BAB 3 PENGOLAHAN DATA

Transkripsi

1 BAB 3 PENGOLAHAN DATA 3.1 Menentukan Model Persamaan Regresi Linier Berganda Data yang dikumpulkan dalam penelitian ini adalah jumlah kecelakaan lalu lintas dan faktor-faktor yang mempengaruhinya yaitu jumlah kendaraan bermotor (ribuan unit), panjang jalan (km), dan jumlah pelanggaran lalu lintas. Untuk memperoleh model yang cocok dalam menduga tingkat kecelakaan lalu lintas berdasarkan faktor-faktor penduga tersebut maka penulis menggunakan analisis regresi linier dengan satu variabel terikat yaitu jumlah kecelakaan lalu lintas (Y) dan tiga variabel bebas yaitu jumlah kendaraan bermotor (X 1 ), Panjang jalan (X ), dan jumlah pelanggaran lalu lintas (X 3 ). Data yang diolah adalah data 10 tahun terakhir yaitu tahun Tabel 3.1 Data Jumlah Kecelakaan Lalu Lintas, Jumlah Kendaraan Bermotor, Panjang Jalan, dan Jumlah Pelanggaran Rambu rambu Lalu Lintas Jumlah Jumlah Panjang Jumlah Tahun Kecelakaan Kendaraan Jalan Pelanggaran Lalu Lintas Bermotor (Km) Rambu- Rambu (Orang) (Ribuan Unit) Lalu Lintas , , , , , , , , , , , , , , , , , , , , (Sumber: Badan Pusat Statistik Provinsi Sumtera Utara)

2 14 Tabel 3. Data Jumlah Kecelakaan Lalu lintas, Jumlah Kendaraan Bermotor, Panjang Jalan, dan Jumlah Pelanggaran Ramburambu Lalu Lintas dengan Variabel Dilambangkan Variabel Bebas Tahun Y X 1 X X , , , , , , , , , , , , , , , , , , , , Hubungan antara variabel-variabel bebas X terhadap variabel tak bebas Y dapat terlihat melalui persamaan penduga untuk regresi linier berganda. Persamaan penduga tersebut, yaitu: Ŷ = b 0 + b 1 X 1 + b X + b 3 X 3 Untuk menentukan koefisien-koefisien regresi (b 0, b 1, b, b 3 ), maka dibutuhkan beberapa tabel untuk nilai-nilai n, Y, X 1, X, X 3, X 1 X, X 1 X 3, X X 3, YX 1, YX, YX 3, X 1, X, X3, Y.

3 15 Tabel 3.3 Nilai-nilai yang Diperlukan untuk Menentukan Koefisien Regresi N0. Y X 1 X X 3 YX , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,39 Sambungan Tabel 3.3 YX YX 3 X 1 X X , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

4 16 Sambungan Tabel 3.3 Y X 1 X X 1 X 3 X X , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Dari Tabel 3.3 diperoleh harga-harga sebagai berikut: n = 10 X 1 X = ,45 Y = X 1 X 3 = ,49 X 1 = 4.416,90 X X 3 = ,66 X = 3.801,85 YX 1 = ,39 X 3 = YX = ,04 X 1 = ,40 YX 3 = X Y bebas yaitu: = ,47 X 3 = = Rumus umum persamaan regresi linier berganda dengan tiga variabel Ŷ = b 0 + b 1 X 1 + b X + b 3 X 3 dan diperoleh melalui persamaan-persamaan berikut: Y = n. b 0 + b 1 X 1 + b X + b 3 X 3 YX 1 = b 0 X 1 + b 1 X 1 + b X 1 X + b 3 X 1 X 3 Y X = b 0 X + b 1 X 1 X + b X + b 3 X X 3 Y X 3 = b 0 X 3 + b 1 X 1 X 3 + b X X 3 + b 3 X 3,66

