

.14 .84

a. Dependent Variable: JPM

C-49

Excluded Variablesh

Model 2 3 4

5

6

7

8

JP JP TP JP TP

Collinearity Statistics Minimum Tolerance VIF Tolerance 1.321E-03 756.867 1.321E-03

Beta In -.197a

t -.024

Sig. .983

Partial Correlation -.017

.239 b -.052b -.430c -.072c .268 c

.050 -.103 -.143 -.165 .270

.963 .924 .893 .877 .800

.029 -.060 -.071 -.082 .134

2.561E-03 .224 4.858E-03 .232 4.405E-02

390.401 4.465 205.829 4.317 22.703

2.561E-03 9.902E-03 4.858E-03 1.032E-02 1.017E-02

-.829d -.068d -.075d -.452d -.702e

-.493 -.171 -.110 -.504 -.456

.643 .871 .917 .636 .665

-.215 -.076 -.049 -.220 -.183

1.251E-02 .232 7.920E-02 4.400E-02 1.290E-02

79.941 4.315 12.627 22.728 77.511

1.251E-02 3.443E-02 1.903E-02 1.143E-02 1.290E-02

.040 e -.159e -.010e -.220e .011 f

.170 -.341 -.019 -.377 .009

.871 .745 .985 .719 .993

.069 -.138 -.008 -.152 .003

.570 .143 .123 9.128E-02 2.031E-02

1.754 6.993 8.123 10.955 49.228

4.510E-02 2.262E-02 5.029E-02 5.006E-02 2.031E-02

.080 f -.231f .015 f -.180f .479 f .258 g

.381 -.710 .032 -.324 .654 .220

.714 .501 .975 .755 .534 .831

.143 -.259 .012 -.122 .240 .078

.640 .255 .124 9.231E-02 5.062E-02 2.118E-02

1.563 3.923 8.068 10.833 19.753 47.212

.132 6.607E-02 6.340E-02 6.223E-02 5.062E-02 2.118E-02

.074 g -.307g -.189g .211 g .698 g

.349 -1.317 -.439 .579 1.095

.736 .224 .672 .579 .305

.123 -.422 -.153 .200 .361

.640 .440 .154 .210 6.245E-02

1.561 2.272 6.475 4.765 16.013

.163 .129 9.797E-02 7.112E-02 6.245E-02

.323 g

1.119

.295

.368

.304

3.292

.136

PM JP TP PM WAKTU JP TP PM WAKTU JARAK JP TP PM WAKTU JARAK LLB JP TP PM WAKTU JARAK LLB PS

a. Predictors in the Model: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB b. Predictors in the Model: (Constant), WAKTU, PS, LL, PM, BIAYA, JARAK, PSM, LLB c. Predictors in the Model: (Constant), WAKTU, PS, LL, BIAYA, JARAK, PSM, LLB d. Predictors in the Model: (Constant), PS, LL, BIAYA, JARAK, PSM, LLB e. Predictors in the Model: (Constant), PS, LL, BIAYA, PSM, LLB f. Predictors in the Model: (Constant), PS, LL, BIAYA, PSM g. Predictors in the Model: (Constant), LL, BIAYA, PSM h. Dependent Variable: JPM

Residuals Statisticsa

Predicted Value Residual Std. Predicted Value Std. Residual

Minimum -4.42E-02 -1.65 -1.106 -1.220

Maximum 6.83 2.03 2.128 1.495

Mean 2.31 -1.37E-16 .000 .000

a. Dependent Variable: JPM

C-49

Std. Deviation 2.13 1.17 1.000 .866

N 13 13 13 13

Regression OUTPUT ANALISIS MODEL TARIKAN DENGAN MOBIL Descriptive Statistics

JPM PSM PM

Mean 2.50 92.42 9.50

Std. Deviation 2.43 71.18 8.68

N 12 12 12

Correlations Pearson Correlation

Sig. (1-tailed)

N

JPM 1.000 .713 .444 . .005 .074 12 12 12

JPM PSM PM JPM PSM PM JPM PSM PM

PSM .713 1.000 .763 .005 . .002 12 12 12

PM .444 .763 1.000 .074 .002 . 12 12 12

Variables Entered/Removedb

Model 1

Variables Entered PM, PSMa

Variables Removed

Method Enter

.

a. All requested variables entered. b. Dependent Variable: JPM Model Summaryb

Model 1

R .729a

R Square .532

Adjusted R Square .428

Std. Error of the Estimate 1.84

a. Predictors: (Constant), PM, PSM b. Dependent Variable: JPM

C-49

ANOVAb Sum of Squares df Regression 34.569 2 Residual 30.431 9 Total 65.000 11 a. Predictors: (Constant), PM, PSM

