BAB 4 ANALISIS DAN PEMBAHASAN

Transkripsi

1 digilib.uns.ac.id BAB 4 ANALISIS DAN PEMBAHASAN Pada bab ini disampaikan analisis hubungan volume kendaraan, kecepatan kendaraan dan jarak pengukuran terhadap kebisingan pada ruas Jalan Ir. Juanda Kota Surakarta. Untuk melakukan analisis tersebut diperlukan beberapa data primer yang diperoleh dari survei di lapangan berupa data volume kendaraan, kecepatan kendaraan dan kebisingan dengan beberapa jarak pengukuran pada ruas Jalan Ir. Juanda Kota Surakarta. 4.1 Hasil Penelitian Hari Rabu tanggal 16 September 2015 pukul telah dilakukan survei utama untuk memperoleh data volume kendaraan, kecepatan kendaraan dan kebisingan dari beberapa jarak pengukuran. Berikut ini adalah deskripsi data hasil survei di lapangan Kebisingan Berdasarkan hasil survei, kebisingan tertinggi pada jarak pengukuran 0 meter dari tepi jalan adalah 91,26 dba, kebisingan terendah 85,91 dba dan kebisingan ratarata di jarak pengukuran 0 meter adalah 88,27 dba. Untuk rekapitulasi data kebisingan dengan jarak pengukuran 5, 10 dan 15 meter dapat dilihat pada Lampiran A1-A4 atau pada Tabel 4.1: Tabel 4.1 Rekapitulasi Kebisingan di Jalan Ir. Juanda No. Jarak Pengamatan Kebisingan Kebisingan Kebisingan Ratarata (dba) (meter) Tertinggi (dba) Terendah (dba) ,26 85,91 88, ,13 74,31 81, ,49 72,91 76, ,79 70,84 73,38 Sumber: Data Primer (2015) 46

2 digilib.uns.ac.id 47 Kebisingan (dba) m 5 m 10 m 15 m 06,00 07,00 08,00 09,00 10,00 11,00 Waktu Sumber: Data Primer (2015) Gambar 4.1 Grafik Kebisingan di Jalan Ir. Juanda Kecepatan Kendaraan Berdasarkan hasil survei, kecepatan rata-rata sepeda motor yang melintasi Jalan Ir. Juanda adalah 54,54 km/jam, kecepatan rata-rata kendaraan ringan adalah 49,77 km/jam dan keceptan rata-rata kendaraan berat adalah 39,31 km/jam. Rekapitulasi data kecepatan rata-rata dapat dilihat pada Lampiran A6-A8 atau pada Tabel 4.2: Tabel 4.2 Rekapitulasi Kecepatan Kendaraan No. Jenis Kendaraan Kecepatan Tertinggi (km/jam) Kecepatan Terendah (km/jam) Kecepatan Ratarata (km/jam) 1 Sepeda Motor 71,84 40,73 54,54 2 Kendaraan Ringan 64,20 31,43 49,77 3 Kendaraan Berat 51,33 28,20 39,31 Sumber: Data Primer (2015)

3 digilib.uns.ac.id Kecepatan (km/jam) Sepeda Motor Kendaraan Ringan Kendaraan berat 06,00 07,00 08,00 09,00 10,00 11,00 Waktu Sumber: Data Primer (2015) Gambar 4.2 Grafik Kecepatan Rata-rata Kendaraan Volume Kendaraan Volume lalu lintas adalah jumlah kendaraan yang melewati suatu titik tertentu dalam suatu ruas jalan tertentu dalam satu satuan waktu tertentu, biasa dinyatakan dalam satuan kendaraan/jam. Data yang didapatkan dari hasil survei dalam satuan kendaraan/10 menit. Satuan data tersebut kemudian dikonversi menjadi kendaraan/jam. Rekapitulasi data volume kendaraan dapat dilihat pada Lampiran A5 atau pada Tabel 4.3 berikut: Tabel 4.3 Rekapitulasi Volume Kendaraan Interval Waktu Volume Total Total (kend./10 MC LV HV (Kend./jam) menit) commit 3 to user

4 digilib.uns.ac.id 49 Tabel 4.3 Rekapitulasi Volume Kendaraan Interval Waktu Volume MC LV HV Total (kend./10 menit) Total (Kend./jam) Sumber: Data Primer (2015)

5 digilib.uns.ac.id 50 Volume (kend./jam) Waktu Sumber: Data Primerr (2015) Gambar 4.3 Grafik Volume Kendaraan di Jalan Ir. Juanda 4.2 Analisis Hubungan antara Kebisingan dengan Volume Kendaraan, Kecepatan Kendaraan dan Jarak Pengukuran Kebisingann Pada sub bab ini akan ditampilkan langkah-langkah yang dilakukan dalam analisis regresi linear berganda. Jumlah data primer volume, kecepatan dan kebisingan di 4 titik pengukuran menghasilkan masing-masing 36 data Uji Koefisien Korelasi Uji koefisien korelasi dilakukan untuk mengetahui apakah antar variabel saling berhubungan atau tidak. Dengan menggunakan program SPSS 17 diketahui hasil analisis seperti terlihat pada Tabel 4.4 berikut.

6 digilib.uns.ac.id 51 Tabel 4.4 Uji koefisien korelasi menggunakan program SPSS 17 Correlations y x1 x2 x3 x4 x5 y Pearson Correlation ** Sig. (2-tailed) N x1 Pearson Correlation * Sig. (2-tailed) N x2 Pearson Correlation * **.361 **.000 Sig. (2-tailed) N x3 Pearson Correlation ** **.000 Sig. (2-tailed) N x4 Pearson Correlation **.416 ** Sig. (2-tailed) N x5 Pearson Correlation ** Sig. (2-tailed) N **. Correlation is significant at the 0.01 level (2-tailed). *. Correlation is significant at the 0.05 level (2-tailed). Sumber : Input pada SPSS (2015) Dari tabel di atas dapat diketahui koefisien korelasi antar variabel. Koefisien korelasi antar variabel bebas dan koefisien korelasi antara variabel bebas dengan variabel terikat ditunjukkan pada Tabel 4.5 dan Tabel 4.6. Tabel 4.5 Korelasi Antara Variabel Terikat dengan Variabel Bebas Variabel Korelasi Y (kebisingan) dengan X 1 (volume) -0,023 Y (kebisingan) dengan X 2 (kecepatan MC) 0,031 Y (kebisingan) dengan X 3 (kecepatan LV) 0,015 Y (kebisingan) dengan X 4 (kecepatan HV) -0,066 Y (kebisingan) dengan X 5 (jarak pengukuran) - 0,886