5 17 Harga-harga yang telah diperoleh disubsitusikan ke dalam bentuk persamaan tersebut, maka didapatkan: = 10b ,90b ,85b b ,39 = 4.416,90b ,40 b ,45b ,86 b ,04 = 3.801,85b ,45 b ,47 b , 66 b = b ,49b , 66 b b 3 Setelah persamaan di atas diselesaikan, maka diperolehlah nilai koefisienkoefisien linier bergandanya antara lain: b 0 = 67,10 b 1 = 0,317 b = 0,94 b 3 = 0,01 Dari koefisien-koefisien yang diperoleh dibentuklah model persamaan regresi linier berganda: Ŷ = b 0 + b 1 X 1 + b X + b 3 X 3 Ŷ = 67, , 317X 1 0, 94X + 0, 01X 3 3. Analisis Residu Untuk menghitung kekeliruan baku taksiran diperlukan harga-harga Ŷ yang diperoleh dari persamaan regresi di atas untuk tiap-tiap harga X 1, X, dan X 3.

6 18 Tabel 3.4 Harga Y untuk Data Dalam Tabel N0. Y X 1 X X 3 yi x 1i , , , , , , , , , , ,50-936, , , ,50-67, , , ,50-0, , , ,50 37, , , ,50 740, , , , , , , , , , , , , , , Sambungan Tabel 3.4 x i x 3i x 1i y i x i yi x 3i yi -01, , , , ,5-01,5-3.11, , , ,75-01, , , , ,5-01, , , , ,75-88, , , , ,5-35, , , , ,5 154, , , , ,75 431, , , , ,5 431, , , , ,5-88, , , , , , , ,50

7 19 Sambungan Tabel 3.4 y i x 1i x i x 3i 5.760, , , , , , , , , , , , , , , , , , , , , ,93 1.7, , , , , , , , , ,5 6.64, , , , , , , , , , , ,50 Sambungan Tabel 3.4 Ŷ Y-Ŷ (Y-Ŷ) 910,61 173, ,31 85,79 9,1 84,74 900,63-3,63 558, ,13-316, ,65 979,38-136, , ,38 163,6 6.77, ,58 195, , ,36-07, , ,94 56, , ,57 19,43 377, , ,94

8 0 Dari Tabel 3.4 diperoleh nilai-nilai berikut: x 1i y i = ,58 x i y i = ,7 xy i = ,58 x 3i y i = ,50 y i = ,50 x i = ,3 x i = ,13 x i = ,50 Ŷ = 1.511,38 (Y Ŷ) = 60.75,94 Maka kesalahan bakunya dapat dihitung dengan rumus: S y.13 = (Y Ŷ) n k 1 S y.13 = 60.75, S y.13 = ,3 S y.13 = , 3 S y.13 = 08,47 Ini berarti bahwa rata-rata jumlah kecelakaan lalu lintas yang sebenarnya akan menyimpang dari rata-rata jumlah kecelakaan lalu lintas diperkirakan sebesar 1.167, Uji Keberartian Regresi Uji F (Simultan) 1. Menentukan hipotesis pengujian H 0 : X 1 = X = X 3 = 0 Tidak terdapat pengaruh yang signifikan antara jumlah kendaraan, panjang jalan, dan jumlah pelanggaran rambu-rambu lalu lintas secara bersama-sama terhadap tingkat kecelakaan lalu lintas.