Model 1

Mean Square 17.285 3.381

F 5.112

Sig. .033a

b. Dependent Variable: JPM Coefficientsa

Model 1

Unstandardized Coefficients B Std. Error (Constant) .311 .899 PSM 3.057E-02 .012 PM -6.70E-02 .099

Standardi zed Coefficien ts Beta .895 -.239

t .346 2.538 -.678

Sig. .737 .032 .515

Collinearity Statistics Tolerance VIF .418 .418

a. Dependent Variable: JPM Collinearity Diagnosticsa

Model 1

Dimension 1 2 3

Eigenvalue 2.642

Condition Index 1.000

.267 9.048E-02

3.146 5.404

Variance Proportions (Constant) PSM PM .04 .02 .02 .87 .09

.04 .94

.18 .80

a. Dependent Variable: JPM Residuals Statisticsa

Predicted Value Residual Std. Predicted Value Std. Residual

Minimum .57 -2.05 -1.089 -1.115

Maximum 5.92 3.31 1.929 1.802

Mean 2.50 -1.85E-17 .000 .000

a. Dependent Variable: JPM

C-49

Std. Deviation 1.77 1.66 1.000 .905

N 12 12 12 12

2.392 2.392

Regression MODEL TARIKAN PERJALANAN DENGAN BUS Descriptive Statistics Mean 28.15 107.92 10276.58 3785.4338

Std. Deviation 26.52 82.77 10628.7728 3449.6228

PS PSM PM TP

36.85 87.62 9.46 7.08

33.99 70.32 8.31 8.16

13 13 13 13

BIAYA JARAK WAKTU

21.92 23.08 46.38

18.46 23.15 33.22

13 13 13

JPB JP LL LLB

N 13 13 13 13

Correlations JPB Pearson Correlation JPB 1.000 JP .907 LL .672 LLB .878 PS .530 PSM .899 PM .743 TP .365 BIAYA .864 JARAK .699 WAKTU .852 Sig. (1-tailed) JPB . JP .000 LL .006 LLB .000 PS .031 PSM .000 PM .002 TP .110 BIAYA .000 JARAK .004 WAKTU .000 N JPB 13 JP 13 LL 13 LLB 13 PS 13 PSM 13 PM 13 TP 13 BIAYA 13 JARAK 13 WAKTU 13

JP .907 1.000 .645 .971 .784 .981 .679 .581 .919 .847 .930 .000 . .009 .000 .001 .000 .005 .019 .000 .000 .000 13 13 13 13 13 13 13 13 13 13 13

LL .672 .645 1.000 .721 .290 .716 .542 .250 .631 .555 .632 .006 .009 . .003 .168 .003 .028 .205 .010 .025 .010 13 13 13 13 13 13 13 13 13 13 13

LLB .878 .971 .721 1.000 .774 .956 .578 .587 .915 .844 .872 .000 .000 .003 . .001 .000 .019 .018 .000 .000 .000 13 13 13 13 13 13 13 13 13 13 13

PS .530 .784 .290 .774 1.000 .733 .285 .486 .753 .819 .602 .031 .001 .168 .001 . .002 .172 .046 .001 .000 .015 13 13 13 13 13 13 13 13 13 13 13

C-49

PSM .899 .981 .716 .956 .733 1.000 .743 .536 .890 .867 .916 .000 .000 .003 .000 .002 . .002 .029 .000 .000 .000 13 13 13 13 13 13 13 13 13 13 13

PM .743 .679 .542 .578 .285 .743 1.000 .135 .623 .575 .709 .002 .005 .028 .019 .172 .002 . .331 .011 .020 .003 13 13 13 13 13 13 13 13 13 13 13

TP .365 .581 .250 .587 .486 .536 .135 1.000 .564 .276 .685 .110 .019 .205 .018 .046 .029 .331 . .022 .181 .005 13 13 13 13 13 13 13 13 13 13 13

BIAYA JARAK WAKTU .864 .699 .852 .919 .847 .930 .631 .555 .632 .915 .844 .872 .753 .819 .602 .890 .867 .916 .623 .575 .709 .564 .276 .685 1.000 .692 .848 .692 1.000 .641 .848 .641 1.000 .000 .004 .000 .000 .000 .000 .010 .025 .010 .000 .000 .000 .001 .000 .015 .000 .000 .000 .011 .020 .003 .022 .181 .005 . .004 .000 .004 . .009 .000 .009 . 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13 13

Variables Entered/Removedb

Model 1

Variables Entered WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, a LLB, JP

Variables Removed

Method

.

2

.

