perpustakaan.uns.ac.id 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 06.00-12.00 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.

4.1.1 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 rata-
rata 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

Jarak Pengamatan Kebisingan Kebisingan Kebisingan Rata-
No.
(meter) Tertinggi (dBA) Terendah (dBA) rata (dBA)
1 0 91,26 85,91 88,27
2 5 91,13 74,31 81,42
3 10 79,49 72,91 76,45
4 15 76,79 70,84 73,38
commit to user
Sumber: Data Primer (2015)

46
perpustakaan.uns.ac.id 47
digilib.uns.ac.id

95

90

85
Kebisingan (dBA)

80
0m
75
5m
70 10 m

65 15 m

60
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

4.1.2 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

Kecepatan Kecepatan Kecepatan Rata-
No. Jenis Kendaraan Tertinggi Terendah rata (km/jam)
(km/jam) (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)

commit to user
perpustakaan.uns.ac.id 48
digilib.uns.ac.id

80

70
Kecepatan (km/jam)
60

50
Sepeda Motor
40 Kendaraan Ringan
Kendaraan berat
30

20
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

4.1.3 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

Volume Total
Total
Interval Waktu (kend./10
MC LV HV (Kend./jam)
menit)
06.00 - 06.10 43 5 3 51 306
06.10 - 06.20 98 16 4 118 708
06.20 - 06.30 143 22 2 167 1002
06.30 - 06.40 173 26 3 202 1212
06.40 - 06.50 262 32 3 297 1782
06.50 - 07.00 269 51 2 322 1932
07.00 - 07.10 313 54 commit to
3 user 370 2220
perpustakaan.uns.ac.id 49
digilib.uns.ac.id

Tabel 4.3 Rekapitulasi Volume Kendaraan

Volume Total
Total
Interval Waktu (kend./10
MC LV HV (Kend./jam)
menit)
07.10 - 07.20 387 55 1 443 2658
07.20 - 07.30 303 44 4 351 2106
07.30 - 07.40 402 83 3 488 2928
07.40 - 07.50 386 81 5 472 2832
07.50 - 08.00 375 69 4 448 2688
08.00 - 08.10 261 56 7 324 1944
08.10 - 08.20 161 69 5 235 1410
08.20 - 08.30 209 81 8 298 1788
08.30 - 08.40 152 37 6 195 1170
08.40 - 08.50 162 55 8 225 1350
08.50 - 09.00 128 52 5 185 1110
09.00 - 09.10 106 47 8 161 966
09.10 - 09.20 140 77 7 224 1344
09.20 - 09.30 127 44 6 177 1062
09.30 - 09.40 134 70 5 209 1254
09.40 - 09.50 129 56 13 198 1188
09.50 - 10.00 125 48 7 180 1080
10.00 - 10.10 147 65 7 219 1314
10.10 - 10.20 135 58 11 204 1224
10.20 - 10.30 174 79 13 266 1596
10.30 - 10.40 139 59 4 202 1212
10.40 - 10.50 119 68 5 192 1152
10.50 - 11.00 158 71 6 235 1410
11.00 - 11.10 156 56 6 218 1308
11.10 - 11.20 157 68 8 233 1398
11.20 - 11.30 139 56 6 201 1206
11.30 - 11.40 118 48 3 169 1014
11.40 - 11.50 127 62 11 200 1200
11.50 - 12.00 151 68 6 225 1350
Sumber: Data Primer (2015)

commit to user
perpustakaan.uns.ac.id 50
digilib.uns.ac.id

3500
3000
Volume (kend./jam) 2500
2000
1500
1000
500
0

Waktu

Sumber: Data Primer (2015)

4 Grafik Volume Kendaraan di Jalan Ir. Juanda
Gambar 4.3

4.2 Analisis Hubungan antara Kebisingan dengan

engan Volume Kendaraan,
Kecepatan Kendaraan dan Jarak Pengukuran Kebisingan

Pada sub bab ini akan ditampilkan langkah

langkah-langkah
langkah yang dilakukan dalam analisis
regresi linear berganda. Jumlah data primer volume, kecepatan dan kebisingan di
4 titik pengukuran menghasilkan masing-masing
masing 36 data.