9 1 H 1 : X 1 X X 3 0 Terdapat pengaruh yang signifikan antara jumlah kendaraan, panjang jalan, dan jumlah pelanggaran rambu-rambu lalu lintas secara bersama-sama terhadap tingkat kecelakaan lalu lintas.. Menentukan taraf nyata Dengan taraf nyata α = 0,05 dan nilai F tabel dengan dk pembilang (v 1 ) = k = 3 dan dk penyebut (v ) = = 6 maka diperoleh F (3;6;0,05) = 4, Kriteria pengujian H 0 diterima apabila F hitung F tabel H 0 ditolak apabila F hitung > F tabel 4. Nilai F hitung JK Reg k F hitung = JK Res (n k 1) Untuk menguji model regresi linier berganda yang telah terbentuk, maka dilakukan pengujian dengan menggunakan uji F.Untuk itu diperlukan nilai dari jumlah kuadrat regresi (JK reg ) dan nilai jumlah kuadrat residu (JK res ).Yang secara umum menggunakan rumus: JK Reg = b 1 x 1i y i + b x i y i + b 3 x 3i y i = (0,317)( ,58) + (-0,94)( ,7) + (0,01)( ,50) = , , ,38 = , JK Res = (Y Ŷ) sehingga = 60.75,94 F hitung = JK Reg k = JK Res (n k 1) , ,94 (10 3 1) = , ,3 = 6,59

10 5. Hasil yang diperoleh Dengan demikian dapat diartikan bahwa dari tabel distribusi F dengan dk pembilang = 3, dkpenyebut = (n-k-1) = (10-3-1) = 6, dan α = 5 % (0,05) didapat F tabel = 4,76. Karena F hitung = 6,59 lebih kecil dari F tabel = 3,59, maka H 0 ditolak dan H 1 diterima. Hal ini berarti persamaan regresi linier berganda Y atas X 1, X, X 3, bersifat nyata atau ini juga berarti bahwa jumlah kendaraaan bermotor, panjang jalan, dan jumlah pelanggaran rambu-rambu lalu lintas secara bersama-sama berpengaruh terhadap tingkat kecelakaan lalu lintas. 3.4 Koefisien Determinasi (R ) Untuk mengetahui seberapa besar kemampuan semua variabel dalam menjelaskan varians dari variabel terikat maka digunakan rumus: R = JK Reg Y i R = , ,50 R = 0,76 Untuk koefisien korelasi ganda digunakan rumus: R = R R = 0.76 R = 0,87 Dari hasil perhitungan diperoleh nilai korelasi (R) yaitu sebesar 0,87 yang menunjukkan bahwa korelasi antara variabel bebas X dengan variabel tak bebas Y berhubungan secara positif dengan tingkat yang tinggi. Adapun nilai koefisien determinasi R diperoleh sebesar 0,76 yang berarti sekitar 76% tingkat kecelakaan lalu lintas yang terjadi dipengaruhi oleh jumlah kendaraan, panjang jalan, dan jumlah pelanggaran rambu-rambu lalu lintas. Sedangkan sisanya sebesarnya sebesar 100% - 76% = 4% dipengaruhi oleh faktor-faktor yang lain.

11 3 3.5 Koefisien Korelasi Korelasi antara Variabel Bebas dan Variabel Terikat Untuk mengukur besarnya pengaruh variabel bebas terhadap variabel tidak bebas, maka dari tabel dapat dihitung besar koefisien korelasinya yaitu: 1. Koefisien korelasi antara tingkat kecelakaan lalu lintas (Y) dengan jumlah kendaraan bermotor (X 1 ) r yx1 = n X1Y ( X1 )( Y) = {n X 1 ( X 1 ) } {n Y ( Y) } 10( ) (4.416,90)(1.445) {10( ,40) (4.416,90) } {10( ) (1.445) } = , ,5 { ,39} { } = , = 0,73. Koefisien korelasi antara tingkat kecelakaan lalu lintas (Y) dengan jumlah panjang jalan (X ) r yx = n XY ( X )( Y) = {n X ( X ) } {n Y ( Y) } 10( ,04) (3.801,85)(1.445) {10( ,47) (3.801,85) } {10( ) (1.445) } = ( ,40) ( ,5) { ,31} { } = , ,15 = 0,45 3. Koefisien korelasi antara tingkat kecelakaan lalu lintas (Y) dengan jumlah pelanggaran rambu-rambu lalu lintas (X 3 ) r yx3 = n X3Y ( X3 )( Y) = {n X 3 ( X 3 ) } {n Y ( Y) } 10( ) ( )(1.445) {10( ) ( ) } {10( ) (1.445) } = ( ) ( ) { } { } = ,93