7 digilib.uns.ac.id 52 Tabel 4.6 Korelasi Antar Variabel Bebas Variabel Korelasi X 1 (volume) dengan X 2 (kecepatan MC -0,168 X 1 (volume) dengan X 3 (kecepatan LV) -0,148 X 1 (volume) dengan X 4 (kecepatan HV) 0,101 X 1 (volume) dengan X 5 (jarak pengukuran) 0,000 X 2 (kecepatan MC) dengan X 3 (kecepatan LV) 0,582 X 2 (kecepatan MC) dengan X 4 (kecepatan HV) 0,361 X 2 (kecepatan MC) dengan X 5 (jarak pengukuran) 0,000 X 3 (kecepatan LV) dengan X 4 (kecepatan HV) 0,416 X 3 (kecepatan LV) dengan X 5 (jarak pengukuran) 0,000 X 4 (kecepatan HV) dengan X 5 (jarak pengukuran) 0,000 Nilai koefisien korelasi antar dua variabel dikatakan tidak ada hubungan yang kuat jika bernilai < 0,5. Dari hasil analisis di atas, masing-masing nilai koefisien korelasi antar variabel bebas < 0,5 kecuali X 2 (kecepatan sepeda motor) dengan X 3 (kecepatan kendaraan ringan) sehingga dapat disimpulkan bahwa tidak ada hubungan yang kuat antar variabel bebas. Sedangkan nilai koefisien korelasi antara variabel bebas dengan variabel terikat yang memiliki hubungan yang kuat (>0,5) adalah variabel kebisingan dengan variabel jarak pengukuran, sehingga analisis yang dapat digunakan adalah analisis regresi linear berganda dan sederhana Persamaan Regresi Linear Berganda antara Kebisingan dengan Volume Kendaraan, Kecepatan Kendaraan dan Jarak Pengukuran Model persamaan regresi linear digunakan untuk memprediksi naik turunnya variabel terikat melalui variabel bebas. Model matematis yang akan dicari menggambarkan bagaimana hubungan antara variabel bebas yaitu volume lalu lintas, kecepatan lalu lintas, dan jarak. Dalam tahap ini akan digunakan dua cara untuk menghitung model persamaan, yaitu menggunakan bantuan perhitungan dengan Microsoft Excel dan program SPSS 17 sebagai koreksi. Langkah-langkah analisis model persamaan regresi linear berganda adalah:

8 digilib.uns.ac.id Menyusun persamaan yang akan digunakan dalam perhitungan N. a + b 1 X 1 + b 2 X 2 + b 3 X 3 + b 4 X 4 + b 5 X 5 = Y...(4.1) 2 a X 1 + b 1 X 1 + b 2 X 1 X 2 + b 3 X 1 X 3 + b 4 X 1 X 4 + b 5 X 1 X 5 = X 1 Y...(4.2) 2 a X 2 + b 1 X 1 X 2 + b 2 X 2 + b 3 X 2 X 3 + b 4 X 2 X 4 + b 5 X 2 X 5 = X 2 Y...(4.3) 2 a X 3 + b 1 X 1 X 3 + b 2 X 2 X 3 + b 3 X 3 + b 4 X 3 X 4 + b 5 X 3 X 5 = X 3 Y..(4.4) a X 4 + b 1 X 1 X 4 + b 2 X 2 X 4 + b 3 X 3 X 4 + b 4 X b 5 X 4 X 5 = X 4 Y...(4.5) a X 5 + b 1 X 1 X 5 + b 2 X 2 X 5 + b 3 X 3 X 5 + b 4 X 4 X 5 + b 5 X 2 5 = X 5 Y..(4.6) Maka hasilnya menjadi, 144a b ,22b ,42b ,97b b 5 = 11502,78...(4.1) a b b ,6b b b 5 = ,18...(4.2) 7854,22a b ,5b ,71b ,1b ,64b 5 = ,054...(4.3) 7166,42a b ,7b ,92b ,2b ,15b 5 = ,84...(4.4) 5659,97a ,9b ,1b ,19b ,7b ,75b 5 = ,91...(4.5) 1080a b ,64b ,15b ,8b b 5 = 81800,95...(4.6) 2. Menyelesaikan persamaan dengan metode eliminasi Gauss Jordan Dari persamaan di atas dapat dituliskan matriks sebagai berikut : 144, , , , , ,00 a = 11502, , , , , , ,00 b1 = , , , , , , ,64 b2 = , , , , , , ,15 b3 = , , , , , , ,75 b4 = , , , , , , ,00 b5 = 81800,95

9 digilib.uns.ac.id 54 Berikut tahapan penyelesaian eliminasi menggunakan metode Gauss Jordan : Tahap 1 Persamaan pertama semua dibagi elemen pertama dari persamaan pertama Persamaan yang lain tidak berubah 1, ,00 54,54 49,77 39,31 7,50 a = 79, , , , , , ,00 b1 = , , , , , , ,64 b2 = , , , , , , ,15 b3 = , , , , , , ,75 b4 = , , , , , , ,00 b5 = 81801,00 Tahap 2 Persamaan pertama tetap Persamaan kedua dst = persamaan 2 - ((elemen awal persamaan 2/elemen awal persamaan 1) x elemen awal persamaan 1) 1, ,00 54,54 49,77 39,31 7,50 a = 79,88 0, , , , ,26 0,00 b1 = ,34 0, , , , ,49 0,00 b2 = 227,78 0, , , , ,75 0,00 b3 = 99,27 0, , , , ,88 0,00 b4 = -278,60 0,00 0,00 0,00 0,00 0, ,00 b5 = -4469,90 Tahap 3 Persamaan kedua semua dibagi elemen kedua dari persamaan kedua Persamaan yang lain tidak berubah 1, ,00 54,54 49,77 39,31 7,50 a = 79,88 0,00 1,00 0,00 0,00 0,00 0,00 b1 = 0,00 0, , , , ,49 0,00 b2 = 227,78 0, , , , ,75 0,00 b3 = 99,27 0, , , , ,88 0,00 b4 = -278,60 0,00 0,00 0,00 0,00 0, ,00 b5 = -4469,90

10 digilib.uns.ac.id 55 Tahap 4 Persamaan pertama = persamaan 1 - ((elemen kedua persamaan 1/elemen kedua persamaan 2) x elemen awal persamaan 2) Persamaan kedua tetap Persamaan ketiga = persamaan 3 - ((elemen kedua persamaan 3/elemen kedua persamaan 2) x elemen awal persamaan 2) Persamaan keempat = persamaan 4 - ((elemen kedua persamaan 4/elemen kedua persamaan 2) x elemen awal persamaan 2) Persamaan kelima = persamaan 5 - ((elemen kedua persamaan 5/elemen kedua persamaan 2) x elemen awal persamaan 2) Persamaan keenam = persamaan 6 - ((elemen kedua persamaan 6/elemen kedua persamaan 2) x elemen awal persamaan 2) 1,00 0,00 58,01 52,51 38,10 7,50 a = 80,24 0,00 1,00 0,00 0,00 0,00 0,00 b1 = 0,00 0,00 0, , , ,78 0,00 b2 = 199,87 0,00 0, , , ,66 0,00 b3 = 77,15 0,00 0, , , ,47 0,00 b4 = -268,90 0,00 0,00 0,00 0,00 0, ,00 b5 = -4469,90 Tahap 5 Persamaan ketiga semua dibagi elemen ketiga dari persamaan ketiga Persamaan yang lain tidak berubah 1,00 0,00 58,01 52,51 38,10 7,50 a = 80,24 0,00 1,00-0,002-0,0019 0, ,00 b1 = -0, ,00 0,00 1,00 0,51 0,22 0,00 b2 = 0,02 0,00 0, , , ,66 0,00 b3 = 77,15 0,00 0, , , ,47 0,00 b4 = -268,90 0,00 0,00 0,00 0,00 0, ,00 b5 = -4469,90 Tahap 6 Persamaan pertama = persamaan 1 - ((elemen ketiga persamaan 1/elemen ketiga persamaan 3) x elemen awal persamaan 3) Persamaan kedua = persamaan 2 - ((elemen ketiga persamaan 2/elemen ketiga persamaan 3) x elemen awal persamaan 3)