JP

3

.

LLB

.

JARAK

4

5

.

WAKTU

Enter

Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100).

a. All requested variables entered. b. Dependent Variable: JPB

C-49

Model Summaryf

Model 1 2 3 4 5

R .997a .997b

R Square .994 .994

Adjusted R Square .965 .976

Std. Error of the Estimate 4.99 4.10

.997c .993d .989e

.994 .987 .978

.981 .968 .956

3.63 4.74 5.54

a. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP b. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB c. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM d. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, PSM e. Predictors: (Constant), PS, LL, TP, PM, BIAYA, PSM f. Dependent Variable: JPB ANOVAf

Model 1

2

3

4

5

Regression Residual

Sum of Squares 8387.801 49.892

Total Regression Residual Total

8437.692 8387.148 50.544 8437.692

12 9 3 12

Regression Residual Total Regression

8384.892 52.801 8437.692 8325.587 112.106

8 4 12 7 5

8437.692 8253.386 184.307 8437.692

12 6 6 12

Residual Total Regression Residual Total

df 10 2

Mean Square 838.780 24.946

F 33.624

Sig. .029a

931.905 16.848

55.312

.004b

1048.111 13.200

79.402

.000c

1189.370 22.421

53.047

.000d

1375.564 30.718

44.781

.000e

a. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP b. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB c. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM d. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, PSM e. Predictors: (Constant), PS, LL, TP, PM, BIAYA, PSM f. Dependent Variable: JPB

C-49

Coefficients a

Model 1

2

3

4

5

(Constant) JP LL LLB PS PSM PM TP BIAYA JARAK WAKTU (Constant) LL LLB PS PSM PM TP BIAYA JARAK WAKTU (Constant) LL PS PSM PM TP BIAYA JARAK WAKTU (Constant) LL PS PSM PM TP BIAYA WAKTU (Constant) LL PS PSM PM TP BIAYA

Unstandardized Coefficients B Std. Error 5.339 3.699 7.752E-02 .479 -1.17E-03 .001

Standardi zed Coefficien ts Beta .242 -.468

-1.10E-03 -.887 .345 -2.100 -1.585 1.458 .560 .414 5.684 -1.26E-03 -1.26E-03 -.946 .351 -2.301 -1.644 1.634

.004 .452 .205 1.497 .520 1.255 1.218 .820 2.482 .000 .003 .223 .166 .691 .307 .512

-.143 -1.137 .916 -.658 -.488 1.015 .489 .519

.729 .539 5.805 -1.26E-03 -.884 .357 -2.090 -1.660 1.472 .578 .484 5.788 -1.19E-03 -.681 .615

.514 .229 2.178 .000 .129 .146 .338 .269 .224 .273 .153 2.838 .000 .113 .105

.636 .675

-1.956 -1.804 1.117 .270 7.351 -1.23E-03 -.726 .698 -1.770 -1.437 1.180

.433 .339 .194 .151 3.162 .000 .128 .111 .492 .316 .223

-.505 -.164 -1.212 .931 -.721 -.506 1.138

-.505 -1.133 .948 -.655 -.511 1.025 .505 .606 -.477 -.873 1.632 -.613 -.555 .778 .339 -.491 -.930 1.852 -.555 -.442 .822

a. Dependent Variable: JPB

C-49

t 1.443 .162 -1.804

Sig. .286 .886 .213

-.256 -1.963 1.686 -1.403 -3.049 1.161 .460 .505 2.290 -5.324 -.366 -4.244 2.117 -3.330 -5.357 3.193

Collinearity Statistics Tolerance VIF .001 .044

756.867 22.734

.822 .189 .234 .296 .093 .365 .691 .664 .106 .013 .739 .024 .125 .045 .013 .050

.009 .009 .010 .013 .116 .004 .003 .003

105.953 113.518 99.858 74.451 8.657 258.480 382.046 357.043

.222 .010 .024 .010 .043 .224 .016

4.508 100.444 40.843 96.915 23.485 4.465 63.629

1.417 2.350 2.666 -6.009 -6.853 2.447 -6.180 -6.178 6.578 2.120 3.156 2.039 -4.413 -6.049 5.855