4.2.1 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.

commit to user
perpustakaan.uns.ac.id 51
digilib.uns.ac.id

Tabel 4.4 Uji koefisien korelasi menggunakan program SPSS 17

Correlations

y x1 x2 x3 x4 x5
**
y Pearson Correlation 1 -.023 .031 .015 -.066 -.886
Sig. (2-tailed) .788 .712 .858 .434 .000

N 144 144 144 144 144 144

*
x1 Pearson Correlation -.023 1 -.168 -.148 .101 .000
Sig. (2-tailed) .788 .044 .076 .229 1.000
N 144 144 144 144 144 144
* ** **
x2 Pearson Correlation .031 -.168 1 .582 .361 .000
Sig. (2-tailed) .712 .044 .000 .000 1.000
N 144 144 144 144 144 144
** **
x3 Pearson Correlation .015 -.148 .582 1 .416 .000
Sig. (2-tailed) .858 .076 .000 .000 1.000
N 144 144 144 144 144 144
** **
x4 Pearson Correlation -.066 .101 .361 .416 1 .000
Sig. (2-tailed) .434 .229 .000 .000 1.000
N 144 144 144 144 144 144
**
x5 Pearson Correlation -.886 .000 .000 .000 .000 1
Sig. (2-tailed) .000 1.000 1.000 1.000 1.000
N 144 144 144 144 144 144
**. 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 X1 (volume) -0,023
Y (kebisingan) dengan X2 (kecepatan MC) 0,031
Y (kebisingan) dengan X3 (kecepatan LV) 0,015
Y (kebisingan) dengan X4 (kecepatan HV) -0,066
Y (kebisingan) dengan X5 (jarak pengukuran) - 0,886

commit to user
perpustakaan.uns.ac.id 52
digilib.uns.ac.id

Tabel 4.6 Korelasi Antar Variabel Bebas

Variabel Korelasi
X1 (volume) dengan X2 (kecepatan MC -0,168
X1 (volume) dengan X3 (kecepatan LV) -0,148
X1 (volume) dengan X4 (kecepatan HV) 0,101
X1 (volume) dengan X5 (jarak pengukuran) 0,000
X2 (kecepatan MC) dengan X3 (kecepatan LV) 0,582
X2 (kecepatan MC) dengan X4 (kecepatan HV) 0,361
X2 (kecepatan MC) dengan X5 (jarak pengukuran) 0,000
X3 (kecepatan LV) dengan X4 (kecepatan HV) 0,416
X3 (kecepatan LV) dengan X5 (jarak pengukuran) 0,000
X4 (kecepatan HV) dengan X5 (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 X2 (kecepatan sepeda motor) dengan
X3 (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.

4.2.2 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:

commit to user
perpustakaan.uns.ac.id 53
digilib.uns.ac.id

1. Menyusun persamaan yang akan digunakan dalam perhitungan

N. a + b1∑X1 + b2∑X2 + b3∑X3 + b4∑X4 + b5∑X5 = ∑Y ...........................(4.1)
a∑X1 + b1∑X12 + b2∑X1X2 + b3∑X1X3 + b4∑X1X4 + b5∑X1X5 = ∑X1Y ...(4.2)
a∑X2 + b1∑X1X2 + b2∑X22 + b3∑X2X3 + b4∑X2X4 + b5∑X2X5 = ∑X2Y ...(4.3)
a∑X3 + b1∑X1X3 + b2∑X2X3 + b3∑X32 + b4∑X3X4 + b5∑X3X5 = ∑X3Y ..(4.4)
a∑X4 + b1∑X1X4 + b2∑X2X4 + b3∑X3X4 + b4∑X42+ b5∑X4X5 = ∑X4Y ...(4.5)
a∑X5 + b1∑X1X5 + b2∑X2X5 + b3∑X3X5 + b4∑X4X5 + b5∑X52 = ∑X5Y ..(4.6)