11 digilib.uns.ac.id 56 Persamaan ketiga tetap Persamaan keempat = persamaan 4 - ((elemen ketiga persamaan 4/elemen ketiga persamaan 3) x elemen awal persamaan 3) Persamaan kelima = persamaan 5 - ((elemen ketiga persamaan 5/elemen ketiga persamaan 3) x elemen awal persamaan 3) Persamaan keenam = persamaan 6 - ((elemen ketiga persamaan 6/elemen ketiga persamaan 3) x elemen awal persamaan 3) 1,00 0,00 0,00 22,66 25,07 7,50 a = 78,98 0,00 1,00 0,00-0, ,0013 0,00 b1 = -0, ,00 0,00 1,00 0,51 0,22 0,00 b2 = 0,022 0,00 0,00 0, , ,31 0,00 b3 = -25,72 0,00 0,00 0, , ,73 0,00 b4 = -313,79 0,00 0,00 0,00 0,00 0, ,00 b5 = -4469,9 Tahap 7 Persamaan keempat semua dibagi elemen keempat dari persamaan keempat Persamaan yang lain tidak berubah 1,00 0,00 0,00 22,66 25,07 7,50 a = 78,98 0,00 1,00 0,00-0, ,0013 0,00 b1 = -0, ,00 0,00 1,00 0,51 0,22 0,00 b2 = 0,022 0,00 0,00 0,00 1,00 0,21 0,00 b3 = -0,005 0,00 0,00 0, , ,73 0,00 b4 = -313,79 0,00 0,00 0,00 0,00 0, ,00 b5 = -4469,9 Tahap 8 Persamaan pertama = persamaan 1 - ((elemen keempat persamaan 1/elemen keempat persamaan 4) x elemen awal persamaan 4) Persamaan kedua = persamaan 2 - ((elemen keempat persamaan 2/elemen keempat persamaan 4) x elemen awal persamaan 4) Persamaan ketiga = persamaan 3 - ((elemen keempat persamaan 3/elemen keempat persamaan 4) x elemen awal persamaan 4) Persamaan keempat tetap Persamaan kelima = persamaan 5 - ((elemen keempat persamaan 5/elemen keempat persamaan 4) x elemen awal persamaan 4)

12 digilib.uns.ac.id 57 Persamaan keenam = persamaan 6 - ((elemen keempat persamaan 6/elemen keempat persamaan 4) x elemen awal persamaan 4) 1,00 0,00 0,00 0,00 20,32 7,50 a = 79,10 0,00 1,00 0,00 0,00 0,0015 0,00 b1 = -0, ,00 0,00 1,00 0,00 0,12 0,00 b2 = 0, ,00 0,00 0,00 1,00 0,21 0,00 b3 = -0,005 0,00 0,00 0,00 0, ,83 0,00 b4 = -308,39 0,00 0,00 0,00 0,00 0, ,00 b5 = -4469,90 Tahap 9 Persamaan kelima semua dibagi elemen kelima dari persamaan kelima Persamaan yang lain tidak berubah 1,00 0,00 0,00 0,00 20,324 7,50 a = 79,10 0,00 1,00 0,00 0,00 0,0015 0,00 b1 = -0, ,00 0,00 1,00 0,00 0,117 0,00 b2 = 0, ,00 0,00 0,00 1,00 0,210 0,00 b3 = -0,0051 0,00 0,00 0,00 0,00 1,00 0,00 b4 = -0,126 0,00 0,00 0,00 0,00 0, ,00 b5 = -4469,90 Tahap 10 Persamaan pertama = persamaan 1 - ((elemen kelima persamaan 1/elemen kelima persamaan 5) x elemen awal persamaan 5) Persamaan kedua = persamaan 2 - ((elemen kelima persamaan 2/elemen kelima persamaan 5) x elemen awal persamaan 5) Persamaan ketiga = persamaan 3 - ((elemen kelima persamaan 3/elemen kelima persamaan 5) x elemen awal persamaan 5) Persamaan keempat = persamaan 4 - ((elemen kelima persamaan 4/elemen kelima persamaan 5) x elemen awal persamaan 5) Persamaan kelima tetap Persamaan keenam = persamaan 6 - ((elemen ketiga persamaan 6/elemen ketiga persamaan 5) x elemen awal persamaan 5)

13 digilib.uns.ac.id 58 1,00 0,00 0,00 0,00 0,00 7,50 a = 81,65 0,00 1,00 0,00 0,00 0,00 0,00 b1 = -0, ,00 0,00 1,00 0,00 0,00 0,00 b2 = 0,0389 0,00 0,00 0,00 1,00 0,00 0,00 b3 = 0,021 0,00 0,00 0,00 0,00 1,00 0,00 b4 = -0,126 0,00 0,00 0,00 0,00 0, ,00 b5 = -4469,90 Tahap 11 Persamaan keenam semua dibagi elemen keenam dari persamaan keenam Persamaan yang lain tidak berubah 1,00 0,00 0,00 0,00 0,00 7,50 a = 81,65 0,00 1,00 0,00 0,00 0,00 0,00 b1 = -0, ,00 0,00 1,00 0,00 0,00 0,00 b2 = 0,0389 0,00 0,00 0,00 1,00 0,00 0,00 b3 = 0,0212 0,00 0,00 0,00 0,00 1,00 0,00 b4 = -0,125 0,00 0,00 0,00 0,00 0,00 1,00 b5 = -0,9933 Tahap 12 Persamaan pertama = persamaan 1 - ((elemen keenam persamaan 1/ elemen keenam persamaan 6) x elemen awal persamaan 6) Persamaan kedua = persamaan 2 - ((elemen keenam persamaan 2/elemen keenam persamaan 6) x elemen awal persamaan 6) Persamaan ketiga = persamaan 3 - ((elemen keenam persamaan 3/elemen keenam persamaan 6) x elemen awal persamaan 6) Persamaan keempat = persamaan 4 - ((elemen keenam persamaan 4/elemen keenam persamaan 6) x elemen awal persamaan 6) Persamaan kelima = persamaan 5 - ((elemen keenam persamaan 5/elemen keenam persamaan 6) x elemen awal persamaan 6) Persamaan keenam tetap 1,00 0,00 0,00 0,00 0,00 0,00 a = 89,101 0,00 1,00 0,00 0,00 0,00 0,00 b1 = -0, ,00 0,00 1,00 0,00 0,00 0,00 b2 = 0,039 0,00 0,00 0,00 1,00 0,00 0,00 b3 = 0,021 0,00 0,00 0,00 0,00 1,00 0,00 b4 = -0,126 0,00 0,00 0,00 0,00 0,00 1,00 b5 = -0,993