.251 .100 .056 .004 .002 .071 .003 .003 .003 .101 .034 .097 .007 .002 .002

.010 .024

100.993 41.358

.222 .057 .010 .139 .229 .064 .028 .042

4.507 17.469 95.884 7.185 4.371 15.509 36.248 23.609

.227 .128 .034

4.400 7.832 29.248

-4.517 -5.324 5.770 1.794 2.325 -3.892 -5.648 6.318 -3.597 -4.543 5.294

.006 .003 .002 .133 .059 .008 .001 .001 .011 .004 .002

.144 .244 .146 .075

6.934 4.092 6.839 13.405

.228 .134 .042 .153 .384 .151

4.377 7.447 23.603 6.539 2.604 6.615

a Collinearity Diagnostics

Model 1

4 5 6 7 8 9 10 11 2

1 2 3 4 5 6 7 8 9

3

10 1 2 3 4 5 6 7 8 9

4

1 2 3 4 5 6 7 8

5

Condition Index 1.000 4.245

(Constant) .00 .00

.322

4.859 5.402

.210 9.033E-02

Dimension Eigenvalue 1 9.397 2 .521 3 .398

1 2 3 4 5 6 7

JP

LL

Variance Proportions PS PSM PM .00 .00 .00 .00 .00 .00

.00 .00

.00 .01

LLB .00 .00

TP .00 .07

BIAYA .00 .00

JARAK .00 .00

WAKTU .00 .00

.10 .21

.00 .00

.00 .01

.00 .00

.00 .00

.00 .00

.00 .00

.01 .01

.00 .00

.00 .00

.00 .00

6.692 10.199

.08 .00

.00 .00

.04 .00

.00 .00

.00 .00

.00 .00

.01 .00

.00 .07

.00 .01

.00 .00

.00 .00

3.164E-02 2.339E-02

17.233 20.043

.04 .17

.00 .00

.05 .05

.02 .03

.01 .04

.00 .00

.03 .00

.22 .05

.00 .01

.00 .00

.01 .01

3.929E-03 2.010E-03

48.903 68.372

.03 .08

.00 .07

.01 .05

.25 .51

.02 .08

.59 .41

.08 .03

.01 .13

.01 .05

.00 .07

.01 .00

2.051E-04 8.410

214.072 1.000

.29 .00

.93

.78 .00

.20 .00

.84 .00

.00 .00

.85 .00

.43 .00

.93 .00

.92 .00

.97 .00

.521 .395

4.016 4.615

.00 .14

.03 .01

.00 .00

.00 .01

.00 .00

.01 .00

.13 .03

.00 .00

.00 .00

.00 .00

.322 .207 9.027E-02

5.113 6.368 9.652

.32 .13 .00

.08 .19 .00

.00 .00 .00

.00 .00 .01

.00 .00 .00

.00 .04 .00

.03 .00 .13

.00 .00 .04

.00 .00 .01

.00 .00 .00

2.599E-02 2.339E-02

17.989 18.962

.07 .26

.34 .25

.04 .03

.03 .11

.00 .00

.09 .00

.52 .09

.00 .02

.00 .01

.10 .11

3.868E-03 1.252E-03

46.629 81.950

.06 .02

.09 .01

.19 .73

.04 .79

.70 .29

.25 .62

.04 .03

.03 .90

.00 .97

.04 .75

7.456 .521

1.000 3.783

.00 .00

.00 .03

.00 .00

.00 .00

.00 .02

.00 .13

.00 .00

.00 .00

.00 .00

.382 .305

4.415 4.947

.08 .46

.02 .07

.02 .00

.00 .00

.01 .00

.03 .03

.00 .00

.01 .00

.00 .00

.205 8.995E-02

6.029 9.104

.09 .00

.22 .00

.00 .02

.00 .00

.12 .00

.00 .12

.00 .16

.00 .04

.00 .00

2.464E-02 1.325E-02

17.395 23.722

.02 .31

.01 .64

.02 .67

.00 .04

.20 .65

.56 .08

.08 .29

.02 .09

.36 .00

2.606E-03 6.633

53.494 1.000

.03 .00

.01 .00

.26 .00

.95 .00

.00 .00

.04 .00

.47 .00

.84

.63 .00

.513 .305

3.596 4.663

.00 .51

.04 .06

.01 .00

.00 .00

.03 .00

.12 .02

.00 .01

.00 .00

.268 .202

4.979 5.731

.07 .06

.04 .21

.10 .02

.00 .00

.00 .12

.13 .02

.01 .00

.00 .01

4.901E-02 2.198E-02

11.633 17.373

.03 .00

.02 .11

.09 .07

.03 .00

.01 .47

.01 .69

.90 .01

.01 .72

8.858E-03 5.672

27.364 1.000

.33 .01

.51 .00

.71 .00

.96 .00

.37 .00

.02 .00

.08 .00

.26

.513 .303

3.327 4.324

.00 .57

.04 .06

.01 .00

.00 .00

.03 .00

.19 .02

.00 .01

.264 .189 4.823E-02

4.639 5.471 10.845

.06 .06 .03

.07 .17 .03

.10 .03 .10

.00 .00 .04

.00 .16 .02

.22 .09 .05

.01 .00 .92

1.050E-02

23.238

.27

.63

.76

.95

.79

.43

.06

a. Dependent Variable: JPB

C-49

e Excluded Variables

Model 2 3 4

LLB JARAK JP LLB

5

.162

Sig. .886

.329b -.164b .844c .344c

.272 -.366 2.031 1.147

.803 .739 .112 .315

.155 -.207 .713 .497

1.394E-03 9.956E-03 9.465E-03 2.774E-02

717.518 100.444 105.657 36.051