12 4 = 0, Korelasi antara Variabel Bebas 1. Koefisien korelasi antara junlah kendaraan bermotor (X 1 ) dengan jumlah panjang jalan (X ) r X1 X = n XX1 ( X )( X 1 ) = {n X ( X ) } {n X1 ( X1 ) } 10( ,45) (3.801,85)(4.416,90) {10( ,47) (3.801,85) } {10( ,40) (4.416,90) } = ( ,45) ( ,46) { ,31} { ,3} = , ,5 = 0,71. Koefisien korelasi antara jumlah kendaraan bermotor (X 1 ) dengan jumlah pelanggaran rambu-rambu lalu lintas (X 3 ) r X1 X 3 = n X1X3 ( X3 )( X 1 ) = {n X 3 ( X 3 ) } {n X1 ( X1 ) } 10( ,66) ( )(4.416,90) {10( ) ( ) } {10( ,40) (4.416,90) } = ( ,88) ( ,71) { } { ,3} = , ,14 = - 0,7 3. Koefisien korelasi antara panjang jalan (X ) dengan jumlah pelanggaran rambu-rambu lalu lintas (X 3 ) r X X 3 = n XX3 ( X3 )( X ) = {n X 3 ( X 3 ) } {n X ( X ) } 10( ,66) ( )(3.801,85) {10( ) ( ) } {10( ,40) (3.801,85) } = ( ,60) ( ,75) { } { ,31} = , ,65 = -0,1

13 5 Dari perhitungan koefisien korelasi baik antara variabel bebas terhadap variabel tak bebas maupun antara sesama variabel bebas diperoleh kesimpulan sebagai berikut: 1. r yx1 = 0, 73; variabel X 1 berkorelasi sangat kuat terhadap variabel Y. r yx = 0, 45; variabel X berkorelasi cukup terhadap variabel Y 3. r yx3 = 0, 5; variabel X 3 berkorelasi lemah terhadap variabel Y 4. r X1 X = 0, 71; variabel X berkorelasi sangat kuat terhadap variabel X 1 5. r X1 X 3 = -0, 7; variabel X 3 berkorelasi lemah terhadap variabel X 1 6. r X X 3 = -0, 1; variabel X 3 berkorelasi sangat lemah terhadap variabel X 3.6 Uji Koefisien Regresi Linier Berganda Dari hasil perhitungan didapat persamaan penduga regresi linier berganda: Ŷ = ,317 X X + 0,01X 3 Untuk mengetahui bagaimana keberartian adanya setiap variabel bebas dalam persamaan regresi di atas, perlu diadakan pengujian tersendiri mengenai koefisien-koefisien regresinya. Langkah-langkah pengujiannya sebagai berikut: 1. Menentukan hipotesis pengujian H 0 : X 1 = X = X 3 = 0 Tidak terdapat pengaruh yang signifikan antara jumlah kendaraan, panjang jalan, dan jumlah pelanggaran rambu-rambu lalu lintas secara bersama-sama terhadap tingkat kecelakaan lalu lintas. H 1 : X 1 X X 3 0 Terdapat pengaruh yang signifikan antara jumlah. Menentukan taraf nyata kendaraan, panjang jalan, dan jumlah pelanggaran rambu-rambu lalu lintas secara bersama-sama terhadap tingkat kecelakaan lalu lintas. Dengan taraf nyata α = 0,05 maka nilai tingkat signifikan (1 α ) = (1 0,05 ) = (1 0,05) = 0,975 dan dk = n-k-1 = = 6. t (6;0,975) =,45.