14 digilib.uns.ac.id 59 Maka dihasilkan nilai sebagai berikut : a = 89,101 b1 = -0,00001 b2 = 0,039 b3 = 0,021 b4 = -0,126 b5 = -0, Nilai a, b 1, b 2, b 3, b 4 dan b 5 dimasukkan dalam persamaan regresi linear berganda sebagai berikut : Y = a + b 1 X 1 + b 2 X 2 + b 3 X 3 + b 4 X 4 + b 5 X 5 Y = 89,101 0,00001X 1 + 0,039X 2 + 0,021X 3 0,126X 4 0,993X 5 Sebagai koreksi, berikut ditampilkan hasil analisis model persamaan menggunakan program SPSS 17. Tabel 4.7 Hasil Analisis Model Persamaan menggunakan Program SPSS 17 Unstandardized Coefficients Coefficients a Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) x e x x x x a. Dependent Variable: y Sumber : Input pada SPSS (2015) Model persamaan yang dihasilkan adalah Y = 89,101 0,00001X 1 + 0,039X 2 + 0,021X 3 0,126X 4 0,993X 5. Berdasarkan hasil analisis model persamaan menggunakan program Microsoft Excel dan SPSS 17 menunjukkan hasil yang sama.

15 digilib.uns.ac.id Koefisien Determinasi (r 2 ) Koefisein determinasi bertujuan untuk mengetahui seberapa besar kemampuan variabel bebas menjelaskan variabel terikat. Dalam tahap ini akan digunakan dua cara untuk mnghitung koefisien korelasi, yaitu menggunakan bantuan perhitungan dengan Microsoft Excel dan program SPSS 17 sebagai koreksi. Berikut tahapan menghitung koefisien korelasi menggunakan bantuan program Microsoft Excel : 1. Membuat tabel perhitungan sebagai berikut : Sumber : Input pada Excel(2015) Keterangan: Gambar 4.4 Perhitungan Analisis Koefisien Determinasi = rata-rata kebisingan Y i = data kebisingan = hasil model persamaan Berikut merupakan contoh perhitungan tabel di atas pada no 1: X 1 = 306 X 4 = 41,8556 X 2 = 62,7024 X 5 = 0 X 3 = 49,2765 Nilai-nilai tersebut dimasukkan ke dalam model persamaan yang dihasilkan : = 84,479 0,0006X 1 + 0,0068X 2 + 0,0361X 3 0,0046X 4 1,039X 5 = 84,479 0,0006 (306) + 0,0068 (62,7024) + 0,0361 (49,2765) 0,0046 (41,8556) 1,039 (0) = 87,33

16 digilib.uns.ac.id 61 Dari analisis di atas, maka diperoleh hasil sebagai berikut: Σ( - ) 2 = 4486,07 Σ(Y i - ) 2 = 5658,72 2. Menghitung koefisein determinasi menggunakan rumus: = ( ) ( ) =,, = 0,79 Sebagai koreksi, berikut ditampilkan hasil perhitungan koefisien determinasi menggunakan program SPSS 17. Tabel 4.8 Analisis Koefisien Determinasi menggunakan Program SPSS 17 Model Summary b Model R R Square Adjusted R Square a Std. Error of the Estimate Durbin- Watson a. Predictors: (Constant), x5, x4, x1, x2, x3 b. Dependent Variable: y Sumber : Input pada SPSS (2015) Dari hasil analisis diperoleh nilai koefisien determinasi = 0,793 yangberarti bahwa model persamaan dapat menjelaskan hubungan antar variabel sebesar 79,3% dari keseluruhan populasi Uji Analisis Regresi Uji analisis regresi meliputi uji keberatian regresi dan uji koefisien regresi. Uji keberartian regresi (uji F) dilakukan untuk mengetahui apakah sekelompok variabel secara bersama mempunyai pengaruh terhadap variabel terikat. Uji koefisien regresi (uji t) dilakukan untuk mengetahui bagaimana keberatian adanya setiap variabel bebas dalam regresi. a) Uji F Uji F dilakukan untuk mengetahui apakah variabel bebas secara simultan (bersama sama) berpengaruh commit signifikan to user terhadap variabel terikat. Derajat

17 digilib.uns.ac.id 62 kesalahan (α) yang digunakan = 0,05. Sebelum melakukan uji, ditentukan terlebih dahulu hipotesis sebagai berikut : Ho : tidak terjadi hubungan linear antara variabel terikat dan variabel bebas, Ha : terjadi hubungan linear antara variabel terikat dan variabel bebas. Jika F hitung > F tabel maka Ho ditolak dan Ha diterima, sedangkan jika F hitung < F tabel maka Ho diterima dan Ha ditolak. Hasil analisis uji F menggunakan program SPSS 17 dapat dilihat pada Tabel 4.9 berikut. Tabel 4.9 Uji F menggunakan program SPSS 17 ANOVA b Model Sum of Squares df Mean Square F Sig. 1 Regression a Residual Total a. Predictors: (Constant), x5, x4, x1, x3, x2 b. Dependent Variable: y Sumber : Input pada SPSS (2015) Dari tabel di atas dapat diketahui nilai F hitung = 119,266 > F tabel = 2,2798, maka Ho ditolak dan Ha diterima,jadi ada hubungan linear antara variabel terikat dan variabel bebas. b) Uji t Uji t digunakan untuk mengetahui apakah variabel-variabel bebas secara parsial (sendiri) berpengaruh signifikan atau tidak terhadap variabel terikat. Derajat kesalahan (α) yang digunakan = 0,05. Dengan menggunakan uji dua pihak, ditentukan hipotesis sebagai berikut: Ho : Variabel bebas secara parsial tidak mempengaruhi variabel terikat, Ha : Variabel bebas secara parsial mempengaruhi variabel terikat. Dalam pengujian hipotesis yang menggunakan uji dua pihak, berlaku ketentuan bahwa jika t hitung berada pada daerah commit penerimaan to user Ho atau terletak diantara harga