Maka hasilnya menjadi,

144a + 213696b1 + 7854,22b2 + 7166,42b3 + 5659,97b4 + 1080b5 =

11502,78......................................................................................................(4.1)
213696a + 366380640b1 + 11540650b2 + 10543838,6b3 + 8439343b4 +
1602720b5 = 17058171,18 ........................................................................(4.2)
7854,22a + 11540650b1+ 437896,5b2 + 395844,71b3 + 310693,1b4 +
58906,64b5 = 627626,054 .........................................................................(4.3)
7166,42a + 10543839b1 + 395844,7b2 + 364311,92b3 + 283730,2b4 +
53748,15b5 = 572555,84 ...........................................................................(4.4)
5659,97a + 8439342,9b1 + 310693,1b2 + 283730,19b3 + 225643,7b4 +
42449,75b5 = 451841,91 ...........................................................................(4.5)
1080a + 1602720b1 + 58906,64b2 + 53748,15b3 + 42449,8b4 + 12600b5 =
81800,95 .....................................................................................................(4.6)

2. Menyelesaikan persamaan dengan metode eliminasi Gauss Jordan

Dari persamaan di atas dapat dituliskan matriks sebagai berikut :
144,00 213696,00 7854,22 7166,42 5659,97 1080,00 a= 11502,78
213696,00 366380640,00 11540649,64 10543838,58 8439342,93 1602720,00 b1 = 17058171,00
7854,22 11540649,60 437896,49 395844,71 310693,11 58906,64 b2 = 627626,05
7166,42 10543838,60 395844,71 364311,92 283730,19 53748,15 b3 = 572555,84
5659,97 8439342,93 310693,11 283730,19 225643,71 42449,75 b4 = 451841,91
1080,00 1602720,00 58906,64 53748,15 42449,75 12600,00 b5 = 81800,95

commit to user
perpustakaan.uns.ac.id 54
digilib.uns.ac.id

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 1484,00 54,54 49,77 39,31 7,50 a= 79,88
213696,00 366380640,00 11540649,64 10543838,58 8439342,93 1602720,00 b1 = 17058171,00
7854,22 11540650,00 437896,49 395844,71 310693,11 58906,64 b2 = 627626,05
7166,42 10543839,00 395844,71 364311,92 283730,19 53748,15 b3 = 572555,84
5659,97 8439343,00 310693,11 283730,19 225643,71 42449,75 b4 = 451841,91
1080,00 1602720,00 58906,64 53748,15 42449,75 12600,00 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 1484,00 54,54 49,77 39,31 7,50 a= 79,88

-
0,00 49255776,00 -115011,07 -91127,95 39952,26 0,00 b1 =
11954,34
0,00 -115011,10 9502,37 4965,36 1980,49 0,00 b2 = 227,78
0,00 -91127,95 4965,36 7662,14 2051,75 0,00 b3 = 99,27
0,00 39952,26 1980,49 2051,75 3176,88 0,00 b4 = -278,60
0,00 0,00 0,00 0,00 0,00 4500,00 b5 = -4469,90

Tahap 3
 Persamaan kedua semua dibagi elemen kedua dari persamaan kedua
 Persamaan yang lain tidak berubah

1,00 1484,00 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
0,00 -115011,10 9502,37 4965,36 1980,49 0,00 b2 = 227,78
0,00 -91127,95 4965,36 7662,14 2051,75 0,00 b3 = 99,27
0,00 39952,26 1980,49 2051,75 3176,88 0,00 b4 = -278,60
0,00 0,00 0,00 0,00 0,00 4500,00 b5 = -4469,90