14 6 3. Kriteria pengujian H 0 diterima apabila t hitung t tabel H 0 ditolak apabila t hitung > t tabel 4. Menentukan nilai t hitung Dari perhitungan sebelumnya telah diketahui bahwa nilai dari: R = 0,76 S y.13 = ,3 X 1i = ,3 X i = ,13 X 3i = ,50 R 1 = r X1 X = 0, 715. R = r X1 X 3 = -0, 7; R 3 = r X X 3 = -0, 1 Dari harga-harga tersebut dihitung kekeliruan baku koefisien b i adalah sebagai berikut: S b1 = = S y.13 ( X 1i )(1 R 1 ) ,3 ( ,3 )(1 0,715 ) = , ,77 = 0,01 = 0,09 S b = = S y.13 ( X i )(R 1) ,3 ( ,13 )(1 0,7 ) = , ,80 = 0,08 = 0,9

15 7 S b3 = = S y.13 ( X 31 )(1 R 1 ) ,3 ( ,50 )(1 0,1 ) = , ,97 = 0,0001 = 0,008 Diperoleh distribusi student yaitu: t i = b i S bi t 1 = b 1 = 0,09 = 0,71 S b 1 0,16 t = b = 0,9 = 0,517 S b 0,561 t 3 = b 3 S b 3 = 0,01 0,008 = 1,5 5. Hasil yang diperoleh t 1 (,516) > t tabel (0,45); maka H 0 ditolak t ( 0,54) < t tabel (0,45); maka H 0 ditolak t 3 (1,5) > t tabel (0,45); maka H 0 ditolak Dari ketiga koefisien regresi tersebut menunjukkan bahwa variabel X 1, X dan X 3 (jumlah kendaraan bermotor, panjang jalan dan banyaknya pelanggaran ramburambu lalu lintas) memberikan pengaruh yang berarti terhadap tingkat kecelakaan lalu lintas.

16 BAB 4 IMPLEMENTASI SISTEM 4.1 Pengertian Implementasi Sistem Implementasi sistem adalah tahapan hasil desain tertulis kedalam programming dengan menggunakan perangkat lunak (software) sebagai implementasi ataupun prosedur untuk menyelesaikan desain sistem, yang mana dalam hal ini implementasi sistem digunakan untuk menganalisa data dari faktorfaktor yang mempengaruhi tingkat kecelakaan lalu lintas di Kota Medan. Adapun implementasi yang digunakan untuk menganalisa hubungan ataupun pengaruh tingkat kecelakaan lalu lintas adalah SPSS. Diharapkan dengan menggunakan SPSS ini dapat meningkatkan pengetahuan dan kemampuan dalam hal: 1. Pemahaman elemen dari lembar kerja SPSS. Menganalisa data dan lembar kerja 3. Kreasi dan modifikasi grafik 4. Pendayagunaan fasilitas SPSS. 4. Peranan Komputer dalam Statistika Komputer memegang peranan yang sangat penting dalam statistika. Komputer bekerja secara efisien dalam pengolahan data yang mempunyai karateristik yaitu: 1. Jumlah input yang besar Jumlah input yang besar akan dapat diolah komputer dengan mudah, semudah kita mengolah data yang jumlahnya sedikit sehingga komputer akan dapat bekerja secara efisien pada pengolahan data dengan menggunakan input yang besar.. Diperlukan kecepatan tinggi Komputer dapat melakukan proses pengolahan jumlah data yang besar dalam waktu yang singkat. Jumlah data yang besar dan sedikit akan sama cepatnya diolah oleh komputer, yang membedakannya hanya pada proses pemasukan data saja.