18 digilib.uns.ac.id 63 t tabel, maka Ho diterima. Nilai t hitung adalah nilai mutlak, jadi tidak dilihat (+) atau (-) nya. Hasil analisis uji t menggunakan program SPSS v.17 dapat dilihat pada Tabel 4.10 berikut. Tabel 4.10 Uji t mengguankan Program SPSS 17 Coefficients a Standardized Unstandardized Coefficients Coefficients Model B Std. Error Beta t Sig. 1 (Constant) x e x x x x a. Dependent Variable: y Sumber : Input pada SPSS (2015) Dari tabel di atas dapat diketahui untuk variabel X 1 (volume kendaraan) nilai t hitung = -0,025, variabel X 2 (kecepatan MC) nilai t hitung = 1,036, variabel X 3 (kecepatan LV) nilai t hitung = 0,495, variabel X 4 (kecepatan HV) nilai t hitung = -2,134, dan variabel X 5 (jarak) nilai t hitung = -22,858. Sedangkan untuk nilai t tabel yaitu 1,9773. Dari hasil analisis dapat digambarkan kurva daerah penerimaan dan penolakan seperti pada Gambar 4.5 berikut. Gambar 4.5 Kurva Daerah Penerimaan dan Penolakan Uji t Dua Pihak

19 digilib.uns.ac.id 64 Dari gambar di atas ditunjukkan bahwa nilai t hitung variabel X 1 (volume kendaraan) = -0,025 berada pada daerah penerimaan Ho, maka Ho diterima dengan kata lain volume kendaraan secara parsial tidak mempengaruhi kebisingan. Nilai t hitung variabel X 2 (kecepatan MC) = 1,036 berada pada daerah penerimaan Ho, maka Ho diterima dengan kata lain kecepatan MC (sepeda motor) secara parsial tidak mempengaruhi kebisingan. Nilai t hitung variabel X 3 (kecepatan LV) = 0,495 berada pada daerah penerimaan Ho, maka Ho diterima dengan kata lain kecepatan LV (kendaraan ringan) secara parsial tidak mempengaruhi kebisingan. Nilai t hitung variabel X 4 (kecepatan HV) = -2,134, berada pada daerah penolakan Ho, maka Ho ditolak dengan kata lain kecepatan HV (kendaraan berat) secara parsial mempengaruhi kebisingan. Dan nilai t hitung variabel X 5 (jarak pengukuran) = - 22,858 berada pada daerah penolakan Ho, maka Ho ditolak dengan kata lain jarak pengukuran secara parsial mempengaruhi kebisingan. Jadi variabel X 1,X 2 dan X 3 tidak dapat digunakan secara parsial untuk menganalisis hubungan kebisingan, namun dapat digunakan bersama dengan variabel kecepatan kendaraan berat dan jarak pengukuran untuk menganalisis hubungannya terhadap kebisingan Uji Asumsi Klasik Setelah analisis regresi, dilakukan uji asumsi yang meliputi uji normalitas, uji linearitas dan uji heteroskedastisitas. Pada regresi linear berganda seluruh uji asumsi harus memenuhi nilai yang disyaratkan atau mempunyai nilai yang signifikan. Uji asumsi regresi linear berganda dilakukan dengan menggunakan software SPSS 17. a) Uji Normalitas Uji normalitas dilakukan untuk mengetahui apakah data terdistribusi normal atau tidak. Dengan menggunakan program SPSS 17 diketahui hasil analisis data kebisingan seperti terlihat pada Gambar 4.6 dan Tabel 4.11 berikut.

20 digilib.uns.ac.id 65 Gambar 4.6 Grafik Normal P-P Plot Tabel 4.11 Analisis Uji Normalitas menggunakan program SPSS 17 One-Sample Kolmogorov-Smirnov Test Unstandardized Residual N 144 Normal Parameters a,,b Mean Std. Deviation Most Extreme Differences Absolute.062 Positive.052 Negative Kolmogorov-Smirnov Z.742 Asymp. Sig. (2-tailed).640 a. Test distribution is Normal. b. Calculated from data. Sumber: Input pada SPSS 17 (2015) Dari hasil tersebut dapat dilihat pola grafik Normal P-P Plot tersebar sepanjang grafik. Berdasarkan nilai Sig uji One Sample Kolmogorov-Smirnov adalah lebih dari tingkat kepercayaan (Sig = 0,640 > α = 0,05) sehingga disimpulkan bahwa data memenuhi distribusi normal.

21 digilib.uns.ac.id 66 b) Uji Linearitas Uji linearitas dilakukan untuk mengetahui apakah dua variabel atau lebih mempunyai hubungan yang linear atau tidak. Nilai signifikansi yang digunakan pada analiss ini = 0,05 yang berati derajat kesalahannya (α) = 5%. Dengan menggunakan program SPSS 17 diketahui hasil analisis seperti terlihat pada Tabel berikut. Tabel 4.12 Uji Linearitas antara Y dengan X1 menggunakan program SPSS ANOVA Table Sum of Squares df Mean Square F Sig. y * x1 Between (Combined) Groups Linearity Deviation from Linearity Within Groups Total Sumber : Input pada SPSS (2015) Dari hasil di atas dapat dilihat bahwa varibel X 1 (volume kendaraan) diperoleh nilai signifikansi = 0,806. Nilai signifikansi variabel X 1 > 0,05 maka hubungan antara variabel X 1 dengan variabel Y (kebisingan) adalah tidak linear. Tabel 4.13 Uji Linearitas antara Y dengan X2 menggunakan program SPSS ANOVA Table Sum of Squares df Mean Square F Sig. y * x2 Between (Combined) Groups Linearity Deviation from Linearity Within Groups Total Sumber : Input pada SPSS (2015) Dari hasil di atas dapat dilihat bahwa variabel X 2 (kecepatan sepeda motor) diperoleh nilai signifikansi = 0,739. Nilai signifikansi variabel X 2 > 0,05 maka hubungan antara variabel X 2 dengan commit variabel to user Y (kebisingan) adalah tidak linear.

22 digilib.uns.ac.id 67 Tabel 4.14 Uji Linearitas antara Y dengan X3 menggunakan program SPSS ANOVA Table Sum of Squares df Mean Square F Sig. y * x3 Between Groups (Combined) Linearity Deviation from Linearity Within Groups Total Sumber : Input pada SPSS (2015) Dari hasil di atas dapat dilihat bahwa variabel X 3 (kecepatan kendaraan ringan) diperoleh nilai signifikansi = 0,871. Nilai signifikansi variabel X 3 > 0,05 maka hubungan antara variabel X 3 dengan variabel Y (kebisingan) adalah tidak linear. Tabel 4.15 Uji Linearitas antara Y dengan X4 menggunakan program SPSS ANOVA Table Sum of Squares df Mean Square F Sig. y * x4 Between Groups (Combined) Linearity Deviation from Linearity Within Groups Total Sumber : Input pada SPSS (2015) Dari hasil di atas dapat dilihat bahwa variabel X 4 (kecepatan kendaraan berat) diperoleh nilai signifikansi = 0,480. Nilai signifikansi variabel X 4 > 0,05 maka hubungan antara variabel X 4 dengan variabel Y (kebisingan) adalah tidak linear. Tabel 4.16 Uji Linearitas antara Y dengan X5 menggunakan program SPSS ANOVA Table Sum of Squares df Mean Square F Sig. y * x5 Between Groups (Combined) Linearity Deviation from Linearity Within Groups Total Sumber : Input pada SPSS (2015)