commit to user
perpustakaan.uns.ac.id 55
digilib.uns.ac.id

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 0,00 9233,83 4752,57 2073,78 0,00 b2 = 199,87
0,00 0,00 4752,57 7493,55 2125,66 0,00 b3 = 77,15
0,00 0,00 2073,78 2125,66 3144,47 0,00 b4 = -268,90
0,00 0,00 0,00 0,00 0,00 4500,00 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 0,00081 0,00 b1 = -0,00024
0,00 0,00 1,00 0,51 0,22 0,00 b2 = 0,02
0,00 0,00 4752,57 7493,55 2125,66 0,00 b3 = 77,15
0,00 0,00 2073,78 2125,66 3144,47 0,00 b4 = -268,90
0,00 0,00 0,00 0,00 0,00 4500,00 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
commit to user
ketiga persamaan 3) x elemen awal persamaan 3)
perpustakaan.uns.ac.id 56
digilib.uns.ac.id

 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 -0,000648 0,0013 0,00 b1 = -0,00019
0,00 0,00 1,00 0,51 0,22 0,00 b2 = 0,022
0,00 0,00 0,00 5047,43 1058,31 0,00 b3 = -25,72
0,00 0,00 0,00 1058,31 2678,73 0,00 b4 = -313,79
0,00 0,00 0,00 0,00 0,00 4500,00 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 -0,000648 0,0013 0,00 b1 = -0,00019
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 0,00 1058,31 2678,73 0,00 b4 = -313,79
0,00 0,00 0,00 0,00 0,00 4500,00 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
commit to user
keempat persamaan 4) x elemen awal persamaan 4)
perpustakaan.uns.ac.id 57
digilib.uns.ac.id

 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 = -0,00020
0,00 0,00 1,00 0,00 0,12 0,00 b2 = 0,02427
0,00 0,00 0,00 1,00 0,21 0,00 b3 = -0,005
0,00 0,00 0,00 0,00 2456,83 0,00 b4 = -308,39
0,00 0,00 0,00 0,00 0,00 4500,00 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 = -0,00020
0,00 0,00 1,00 0,00 0,117 0,00 b2 = 0,02427
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 4500,00 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)

commit to user
perpustakaan.uns.ac.id 58
digilib.uns.ac.id

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 = -0,00001
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 4500,00 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 = -0,00001
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 = -0,00001
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

commit to user
perpustakaan.uns.ac.id 59
digilib.uns.ac.id

Maka dihasilkan nilai sebagai berikut :

a = 89,101
b1 = -0,00001
b2 = 0,039
b3 = 0,021
b4 = -0,126
b5 = -0,993

3. Nilai a, b1, b2, b3, b4 dan b5 dimasukkan dalam persamaan regresi linear
berganda sebagai berikut :
Y = a + b1X1 + b2X2 + b3X3+ b4X4+ b5X5
Y = 89,101 – 0,00001X1 + 0,039X2 + 0,021X3 – 0,126X4 – 0,993X5

Sebagai koreksi, berikut ditampilkan hasil analisis model persamaan

menggunakan program SPSS 17.

Tabel 4.7 Hasil Analisis Model Persamaan menggunakan Program SPSS 17

a
Coefficients
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 89.101 2.436 36.576 .000

x1 -1.082E-5 .000 -.001 -.025 .980

x2 .039 .038 .050 1.036 .302
x3 .021 .043 .025 .495 .622
x4 -.126 .059 -.094 -2.134 .035
x5 -.993 .043 -.886 -22.858 .000
a. Dependent Variable: y
Sumber : Input pada SPSS (2015)

Model persamaan yang dihasilkan adalah Y = 89,101 – 0,00001X1 + 0,039X2 +

0,021X3 – 0,126X4 – 0,993X5. Berdasarkan hasil analisis model persamaan
menggunakan program Microsoft Excel dan SPSS 17 menunjukkan hasil yang
sama.

commit to user
perpustakaan.uns.ac.id 60
digilib.uns.ac.id

4.2.3.1 Koefisien Determinasi (r2)

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)

Gambar 4.4 Perhitungan Analisis Koefisien Determinasi
Keterangan:
= rata-rata kebisingan
Yi= data kebisingan
= hasil model persamaan