1.394E-03 9.902E-03 9.465E-03 1.553E-02

.505c .936d .339d

2.120 3.355 .925

.101 .020 .398

.727 .832 .382

2.759E-02 1.725E-02 2.774E-02

36.248 57.981 36.048

1.043E-02 1.202E-02 1.710E-02

.011d .339d

.036 1.794

.973 .133

.016 .626

4.859E-02 7.460E-02

20.581 13.405

2.239E-02 3.419E-02

Beta In .242a

JP JP LLB JP

JARAK WAKTU

Collinearity Statistics Minimum Tolerance VIF Tolerance 1.321E-03 756.867 1.321E-03

Partial Correlation .114

t

a. Predictors in the Model: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB b. Predictors in the Model: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM c. Predictors in the Model: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, PSM d. Predictors in the Model: (Constant), PS, LL, TP, PM, BIAYA, PSM e. Dependent Variable: JPB

Residuals Statisticsa

Predicted Value Residual Std. Predicted Value Std. Residual

Minimum 4.03 -8.13 -.920 -1.467

Maximum 88.94 6.06 2.318 1.093

Mean 28.15 3.96E-15 .000 .000

Std. Deviation 26.23 3.92 1.000 .707

N 13 13 13 13

a. Dependent Variable: JPB

Regression OUTPUT ANALISIS MODEL TARIKAN DENGAN MENGGUNAKAN BUS Descriptive Statistics

JPB JP PSM

Mean 28.15 107.92 87.62

Std. Deviation 26.52 82.77 70.32

N 13 13 13

C-49

Correlations Pearson Correlation

Sig. (1-tailed)

N

JPB JP PSM JPB JP PSM JPB JP PSM

JPB 1.000 .907 .899 . .000 .000 13 13 13

JP .907 1.000 .981 .000 . .000 13 13 13

PSM .899 .981 1.000 .000 .000 . 13 13 13

b Variables Entered/Removed

Model 1 2

Variables Entered PSM, JPa

.

Variables Removed .

PSM

Method Enter Backward (criterion: Probabilit y of F-to-remo ve >= .100).

a. All requested variables entered. b. Dependent Variable: JPB Model Summaryc Adjusted R R Square R Square .909a .825 .791 b .907 .823 .807 a. Predictors: (Constant), PSM, JP

Model 1 2

Std. Error of the Estimate 12.14 11.65

b. Predictors: (Constant), JP c. Dependent Variable: JPB

C-49

ANOVAc Sum of Squares Regression 6964.692 Residual 1473.001 Total 8437.692 2 Regression 6944.123 Residual 1493.569 Total 8437.692 a. Predictors: (Constant), PSM, JP Model 1

df

Mean Square 3482.346 147.300

F 23.641

Sig. .000a

6944.123 135.779

51.143

.000b

2 10 12 1 11 12

b. Predictors: (Constant), JP c. Dependent Variable: JPB a Coefficients

Model 1

(Constant) JP

Unstandardized Coefficients B Std. Error -2.993 5.705 .211 .217

PSM 9.534E-02 (Constant) -3.212 JP .291

2

Standardi zed Coefficien ts Beta .659

.255 5.448 .041

.253 .907

t -.525 .974

Sig. .611 .353

.374 -.590 7.151

.716 .567 .000

Collinearity Statistics Tolerance VIF .038

26.222

.038

26.222

1.000

1.000

a. Dependent Variable: JPB

Collinearity Diagnosticsa

Model 1

2

Dimension 1 2 3 1 2

Eigenvalue 2.730 .263

Condition Index 1.000 3.221

6.966E-03 1.805 .195

19.796 1.000 3.043

Variance Proportions (Constant) JP PSM .04 .00 .00 .93 .01 .01 .03 .10 .90

.99 .10 .90

.99

a. Dependent Variable: JPB b Excluded Variables

Model Beta In 2 PSM .253a

t .374

Collinearity Statistics Partial Minimum Sig. Correlation Tolerance VIF Tolerance .716 .1173.814E-02 26.222 3.814E-02

a. Predictors in the Model: (Constant), JP b. Dependent Variable: JPB

C-49

Residuals Statisticsa

Predicted Value Residual Std. Predicted Value Std. Residual

Minimum 5.22 -19.64 -.954 -1.686

Maximum 75.26 19.74 1.958 1.694

Mean 28.15 .00 .000 .000

Std. Deviation 24.06 11.16 1.000 .957

a. Dependent Variable: JPB

Regression MODEL TARIKAN PERJALANAN DENGAN BERJALAN KAKI Descriptive Statistics Mean 16.23 107.92 10276.58 3785.4338