23 digilib.uns.ac.id 68 Dari hasil di atas dapat dilihat bahwa variabel X 5 (jarak pengukuran kebisingan) diperoleh nilai signifikansi = 0,000. Nilai signifikansi variabel X 5 < 0,05 maka hubungan antara variabel X 5 dengan Y adalah linear. Dari hasil analisis tersebut dapat disimpulkan bahwa tidak terdapat hubungan linear antara sebagian besar variabel bebas dan variabel terikat. c) Uji Heteroskedastisitas Uji Heteroskedastisitas dengan menggunakan SPSS 17 dapat dilakukan dengan menggunakan Uji Glesjer. Tabel 4.17 Uji Heteroskedastisitas Menggunakan Metode Uji Glesjer Unstandardized Coefficients Coefficients a Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) x x x x x a. Dependent Variable: RES2 Sumber: Analisis Data Primer dengan SPSS 17 (2015) Berdasarkan hasil analisis diatas diketahui nilai Sig X1 (0,017) dan X5 (0,029) adalah kurang dari tingkat kepercayaan (α = 0,05) sehingga disimpulkan bahwa terjadi masalah heteroskedastisitas pada regresi.

24 digilib.uns.ac.id Uji Verifikasi Uji verifikasi dilakukan untuk mengetahui tingkat keandalan dari model persamaan hubungan antara kebisingan dengan volume kendaraan, kecepatan kendaraan, dan jarak pengukuran yang telah diperoleh. Sebagai perbandingan digunakan data kebisingan dari salah satu jalan yang ada di Kota Surakarta, yaitu Jalan Ahmad Yani. Uji verifikasi dilakukan pada Jalan Ahmad Yani karena Jalan Ahmad Yani memiliki fungsi jalan yang sama dengan Jalan Ir. Juanda, yaitu jalan arteri. Model yang didapat dari penelitian di Jalan Ir. Juanda adalah : Y = 89,101 0,00001X 1 + 0,039X 2 + 0,021X 3 0,126X 4 0,993X 5 Contoh Uji Verifikasi pada Jalan Ahmad Yani : Y (kebisingan) X 1 (volume kendaraan) X 2 (kecepatan sepeda motor) X 3 (kecepatan kendaraan ringan) X 4 (kecepatan kendaraan berat) X 5 (jarak) = 86,51 dba = 1056 kendaraan/jam = 74,6483 km/jam = 66,6577 km/jam = 66,8864 km/jam = 0 m Y = 89,101 0,00001(1056) + 0,039(74,6483) + 0,021(66,6577) 0,126 (66,8864) 0,993(0) = 85,0136 Tingkat error = x 100% Tingkat error =,,, 100 % = -1,77 % Berikut ini adalah tabel rekapitulasi uji verifikasi model pada Jalan Ahmad Yani:

25 digilib.uns.ac.id 70 Tabel 4.18 Rekapitulasi Uji Verifikasi Model Pada Jalan Ahmad Yani No. Kebisingan Kebisingan di Lapangan Model Tingkat Error Total Sebaran tingkat kesalahan model pada Jalan Ahmad Yani dapat dilihat pada gambar berikut Gambar 4.7 Grafik Tingkat Kesalahan Model Pada Jalan Ahmad Yani

26 digilib.uns.ac.id 71 Jadi tingkat kesalahan model jika diaplikasikan pada Jalan Ahmad Yani adalah 43,92 %. Tingkat keakuratan model pada jalan arteri dengan tipe 4/2D seperti Jalan Ahmad Yani Surakarta adalah sebesar 56,08 %. Karena hasil analisis tidak memenuhi uji asumsi regresi linear berganda dan tidak signifikan pada uji statistik yang lain, maka analisis dilanjutkan dengan analisis regresi sederhana Analisis Regresi Linear Sederhana antara Kebisingan dengan Jarak Pengukuran Berdasarkan uji korelasi, variabel bebas yang mempunyai nilai korelasi > 0,5 dengan variabel terikat yaitu X 5 (jarak) = 0,886. Sedangkan hasil uji linearitas, nilai signifikansi variabel X 5 < 0,05 maka hubungan antara variabel X 5 dengan variabel Y (kebisingan) adalah linear, sehingga analisis yang dapat digunakan adalah analisis regresi linear sederhana. Model matematis yang akan dicari menggambarkan bagaimana hubungan antara variabel bebas yaitu jarak. Dalam tahap ini akan digunakan dua cara untuk menghitung model persamaan, yaitu menggunakan bantuan perhitungan dengan Microsoft Excel dan program SPSS 17 sebagai koreksi. Berikut langkah-langkah analilis model persamaan regresi linear sederhana menggunakan bantuan program Microsoft Excel : 1. Menyusun persamaan yang akan digunakan dalam perhitungan a = b = (Σ ) (Σ ²) (Σ ) (Σ ) (Σ ) (Σ ) (Σ ) (Σ )(Σ ) (Σ ) (Σ )...(4.7)...(4.8) maka hasilnya menjadi, a = b = (, )( ) ( )(, ) ( ) ( ) (, ) ( )(, ) ( ) ( ) = 87,3303 = -0,9933

27 digilib.uns.ac.id 72 Maka dihasilkan nilai sebagai berikut : a = 87,3303 b = -0, Nilai a dan b dimasukkan dalam persamaan regresi linear sederhana sebagai berikut : Y = 87,3303 0,9933X 5 Sebagai koreksi, berikut ditampilkan hasil analisis model persamaan menggunakan program SPSS v.17. Tabel 4.19 Analisis Model Persamaan menggunakan Program SPSS 17 Coefficients a Standardized Unstandardized Coefficients Coefficients Model B Std. Error Beta t Sig. 1 (Constant) X a. Dependent Variable: Y Sumber : Input pada SPSS (2015) Kebisingan Jarak y = -0,993x + 87,33 R² = 0,784 Gambar 4.8 Analisis Model Persamaan menggunakan Program Microsoft Excel

28 digilib.uns.ac.id 73 Model persamaan yang dihasilkan adalah Y = 87,3303 0,9933X 5. Berdasarkan hasil analisis model persamaan menggunakan program Microsoft Excel dan SPSS 17 menunjukkan hasil yang sama. Melalui persamaan diatas dapat di hitung jarak minimum yang disarankan antara bangunan perumahan/sekolah dengan tepi Jalan Ir. Juanda adalah 32,56 m agar tercapai tingkat kebisingan yang sesuai dengan yang disyaratkan sebesar 55 dba Koefisien Determinasi (r 2 ) Koefisein determinasi bertujuan untuk mengetahui seberapa besar kemampuan variabel bebas menjelaskan variabel terikat. Dalam tahap ini akan digunakan dua cara untuk mnghitung koefisien korelasi, yaitu menggunakan bantuan program SPSS 17 sebagai koreksi. Berikut merupakan hasil analisis dengan menggunakan SPSS 17 yang diperlihatkan seperti pada Tabel 4.20 Tabel 4.20 Analisis Koefisien Determinasi menggunakan Program SPSS 17 Model Summary Model R R Square Adjusted R Square Std. Error of the Estimate a a. Predictors: (Constant), X7 Sumber : Input pada SPSS (2015) Dari hasil analisis diperoleh nilai koefisien determinasi = 0,785 yang berarti bahwa model persamaan dapat menjelaskan hubungan antar variabel sebesar 78,5 % dari keseluruhan populasi Uji Analisis Regresi Uji analisis regresi meliputi uji keberatian regresi dan uji koefisien regresi. Uji keberartian regresi (uji F) dilakukan untuk mengetahui apakah sekelompok variabel secara bersama mempunyai pengaruh terhadap variabel terikat. Uji