Berikut merupakan contoh perhitungan tabel di atas pada no 1:

X1 = 306 X4 = 41,8556
X2 = 62,7024 X5 = 0
X3 = 49,2765

Nilai-nilai tersebut dimasukkan ke dalam model persamaan yang dihasilkan :

= 84,479 – 0,0006X1 + 0,0068X2 + 0,0361X3 – 0,0046X4 – 1,039X5
= 84,479 – 0,0006 (306) + 0,0068 (62,7024) + 0,0361 (49,2765) – 0,0046
(41,8556) – 1,039 (0)
= 87,33
commit to user
perpustakaan.uns.ac.id 61
digilib.uns.ac.id

Dari analisis di atas, maka diperoleh hasil sebagai berikut:

Σ( - )2 = 4486,07
Σ(Yi - )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

b
Model Summary
Std. Error of the Durbin-
Model Adjusted R Estimate Watson
R R Square Square
a
1 .890 2.91504 .501
.793 .785

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.

4.2.3.2 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 to user
signifikan terhadap variabel terikat. Derajat
perpustakaan.uns.ac.id 62
digilib.uns.ac.id

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 Fhitung > Ftabel maka Ho ditolak dan Ha diterima, sedangkan jika Fhitung < Ftabel
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

b
ANOVA
Model Sum of Squares df Mean Square F Sig.
a
1 Regression 4915.639 5 983.128 119.266 .000

Residual 1137.560 138 8.243

Total 6053.199 143

a. Predictors: (Constant), x5, x4, x1, x3, x2

b. Dependent Variable: y
Sumber : Input pada SPSS (2015)

Dari tabel di atas dapat diketahui nilai Fhitung = 119,266 > Ftabel = 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 thitung berada pada daerah penerimaan
commit to user Ho atau terletak diantara harga
perpustakaan.uns.ac.id 63
digilib.uns.ac.id

ttabel, maka Ho diterima. Nilai thitung 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

a
Coefficients
Standardized
Unstandardized Coefficients Coefficients

Model B Std. Error Beta t Sig.

1 (Constant) 89.101 2.436 36.576 .000

x1 -1.082E-5 .000 -.001 -.025 .980

x2 .039 .038 .050 1.036 .302

x3 .021 .043 .025 .495 .622

x4 -.126 .059 -.094 -2.134 .035

x5 -.993 .043 -.886 -22.858 .000

a. Dependent Variable: y
Sumber : Input pada SPSS (2015)

Dari tabel di atas dapat diketahui untuk variabel X1 (volume kendaraan) nilai thitung
= -0,025, variabel X2 (kecepatan MC) nilai thitung = 1,036, variabel X3 (kecepatan
LV) nilai thitung = 0,495, variabel X4 (kecepatan HV) nilai thitung = -2,134, dan
variabel X5 (jarak) nilai thitung = -22,858. Sedangkan untuk nilai ttabel yaitu 1,9773.
Dari hasil analisis dapat digambarkan kurva daerah penerimaan dan penolakan
seperti pada Gambar 4.5 berikut.

commit to user
Gambar 4.5 Kurva Daerah Penerimaan dan Penolakan Uji t Dua Pihak
perpustakaan.uns.ac.id 64
digilib.uns.ac.id

Dari gambar di atas ditunjukkan bahwa nilai thitung variabel X1 (volume kendaraan)
= -0,025 berada pada daerah penerimaan Ho, maka Ho diterima dengan kata lain
volume kendaraan secara parsial tidak mempengaruhi kebisingan. Nilai thitung
variabel X2 (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 thitung variabel X3 (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 thitung
variabel X4 (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 thitung variabel X5 (jarak pengukuran) = -
22,858 berada pada daerah penolakan Ho, maka Ho ditolak dengan kata lain jarak
pengukuran secara parsial mempengaruhi kebisingan. Jadi variabel X1,X2 dan X3
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.