Std. Deviation 13.39 82.77 10628.7728 3449.6228

PS PSM PM TP

36.85 87.62 9.46 7.08

33.99 70.32 8.31 8.16

13 13 13 13

BIAYA JARAK WAKTU

21.92 23.08 46.38

18.46 23.15 33.22

13 13 13

JPK JP LL LLB

N 13 13 13 13

C-49

N 13 13 13 13

Correlations

Pearson Correlation JPK JP LL

Sig. (1-tailed)

N

LLB PS PSM PM TP BIAYA JARAK WAKTU JPK JP LL LLB PS PSM PM TP BIAYA JARAK WAKTU JPK JP LL LLB PS PSM PM TP BIAYA JARAK WAKTU

JPK 1.000 .813 .379 .778 .772 .764 .416

JP .813 1.000 .645 .971 .784 .981 .679

LL .379 .645 1.000 .721 .290 .716 .542

LLB .778 .971 .721 1.000 .774 .956 .578

PS .772 .784 .290 .774 1.000 .733 .285

PSM .764 .981 .716 .956 .733 1.000 .743

PM .416 .679 .542 .578 .285 .743 1.000

TP .796 .581 .250 .587 .486 .536 .135

.796 .694 .683 .814 . .000 .101 .001 .001 .001 .079 .001 .004 .005 .000 13 13 13 13

.581 .919 .847 .930 .000 . .009 .000 .001 .000 .005 .019 .000 .000 .000 13 13 13 13

.250 .631 .555 .632 .101 .009 . .003 .168 .003 .028 .205 .010 .025 .010 13 13 13 13

.587 .915 .844 .872 .001 .000 .003 . .001 .000 .019 .018 .000 .000 .000 13 13 13 13

.486 .753 .819 .602 .001 .001 .168 .001 . .002 .172 .046 .001 .000 .015 13 13 13 13

.536 .890 .867 .916 .001 .000 .003 .000 .002 . .002 .029 .000 .000 .000 13 13 13 13

.135 .623 .575 .709 .079 .005 .028 .019 .172 .002 . .331 .011 .020 .003 13 13 13 13

1.000 .564 .276 .685 .001 .019 .205 .018 .046 .029 .331 . .022 .181 .005 13 13 13 13

.564 1.000 .692 .848 .004 .000 .010 .000 .001 .000 .011 .022 . .004 .000 13 13 13 13

.276 .692 1.000 .641 .005 .000 .025 .000 .000 .000 .020 .181 .004 . .009 13 13 13 13

.685 .848 .641 1.000 .000 .000 .010 .000 .015 .000 .003 .005 .000 .009 . 13 13 13 13

13 13 13 13 13 13 13

13 13 13 13 13 13 13

13 13 13 13 13 13 13

13 13 13 13 13 13 13

13 13 13 13 13 13 13

13 13 13 13 13 13 13

13 13 13 13 13 13 13

13 13 13 13 13 13 13

13 13 13 13 13 13 13

13 13 13 13 13 13 13

13 13 13 13 13 13 13

C-49

BIAYA JARAK WAKTU .694 .683 .814 .919 .847 .930 .631 .555 .632 .915 .844 .872 .753 .819 .602 .890 .867 .916 .623 .575 .709

Variables Entered/Removedb

Model 1

Variables Entered WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, a JP

Variables Removed

Method

.

Enter

2

.

WAKTU

.

JARAK

.

LLB

Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100). Backward (criterion: Probabilit y of F-to-remo ve >= .100).