29 digilib.uns.ac.id 74 koefisien regresi (uji t) dilakukan untuk mengetahui bagaimana keberatian adanya setiap variabel bebas dalam regresi. a. Uji F Uji F dilakukan untuk mengetahui apakah variabel bebas secara simultan (bersama sama) berpengaruh signifikan terhadap variabel terikat. Derajat kesalahan (α) yang digunakan = 0,05. Sebelum melakukan uji, ditentukan terlebih dahulu hipotesis sebagai berikut: Ho Ha : tidak terjadi hubungan linear antara variabel terikat dan variabel bebas, : terjadi hubungan linear antara variabel terikat dan variabel bebas. Jika F hitung > F tabel maka Ho ditolak dan Ha diterima, sedangkan jika F hitung < F tabel maka Ho diterima dan Ha ditolak. Hasil analisis uji F menggunakan program SPSS 17 dapat dilihat pada Tabel 4.21 berikut. Tabel 4.21 Analisis Uji F menggunakan program SPSS 17 ANOVA b Model Sum of Squares Df Mean Square F Sig. 1 Regression a Residual Total a. Predictors: (Constant), X7 b. Dependent Variable: Y Sumber : Input pada SPSS (2015) Dari tabel di atas dapat diketahui nilai F hitung = 517,329 > F tabel = 3,9078, maka Ho ditolak dan Ha diterima,jadi ada hubungan linear antara variabel terikat dan variabel bebas. b. Uji t Uji t digunakan untuk mengetahui apakah variabel-variabel bebas secara parsial (sendiri) berpengaruh signifikan atau tidak terhadap variabel terikat. Derajat

30 digilib.uns.ac.id 75 kesalahan (α) yang digunakan = 0,05. Dengan menggunakan uji dua pihak, ditentukan hipotesis sebagai berikut: Ho Ha : Variabel bebas secara parsial tidak mempengaruhi variabel terikat, : Variabel bebas secara parsial mempengaruhi variabel terikat. Dalam pengujian hipotesis yang menggunakan uji dua pihak, berlaku ketentuan bahwa jika t hitung berada pada daerah penerimaan Ho atau terletak diantara harga t tabel, maka Ho diterima. Nilai t hitung adalah nilai mutlak, jadi tidak dilihat (+) atau (-) nya. Hasil analisis uji t mengguankan program SPSS 17 dapat dilihat pada Tabel 4.22 berikut. Tabel 4.22 Analisis Uji t menggunakan Program SPSS 17 Unstandardized Coefficients Coefficients a Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) X a. Dependent Variable: Y Sumber : Input pada SPSS (2015) Dari tabel di atas dapat diketahui untuk variabel X 5 (jarak pengukuran) nilai t hitung = -22,745. Sedangkan untuk nilai t tabel yaitu 1,9768. Dari hasil analisis dapat digambarkan kurva daerah penerimaan dan penolakan seperti pada Gambar 4.9 berikut. Gambar 4.9 Kurva Daerah Penerimaan dan PenolakanUji t Dua Pihak

31 digilib.uns.ac.id 76 Dari gambar di atas ditunjukkan bahwa nilai t hitung variabel X 5 (jarak) = -22,745 berada pada daerah penolakan Ho, maka Ho ditolak dengan kata lain jarak secara parsial mempengaruhi kebisingan Uji Verifikasi Uji verifikasi dilakukan untuk mengetahui tingkat keandalan dari model yang telah didapat pada penelitian ini. Sebagai perbandingan, diambil nilai kebisingan di jalan lain di Kota Surakarta, yaitu Jalan Ahmad Yani. Model yang didapat dari penelitian di Jalan Ir. Juanda Y = 87,3303 0,9933 X 5 Contoh uji verifikasi pada Jalan Ahmad Yani: Kebisingan = 86,51 dba Jarak pengukuran = 0 meter Tingkat Error =,,, 100% = 0,94 %. Tabel 4.23 Rekapitulasi Uji Verifikasi Model pada Jalan Ahmad Yani No. Kebisingan Kebisingan Tingkat di Lapangan Model Error , , , , , , , , , , , , , , , Total

32 digilib.uns.ac.id 77 Jadi, tingkat kesalahan model jika di aplikasikan pada Jalan Ahmad Yani adalah 23,81 %. Tingkat keakuratan model di jalan tipe 4/2D seperti Jalan Ahmad Yani adalah sebesar 76,19 %. Model ini memiliki tingkat keakuratan yang lebih tinggi dibandingkan dengan model sebelumnya yang menggunakan analisis regresi linear berganda Y-Values Gambar 4.10 Grafik Tingkat Kesalahan Model pada Jalan Ahmad Yani 4.3 Pembahasan Dalam sub bab ini akan disampaikan hasil dari analisis tentang hubungan antara kebisingan dengan volume kendaraan, kecepatan kendaraan dan jarak pengukuran di ruas Jalan Ir. Juanda Kota Surakarta. Dari analisis regresi linear diperoleh dua model yaitu Y = 89,101 0,00001X 1 + 0,039X 2 + 0,021X 3 0,126X 4 0,993X 5 dengan nilai r 2 adalah 0,793. Akan tetapi model tersebut tidak memenuhi uji asumsi klasik sehingga kemungkinan terdapat bias yang dapat mengurangi keakuratan model tersebut. Berdasarkan hasil analisis uji korelasi antar variabel, variabel volume dan semua variabel kecepatan memiliki nilai korelasi < 0,5 yang menunjukkan bahwa volume dan kecepatan lalu lintas memiliki pengaruh yang sangat rendah terhadap kebisingan. Variabel yang memiliki nilai korelasi > 0,5 adalah variabel jarak (X 5 ) yang berarti variabel tersebut sangat berpengaruh pada kebisingan lalu lintas. Berdasarkan hasil uji linieritas didapat bahwa variabel volume dan kecepatan > 0,05 yang berarti