17 9 3. Diperlukan ketepatan yang tinggi Komputer yang telah terprogram dengan benar akan melakukan proses pengolahan yang tepat. Kesalahan informasi yang mungkin dihasilkan hanya terjadi pada proses pemasukan data saja. 4. Pengolahan hal yang kompleks Hubungan antar fenomena yang kompleks akan dapat dipecahkan dengan menggunakan komputer dalam waktu yang tepat dan cepat. SPSS sebagai software statistik, pertama kali dibuat tahun 1968 oleh tiga mahasiswa Standford University, yang dioperasikan pada komputer mainframe SPSS yang tadinya ditujukan bagi pengolah data statistik untuk ilmu sosial, sehingga (SPSS saat itu adalah singkatan dari Statistical Package for the Social Sciences), sekarang diperluas untuk melayani berbagai pengguna, seperti untuk proses produksi di pabrik, riset ilmu-ilmu sains dan lainnya. Sehingga sekarang kepanjangan SPSS adalah Statistical Product and Services Solutions. Kelebihan program ini adalah kita dapat melakukan secara lebih cepat semua perhitungan statistik dari yang sederhana sampai yang rumit sekalipun yang jika kita lakukan secara manual akan memakan waktu yang lebih lama. 4.3 Pengolahan Data dengan SPSS 1. Memulai SPSS pada window yaitu sebagai a. Pilih menu Start dari Windows b. Selanjutnya pilih menu Program c. Pilih PASW Statistic 18

18 30 Gambar 4.1 Tampilan SPSS saat dibuka pada Windows Gambar 4. Tampilan Worksheet SPSS 18 For Windows 4.4 Mengoperasikan SPSS Dari tampilan SPSS yang muncul, pilih type in data untuk membuat data baru dari menu utama file, pilih new, lalu klik, maka akan tampil, muncul jendela editor kemudian klik data. Cara menamai variabel dilakukan dengan, Klik variabel View yang terletak sebelah kiri bawah jendela editor, lalu lakukan langkah berikut: a. Name : digunakan untuk memberikan nama variabel.

19 31 b. Type : digunakan untuk menentukan tipe data. c. Width : digunakan untuk menetukan lebar kolom. d. Decimals : digunakan untuk memberikan nilai desimal. e. Label : digunakan untuk memberi nama variable. f. Value : digunakan untuk menjelaskan nilai data pada kolom. g. Missing : digunakan untuk menentukan data yang hilang. h. Columns : digunakan untuk menetukan lebar kolom. i. Align : digunakan untuk menetukan rata kanan, kiri, atau tengah. j. Measur : digunakan untuk menentukan tipe atau ukuran data, yaitu nominal, ordinal atau skala. 4.5 Pengolahan Data untuk Regresi 1. Klik lembar Variabel View dari SPSS Data Editor, kita definisikan variabel Y dengan nama variabel Y, variabel X 1 dengan nama x1, X dengan nama x, dan X 3 dengan nama x3. Gambar 4.3 Tampilan Pengisian Data Variabel pada Variable View. Kemudian isi data pada kolom Data View, Sehingga diperoleh seperti gambar berikut:

20 3 Gambar 4.4 Tampilan Pengisian Data Variabel pada Data View 3. Klik Analyze Regression Linear sebagai berikut: Gambar 4.5 Tampilan pada Kotak Dialog Regression 4. Kemudian akan didapat tampilan sebagai berikut:

21 33 Gambar 4.6 Tampilan Linier Regression 5. Pindahkan variabel Y ke dalam kotak berjudul Dependent dan variabel x1, x, dan x3 ke dalam kotak berjudul Independent(s). Seperti terlihat pada tampilan berikut: Gambar 4.7 Tampilan Dependent dan Independent 6. Pastikan memilih Method: Enter. Kemudian klik tombol Statistics dan pastikan memberi tanda check (ν) pada Estimates, Model fit dan Descriptives sebagai berikut:

22 34 Gambar 4.8 Tampilan Linier Regression Statistic 7. Kemudian klik Continue. 8. Klik Plots akan didapat tampilan sebagai berikut: Gambar 4.9 Tampilan Plots 9. pada standardized Residual Plots centang pada produce all Partial plots 10. kemudian klik continue dan ok. 4.6 Pengolahan Data untuk Korelasi

23 35 1. Klik Analyze Correlate Bivariate sebagai berikut: Gambar 4.10 Tampilan Correlations Statistic. Pada kotak bivariate correlations akan ditampilkan variabel-variabel yang akan diuji. Pindahkan keseluruhan variabel. Kemudian aktifkan pearson, two tailed, dan flag significant correlations lalu klik OK seperti terlihat dalam tampilan berikut ini: Gambar 4.11 Tampilan Bivariates Correlations Statistic 3. Klik OK maka hasilnya akan muncul pada output.