3

4

a. All requested variables entered. b. Dependent Variable: JPK Model Summarye

Model 1 2 3 4

R .996a .996b .995c

R Square .991 .991 .991

Adjusted R Square .946 .964 .973

Std. Error of the Estimate 3.10 2.53 2.21

.994d

.988

.971

2.28

a. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP b. Predictors: (Constant), PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP c. Predictors: (Constant), PS, LL, TP, PM, BIAYA, PSM, LLB, JP d. Predictors: (Constant), PS, LL, TP, PM, BIAYA, PSM, JP e. Dependent Variable: JPK

C-49

ANOVAe

Model 1

2

3

4

Regression Residual Total Regression Residual Total Regression

Sum of Squares 2131.122 19.185 2150.308

df 10 2 12

Mean Square 213.112 9.593

F 22.216

Sig. .044a

2131.118 19.190 2150.308 2130.701

9 3 12 8

236.791 6.397

37.019

.006b

266.338

54.336

.001c

Residual Total Regression Residual

19.607 2150.308 2124.376 25.932

4 12 7 5

4.902 58.515

.000d

Total

2150.308

12

303.482 5.186

a. Predictors: (Constant), WAKTU, PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP b. Predictors: (Constant), PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP c. Predictors: (Constant), PS, LL, TP, PM, BIAYA, PSM, LLB, JP d. Predictors: (Constant), PS, LL, TP, PM, BIAYA, PSM, JP e. Dependent Variable: JPK

C-49

Coefficientsa

Unstandardized Coefficients Model 1

(Constant) JP LL LLB PS PSM PM TP BIAYA JARAK WAKTU

2

(Constant) JP LL LLB PS PSM PM TP BIAYA

3

JARAK (Constant) JP LL LLB PS PSM PM TP BIAYA

4

(Constant) JP LL PS PSM PM TP BIAYA

B -4.238

Std. Error 2.294

.288 6.291E-04 1.153E-03

.297 .000 .003

.371 -.484

Standardi zed Coefficien ts Beta

Collinearity Statistics t -1.847

Sig. .206

Tolerance

1.778 .499 .297

.968 1.568 .432

.435 .257 .708

.001 .044 .009

756.867 22.734 105.953

.280 .127

.943 -2.543

1.325 -3.810

.316 .063

.009 .010

113.518 99.858

1.438 1.350

.928 .322

.893 .823

1.549 4.186

.261 .053

.013 .116

74.451 8.657

-.735 3.398E-02 -1.06E-02

.779 .755 .509

-1.013 .059 -.026

-.944 .045 -.021

.445 .968 .985

.004 .003 .003

258.480 382.046 357.043

-4.216 .282

1.652 .083

1.742

-2.551 3.411

.084 .042

.011

87.672

6.219E-04 1.129E-03 .366

.000 .002 .104

.494 .291 .930

3.592 .574 3.532

.037 .606 .039

.157 .012 .043

6.353 86.226 23.296

-.484 1.420

.104 .320

-2.544 .882

-4.672 4.433

.019 .021

.010 .075

99.652 13.305

1.345 -.719

.193 .221

.820 -.992

6.976 -3.261

.006 .047

.215 .032

4.643 31.124

4.900E-02 -4.221 .275

.192 1.446 .068

.085

.815 .043 .016

.027

36.991

1.698

.255 -2.919 4.037

.013

77.587

6.180E-04 1.462E-03

.000 .001

.491 .377

4.094 1.136

.015 .319

.159 .021

6.302 48.237

.388 -.475 1.457

.052 .086 .251

.985 -2.497 .905

7.464 -5.554 5.809

.002 .005 .004

.131 .011 .094

7.636 88.697 10.636

1.313 -.765

.128 .113

.800 -1.055

10.265 -6.749

.001 .003

.375 .093

2.666 10.723

-4.730 .313

1.414 .060

1.938

-3.344 5.182

.020 .004

.017

57.981

6.793E-04 .382 -.451

.000 .053 .085

.539 .970 -2.370

4.684 7.183 -5.291

.005 .001 .003

.182 .132 .012

5.496 7.562 83.214

1.300 1.294

.216 .130

.808 .789

6.029 9.920

.002 .000

.134 .382

7.439 2.620

-.723

.110

-.997

-6.562

.001

.105

9.564

a. Dependent Variable: JPK

C-49

VIF

a Collinearity Diagnostics

Model Dimension Eigenvalue 1 1 9.397 2 .521 3 .398 4 .322 5 .210 6 9.033E-02 7 3.164E-02 8 2.339E-02 9 3.929E-03 10 2.010E-03 11 2.051E-04 2 1 8.449 2 .520 3 .382 4 .318 5 .198 6 9.024E-02 7 2.870E-02 8 8.927E-03 9 3.289E-03 10 1.971E-03 3 1 7.599 2 .514 3 .337 4 .271 5 .194 6 4.936E-02 7 2.869E-02 8 4.797E-03 9 2.596E-03 4 1 6.647 2 .513 3 .309 4 .270 5 .190 6 4.910E-02 7 1.950E-02 8 2.617E-03 a. Dependent Variable: JPK