33 digilib.uns.ac.id 78 hubungan antara variabel volume dan kecepatan dengan kebisingan tidak linear, sedangkan untuk variabel jarak nilai yang didapat dari uji linearitas yaitu < 0,05 yang berarti variabel jarak (X 5 ) mempunyai hubungan linear terhadap kebisingan lalu lintas. Sehingga dilakukan analisis regresi linear sederhana antara kebisingan dan jarak pengukuran kebisingan. Kemudian model regresi sederhana yang didapat adalah Y = 87,3303 0,9933 X 5 dengan nilai r 2 adalah 0,785. Pada model yang pertama terdapat lima variabel bebas, yaitu volume lalu lintas, kecepatan sepeda motor, kecepatan kendaraan ringan, kecepatan kendaraan berat dan jarak pengukuran kebisingan. Untuk variabel volume lalu lintas bernilai negatif yang berarti volume dan kebisingan berbanding terbalik. Artinya volume kendaraan semakin meningkat maka nilai kebisingan akan semakin rendah. Hal ini terjadi kemungkinan karena semakin besar volume kendaraan yang melintas maka kecepatan kendaraan akan berkurang sehingga suara mesin kendaraan juga semakin mengecil dan nilai kebisingan juga semakin menurun. Untuk variabel kecepatan dibagi tiga, yaitu kecepatan sepeda motor, kendaraan ringan dan kendaraan berat. Dari model tersebut, variabel kecepatan sepeda motor dan kendaraan ringan bernilai positif yang berarti kebisingan dengan kecepatan sepeda motor dan kecepatan kendaraan ringan berbanding lurus. Artinya jika kecepatan semakin meningkat maka nilai kebisingan juga semakin tinggi. Hal berbeda terjadi pada variabel kecepatan kendaraan berat karena bernilai negatif, yang bearti antara kebisingan dengan kecepatan kendaraan berat berbanding terbalik. Apabila kecepatan kendaraan berat semakin tinggi maka nilai kebisingan semakin rendah. Menurut hasil studi analisa tingkat kebisingan lalu lintas pada jalan tol ruas Medan-Tanjung Morawa yang dilakukan oleh Juara P. Saragih dan Medis S. Surbakti pada 2011 diketahui bahwa volume lalu lintas, persentase kendaraan berat (HV), kecepatan rata-rata dan jarak pengukuran merupakan hal-hal utama yang berpengaruh pada kebisingan lalu lintas (bernilai positif). Perbedaannya adalah pada penelitian ini kecepatan sepeda motor dan kecepatan kendaraan ringan juga mempengaruhi kebisingan karena bertanda posistif, tetapi pada variabel kecepatan kendaraan berat bernilai negatif. Artinya nilai kebisingan berbanding terbalik dengan kecepatan kendaraan berat. Kondisi seperti ini

34 digilib.uns.ac.id 79 bertentangan dengan teori kebisingan yaitu semakin cepat kendaraan maka kebisingan juga meningkat, hal ini disebabkan karena adanya hubungan matematis antarara kecepatan dan volume/arus lalu lintas, menurut Ofyar Z. Tamrin tahun 2003, dalam keadaan stabil apabila kepadatan meningkat (volume) maka kecepatan akan menurun, begitupun sebaliknya. Berdasarkan hal tersebut maka dapat dikatakan terdapat hubungan yang bervariasi antara arus lalu lintas dan kecepatan lalu lintas tergantung pada perilaku pengendara kendaraan. Kemungkinan yang lain kenapa variabel kecepatan mempunyai pengaruh kecil terhadap kebisingan yaitu kurang akurat dalam pengambilan data kecepatan. Kecepatan yang terdata kemungkinan bukan mewakili kebisingan yang terjadi karena pada saat pengambilan data kecepatan tidak berbarengan dengan pengambilan data kebisingan per menit nya. Model analisis regresi linear berganda antara kebisingan dengan volume, kecepatan lalu lintas dan jarak pengukuran kebisingan kemudian di uji verifikasi untuk mengetahui tingkat kesalahannya. Uji verifikasi dilakukan pada Jalan Ahmad Yani karena Jalan Ahmad Yani memiliki fungsi jalan yang sama dengan Jalan Ir. Juanda, yaitu jalan arteri. Didapat tingkat kesalahan 43,92 % untuk aplikasi model di Jalan Ahmad Yani. Tingkat keakuratan apabila model digunakan pada Jalan Ahmad Yani adalah 56,08 %. Pada model yang kedua (analisis regresi linear sederhana) Y = 87,3303 0,9933 X 5, terdapat satu variabel bebas yang mempengaruhi kebisingan yaitu jarak pengukuran kebisingan (X 5 ). Variabel jarak bertanda negatif yang berarti semakin jauh jarak pengukuran kebisingan atau pendengar dari sumber bising kendaraan maka kebisingan lalu lintas (Y) akan menurun. Hasil model analisis regresi linear sederhana pada penelitian ini juga sama seperti hasil studi analisa tingkat kebisingan pergerakan lalu lintas terhadap zona pendidikan di Kota Medan yang dilakukan oleh Putri Juwita Simamora dan Medis S. Surbakti pada Diketahui bahwa model linear pada Perguruan Parulian 3 Jalan Sisingamangaraja No.44 yang terbentuk antara variabel terikat (Y) dengan variabel bebas Jarak pengukuran (X 6 ) adalah Y = 80,063 0,572 X 6.

35 digilib.uns.ac.id 80 Model analisis regresi linear sederhana yaitu Y = 87,3303 0,9933 X 5, kemudian di uji verifikasi untuk mengetahui tingkat kesalahannya. Didapat tingkat kesalahan 23,81 % untuk aplikasi model di Jalan Ahmad Yani. Tingkat keakuratan apabila model digunakan pada Jalan Ahmad Yani adalah 76,19 %. Hasil verifikasi antara model analisis regresi linear berganda dan regresi linear sederhana memperlihatkan bahwa tingkat kesalahan pada model regresi linear berganda lebih besar yaitu 43,92 % bila dibandingkan dengan tingkat kesalahan model regresi linear sederhana yaitu 23,81 %. Kondisi tersebut diperkirakan karena pada model analisis regresi linear berganda terdapat ketidak lolosan dalam uji asumsi klasik sehingga terdapat bias model dan model menjadi tidak akurat. Maka dalam penelitian ini, model yang terbaik yaitu model analisis regresi linear sederhana (Y = 87,3303 0,9933 X 5 ) dikarenakan model ini sudah memenuhi uji asumsi klasik dan mempunyai tingkat kesalahan yang relatif kecil dibandingkan dengan model analis regresi linear berganda. Berdasarkan hasil analisis regresi linear sederhana, peneliti dapat merekomendasikan jarak ideal antara jalan dengan bangunan terdekat yaitu 32,55 meter. Jarak tersebut merupakan jarak aman dari ambang batas kebisingan untuk kawasan pemukiman sebesar 55 dba. Kondisi di lapangan tidak memungkinkan untuk memenuhi jarak aman karena di sekitar Jalan Ir. Juanda sudah dipadati dengan bangunan-bangunan. Bangunan yang sudah ada terutama yang dekat dengan jalan sebaiknya diberi penghalang/peredam. Bangunan penghalang/peredam kebisingan dapat berupa pagar atau tanaman untuk mengurangi kebisingan karena bangunan tersebut tidak memungkinkan untuk mundur sejauh jarak ambang batas kebisingan.