4.2.2.3 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.

commit to user
perpustakaan.uns.ac.id 65
digilib.uns.ac.id

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
a,,b
Normal Parameters Mean .0000000

Std. Deviation 2.86362099

Most Extreme Differences Absolute .062

Positive .052

Negative -.062

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.

commit to user
perpustakaan.uns.ac.id 66
digilib.uns.ac.id

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
4.12 - 4.16 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) 367.709 32 11.491 .241 1.000
Groups
Linearity 2.901 1 2.901 .061 .806
Deviation from 364.808 31 11.768 .247 1.000
Linearity
Within Groups 5291.014 111 47.667

Total 5658.723 143

Sumber : Input pada SPSS (2015)

Dari hasil di atas dapat dilihat bahwa varibel X1 (volume kendaraan) diperoleh
nilai signifikansi = 0,806. Nilai signifikansi variabel X1 > 0,05 maka hubungan
antara variabel X1 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) 382.210 35 10.920 .224 1.000
Groups
Linearity 5.465 1 5.465 .112 .739
Deviation from 376.745 34 11.081 .227 1.000
Linearity
Within Groups 5276.513 108 48.857

Total 5658.723 143

Sumber : Input pada SPSS (2015)

Dari hasil di atas dapat dilihat bahwa variabel X2 (kecepatan sepeda motor)
diperoleh nilai signifikansi = 0,739. Nilai signifikansi variabel X2 > 0,05 maka
hubungan antara variabel X2 dengancommit to user
variabel Y (kebisingan) adalah tidak linear.
perpustakaan.uns.ac.id 67
digilib.uns.ac.id

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 (Combined) 382.210 35 10.920 .224 1.000
Groups
Linearity 1.285 1 1.285 .026 .871
Deviation from 380.925 34 11.204 .229 1.000
Linearity
Within Groups 5276.513 108 48.857
Total 5658.723 143
Sumber : Input pada SPSS (2015)

Dari hasil di atas dapat dilihat bahwa variabel X3 (kecepatan kendaraan ringan)
diperoleh nilai signifikansi = 0,871. Nilai signifikansi variabel X3 > 0,05 maka
hubungan antara variabel X3 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 (Combined) 359.999 34 10.588 .218 1.000
Groups
Linearity 24.428 1 24.428 .503 .480
Deviation from 335.571 33 10.169 .209 1.000
Linearity
Within Groups 5298.724 109 48.612
Total 5658.723 143
Sumber : Input pada SPSS (2015)

Dari hasil di atas dapat dilihat bahwa variabel X4 (kecepatan kendaraan berat)
diperoleh nilai signifikansi = 0,480. Nilai signifikansi variabel X4 > 0,05 maka
hubungan antara variabel X4 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 (Combined) 4568.561 3 1522.854 195.567 .000
Groups
Linearity 4440.001 1 4440.001 570.191 .000
Deviation from 128.559 2 64.280 8.255 .000
Linearity
Within Groups 1090.162 140 7.787
Total 5658.723 143
Sumber : Input pada SPSS (2015)commit to user
perpustakaan.uns.ac.id 68
digilib.uns.ac.id

Dari hasil di atas dapat dilihat bahwa variabel X5 (jarak pengukuran kebisingan)
diperoleh nilai signifikansi = 0,000. Nilai signifikansi variabel X5 < 0,05 maka
hubungan antara variabel X5 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

a
Coefficients
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) .684 1.483 .461 .645

x1 .001 .000 .204 2.422 .017

x2 -.021 .023 -.092 -.899 .370
x3 .014 .026 .056 .533 .595
x4 .036 .036 .094 1.020 .310
x5 -.058 .026 -.179 -2.203 .029
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.

commit to user
perpustakaan.uns.ac.id 69
digilib.uns.ac.id

4.2.2.4 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 – 0,00001X1 + 0,039X2 + 0,021X3 – 0,126X4 – 0,993X5

Contoh Uji Verifikasi pada Jalan Ahmad Yani :