24 36 Output: Descriptive Statistics Mean Std. Deviation N Y 1.44, , X , , X 3.80,1850 5, X , , Correlations Y X 1 X X 3 Pearson Correlation Y 1,000 0,79 0,455 0,48 X 1 0,79 1,000 0,714-0,70 X 0,455 0,714 1,000-0,119 X 3 0,48-0,70-0,119 1,000 Sig. (1-tailed) Y - 0,008 0,093 0,45 X 1 0,008-0,010 0,5 X 0,093 0,010-0,37 X 3 0,45 0,5 0,37 - N Y X X X

25 37 Model Summary b Model Adjusted R Std. Error of R R Square Square the Estimate 0 0,876 a 0,767 0,651 08,5783 a. Predictors: (Constant), X 3, X, X 1 b. Dependent Variable: Y ANOVA b Model Sum of Squares Df Mean Square F Sig. 1 Regression , ,189 6,596 0,05 a Residual 60.7, ,3 Total ,500 9 a. Predictors: (Constant), X 3, X, X 1 b. Dependent Variable: Y Coefficients a Model Unstandardized Standardized Coefficients Coefficients t Sig. B Std. Error Beta 1 (Constant) 67, ,198 0,48 0,81 X 1 0,317 0,091 1,014 3,474 0,013 X -0,94 0,395-0,11-0,745 0,485 X 3 0,010 0,004 0,497,416 0,05 a. Dependent Variable: Y

26 38 Residuals Statistics a Minimum Maximum Mean Std. Deviation N Predicted Value 846, , , , Residual -305, , , , Std. Predicted -1,90 1,071 0,000 1, Value Std. Residual -1,468 0,977 0,000 0, a. Dependent Variable: Y

27 BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan pengolahan data yang telah dilakukan, maka diperoleh beberapa kesimpulan antara lain: 1. Dengan menggunakan analisis regresi linier berganda diperoleh model persamaan sebagai berikut: Ŷ = 67, , 317X 1 0, 94X + 0, 01X 3 Jika jumlah kendaran bermotor (X 1 ) dan jumlah pelanggaran rambu-rambu lalu lintas (X 3 ) tinggi maka tingkat kecelakaan (Y) akan semakin tinggi, sementara jika panjag jalan (X ) semakin tinggi maka tingkat kecelakaan (Y) akan semakin rendah.. Dari perhitungan koefisien korelasi antara variabel bebas terhadap variabel tak bebas diperoleh hasil sebagai berikut: a. Hubungan antara tingkat kecelakaan lalu lintas dengan banyaknya kendaraan bermotor yaitu sebesar 0,73. b. Hubungan antara tingkat kecelakaan lalu lintas dengan panjang jalan yaitu sebesar 0,45. c. Hubungan antara tingkat kecelakaan lalu lintas dengan banyaknya pelanggaran rambu-rambu lalu lintas yaitu sebesar 0,5. Maka faktor yang paling berpengaruh terhadap tingginya tingkat kecelakaan lalu lintas di Kota Medan adalah jumlah kendaraan bermotor yaitu sebesar 0,73. Artinya semakin banyak kendaraan bermotor di Kota Medan maka akan semakin tinggilah tingkat kecelakaan lalu lintas yang terjadi. 5. Saran 1. Faktor yang menyebabkan tingginya tingkat kecelakaan lalu lintas adalah jumlah kendaraan bermotor, dan pelanggaran rambu-rambu lalu lintas untuk itu diharapkan agar pemerintah bisa mengambil kebijakan untuk mengurangi kecelakaan lalu lintas demi keselamatan masyarakat Kota Medan. Salah

28 40 satunya yaitu dengan kebijakan penambahan panjang jalan, semakin tinggi panjang jalan maka tingkat kecelakaan semakin rendah..