Condition Index (Constant) 1.000 .00 4.245 .00 4.859 .10 5.402 .21 6.692 .08 10.199 .00 17.233 .04 20.043 .17 48.903 .03 68.372 .08 214.072 .29 1.000 .00 4.032 .00 4.703 .19 5.155 .21 6.525 .09 9.676 .00 17.156 .19 30.765 .07 50.686 .08 65.477 .16 1.000 .00 3.846 .00 4.750 .42 5.296 .00 6.262 .08 12.407 .01 16.275 .19 39.801 .02 54.100 .29 1.000 .00 3.600 .00 4.641 .52 4.959 .02 5.913 .05 11.635 .02 18.462 .12 50.395 .28

JP .00 .00 .00 .00 .00 .00 .00 .00 .00 .07 .93 .00 .00 .00 .00 .00 .00 .02 .13 .02 .83 .00 .00 .00 .00 .00 .00 .02 .22 .75 .00 .00 .00 .00 .00 .00 .13 .87

LL .00 .01 .00 .01 .04 .00 .05 .05 .01 .05 .78 .00 .02 .01 .07 .12 .00 .32 .05 .12 .30 .00 .03 .02 .08 .10 .01 .31 .02 .44 .00 .03 .03 .08 .14 .02 .25 .46

LLB .00 .00 .00 .00 .00 .00 .02 .03 .25 .51 .20 .00 .00 .00 .00 .00 .00 .05 .03 .41 .51 .00 .00 .00 .00 .00 .00 .09 .89 .02

Variance Proportions PS PSM PM .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .00 .01 .00 .00 .00 .01 .00 .03 .04 .00 .00 .02 .59 .08 .08 .41 .03 .84 .00 .85 .00 .00 .00 .00 .00 .01 .01 .00 .00 .01 .00 .00 .00 .00 .07 .01 .00 .00 .19 .00 .09 .15 .08 .02 .42 .43 .74 .22 .49 .05 .00 .00 .00 .01 .00 .02 .00 .00 .00 .08 .00 .00 .03 .00 .09 .04 .01 .00 .55 .00 .12 .14 .17 .58 .15 .82 .19 .00 .00 .00 .01 .00 .03 .00 .00 .00 .08 .00 .00 .04 .00 .13 .06 .01 .01 .63 .03 .44 .18 .96 .39

TP .00 .07 .01 .01 .00 .07 .22 .05 .01 .13 .43 .00 .12 .03 .04 .02 .14 .14 .26 .00 .25 .00 .18 .00 .25 .10 .02 .25 .12 .08 .00 .19 .00 .24 .10 .03 .34 .10

BIAYA .00 .00 .00 .00 .00 .01 .00 .01 .01 .05 .93 .00 .00 .00 .00 .00 .08 .00 .23 .51 .19 .00 .00 .00 .00 .00 .60 .00 .15 .25 .00 .00 .00 .00 .00 .66 .00 .33

JARAK .00 .00 .00 .00 .00 .00 .00 .00 .00 .07 .92 .00 .00 .01 .00 .00 .04 .00 .31 .19 .45

Excluded Variablesd

Model 2 3 4

WAKTU WAKTU JARAK WAKTU JARAK LLB

Beta In -.026a -.080b .085 b -.202c .211 c .377 c

t -.021 -.251 .255 -.802 .933 1.136

Sig. .985 .818 .815 .468 .404 .319

Partial Correlation -.015 -.143 .146 -.372 .423 .494

Collinearity Statistics Minimum Tolerance VIF Tolerance 2.801E-03 357.043 1.321E-03 2.893E-02 34.570 4.998E-03 2.703E-02 36.991 1.003E-02 4.094E-02 24.427 9.465E-03 4.832E-02 20.694 1.005E-02 2.073E-02 48.237 1.127E-02

a. Predictors in the Model: (Constant), PS, LL, TP, PM, BIAYA, JARAK, PSM, LLB, JP b. Predictors in the Model: (Constant), PS, LL, TP, PM, BIAYA, PSM, LLB, JP c. Predictors in the Model: (Constant), PS, LL, TP, PM, BIAYA, PSM, JP d. Dependent Variable: JPK

C-49

WAKTU .00 .00 .00 .00 .00 .00 .01 .01 .01 .00 .97

Residuals Statisticsa

Predicted Value Residual Std. Predicted Value Std. Residual

Minimum 1.22 -3.44 -1.128 -1.510

Maximum 47.35 2.01 2.339 .881

Mean 16.23 -8.20E-16 .000 .000

a. Dependent Variable: JPK

C-49

Std. Deviation 13.31 1.47 1.000 .645

N 13 13 13 13