Y (kebisingan) = 86,51 dBA

X1 (volume kendaraan) = 1056 kendaraan/jam
X2 (kecepatan sepeda motor) = 74,6483 km/jam
X3 (kecepatan kendaraan ringan) = 66,6577 km/jam
X4 (kecepatan kendaraan berat) = 66,8864 km/jam
X5 (jarak) =0m

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:

commit to user
perpustakaan.uns.ac.id 70
digilib.uns.ac.id

Tabel 4.18 Rekapitulasi Uji Verifikasi Model Pada Jalan Ahmad Yani
Kebisingan Kebisingan
No. Tingkat Error
di Lapangan Model
1 86.51 84.97 -1.77
2 87.75 85.01 -3.11
3 91.01 85.39 -6.17
4 90.83 86.60 -4.66
5 88.62 84.52 -4.63
6 87.3 87.18 -0.14
7 88.2 86.46 -1.97
8 87.47 86.10 -1.56
9 88.87 86.60 -2.55
10 88.31 87.27 -1.18
11 89.63 86.27 -3.75
12 90.05 87.50 -2.83
13 89.15 85.60 -3.98
14 89.2 86.48 -3.05
15 87.85 85.62 -2.5
Total -43.92

Sebaran tingkat kesalahan model pada Jalan Ahmad Yani dapat dilihat pada
gambar berikut

2
1
0
-1 0 5 10 15 20

-2
-3
-4
-5
-6
-7

Gambar 4.7 Grafik Tingkat Kesalahan Model Pada Jalan Ahmad Yani

commit to user
perpustakaan.uns.ac.id 71
digilib.uns.ac.id

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.

4.2.3 Analisis Regresi Linear Sederhana antara Kebisingan dengan Jarak

Pengukuran

Berdasarkan uji korelasi, variabel bebas yang mempunyai nilai korelasi > 0,5
dengan variabel terikat yaitu X5 (jarak) = 0,886. Sedangkan hasil uji linearitas,
nilai signifikansi variabel X5 < 0,05 maka hubungan antara variabel X5 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

(Σ ) (Σ ²) – (Σ ) (Σ )
a= ...........................................................................(4.7)
(Σ ) (Σ )
(Σ ) (Σ )(Σ )
b= ..................................................................................(4.8)
(Σ ) (Σ )

maka hasilnya menjadi,

( , )( ) ( )( , )
a= = 87,3303
( ) ( )
( , ) ( )( , )
b= = -0,9933
( ) ( )
commit to user
perpustakaan.uns.ac.id 72
digilib.uns.ac.id

Maka dihasilkan nilai sebagai berikut :

a = 87,3303
b = -0,9933

2. Nilai a dan b dimasukkan dalam persamaan regresi linear sederhana sebagai

berikut :
Y = 87,3303 – 0,9933X5

Sebagai koreksi, berikut ditampilkan hasil analisis model persamaan

menggunakan program SPSS v.17.

Tabel 4.19 Analisis Model Persamaan menggunakan Program SPSS 17

a
Coefficients
Standardized
Unstandardized Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 87.330 .409 213.776 .000

X5 -.993 .044 -.886 -22.745 .000

a. Dependent Variable: Y
Sumber : Input pada SPSS (2015)

95

90

85
Kebisingan

80

75

70

65

60
0 2 4 6 8 10 12 14 16
Jarak y = -0,993x + 87,33
R² = 0,784

Gambar 4.8 Analisis Model Persamaan menggunakan Program Microsoft

Excel

commit to user
perpustakaan.uns.ac.id 73
digilib.uns.ac.id

Model persamaan yang dihasilkan adalah Y = 87,3303 – 0,9933X5. 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.

4.2.3.1 Koefisien Determinasi (r2)

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
Std. Error of the
Model R R Square Adjusted R Square Estimate
a
1 .886 .785 .783 2.92960
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.

4.2.3.2 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
commit to user
perpustakaan.uns.ac.id 74
digilib.uns.ac.id

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 : tidak terjadi hubungan linear antara variabel terikat dan variabel bebas,
Ha : terjadi hubungan linear antara variabel terikat dan variabel bebas.

Jika Fhitung > Ftabel maka Ho ditolak dan Ha diterima, sedangkan jika Fhitung < Ftabel
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

b
ANOVA
Model Sum of Squares Df Mean Square F Sig.
a
1 Regression 4440.001 1 4440.001 517.329 .000
Residual 1218.721 142 8.583

Total 5658.723 143

a. Predictors: (Constant), X7
b. Dependent Variable: Y
Sumber : Input pada SPSS (2015)

Dari tabel di atas dapat diketahui nilai Fhitung = 517,329 > Ftabel = 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

commit to user
(sendiri) berpengaruh signifikan atau tidak terhadap variabel terikat. Derajat
perpustakaan.uns.ac.id 75
digilib.uns.ac.id

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 thitung berada pada daerah penerimaan Ho atau terletak diantara harga
ttabel, maka Ho diterima. Nilai thitung 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

a
Coefficients
Unstandardized Standardized
Coefficients Coefficients
Model B Std. Error Beta t Sig.
1 (Constant) 87.330 .409 213.776 .000

X5 -.993 .044 -.886 -22.745 .000

a. Dependent Variable: Y
Sumber : Input pada SPSS (2015)
Dari tabel di atas dapat diketahui untuk variabel X5 (jarak pengukuran) nilai thitung
= -22,745. Sedangkan untuk nilai ttabel 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

commit to user
perpustakaan.uns.ac.id 76
digilib.uns.ac.id

Dari gambar di atas ditunjukkan bahwa nilai t hitung variabel X5 (jarak) = -22,745
berada pada daerah penolakan Ho, maka Ho ditolak dengan kata lain jarak secara
parsial mempengaruhi kebisingan.

4.2.3.3 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 X5

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
Kebisingan Kebisingan Tingkat
No.
di Lapangan Model Error
1 86.51 87,3303 0.94
2 87.75 87,3303 -0.48
3 91.01 87,3303 -4.21
4 90.83 87,3303 -4.01
5 88.62 87,3303 -1.48
6 87.3 87,3303 0.03
7 88.2 87,3303 -1.00
8 87.47 87,3303 -0.16
9 88.87 87,3303 -1.76
10 88.31 87,3303 -1.12
11 89.63 87,3303 -2.63
12 90.05 87,3303 -3.11
13 89.15 87,3303 -2.08
14 89.2 87,3303 -2.14
15 87.85 87,3303 -0.60
Total -23.81

commit to user
perpustakaan.uns.ac.id 77
digilib.uns.ac.id

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.
2
1
0
-1 0 2 4 6 8 10 12 14 16

-2
-3
-4
-5

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 – 0,00001X1 +
0,039X2 + 0,021X3 – 0,126X4 – 0,993X5 dengan nilai r2 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 (X5) yang berarti variabel
tersebut sangat berpengaruh pada kebisingan lalu lintas. Berdasarkan hasil uji
commit to user
linieritas didapat bahwa variabel volume dan kecepatan > 0,05 yang berarti
perpustakaan.uns.ac.id 78
digilib.uns.ac.id

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 (X5) 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 X5 dengan nilai r2 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
commit to user
berbanding terbalik dengan kecepatan kendaraan berat. Kondisi seperti ini
perpustakaan.uns.ac.id 79
digilib.uns.ac.id

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
X5, terdapat satu variabel bebas yang mempengaruhi kebisingan yaitu jarak
pengukuran kebisingan (X5). 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 2012.
Diketahui bahwa model linear pada Perguruan Parulian 3 Jalan Sisingamangaraja
No.44 yang terbentuk antara variabel terikat (Y) dengan variabel bebas Jarak
pengukuran (X6) adalah Y = 80,063 – 0,572 X6.

commit to user
perpustakaan.uns.ac.id 80
digilib.uns.ac.id

Model analisis regresi linear sederhana yaitu Y = 87,3303 – 0,9933 X5, 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 X5) 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.

commit to user